Hotel Bookings Analytic – R 語法解析

上一篇我將Hotel Bookings透過R進行分析的文章放了上來，這篇我想分享一下開始分析時我的流程(英文好的大大這部分可以省去很多麻煩..)、遇到的疑難問題  ，以及我選擇的解決方案，也會針對裡面有用到的一些Function進行解析與使用時機，對於跟我一樣的新手數據分析師來說可以當作分析實作的參考    

若大大們有更好的建議，請不吝指教!!若有需要返回看Hotel Bookings的大大~

請點hotel bookings analytic – 案例分析報告

也可至kaggle觀看，或是想直接看code，請點Github

接下來讓我們直接開始吧!   

  

實作分析研究的流程    

-   將所有的Col列個表，有點蠢的作法，但是每份分析所屬的行業別畢竟我不是都有觸碰過，先了解該行業可能會用的術語，以及該術語的含意，對於後續的編程與分析作業會相對順暢許多，否則Coding時好不容易進入了Flow(心流)，卻突然搞不清楚這個Col的意義在哪，套一句小雷三歲兒子常說的一句話 : “那就歐歐啦(完蛋的意思~~)”    

-   接下來會寫出我需要的流程有幾項? 有需要更高一層的分析報告嗎? 是否需要做投影文稿? 需要做個Dashboard? 還是直接做Plot(繪圖)?    

-   思考分析項目會做幾個? 有哪些情況要放在分析裡?  可能有些人會覺得全部都做才會完整，但若以累積作品集來說的話，這樣的方式其實太花時間，建議可以先以基本面做分析項目，後續再來做深一層的分析報告，以Hotel Bookings為例，我只有先抓四個基本項目，分別是 : 基本情況分析、銷售管道分析、客流量分析、旅客基本分析，剩下的像是影響取消的因素、預約入住的喜好分布(關於房型、餐點、甚至停車位等..)，這些我就會放到下一次的分析報告之中   

-   思考一下這次分析會用到的工具，像是有需要放Github進行版本控制嗎? IDE要用哪個? 有用過好用的語法大概是那些? 快速的Review一下之後，就會進入編程的作業當中了~

關於Hotel Bookings的語法解析與使用時機

-    ?function() : 查閱函式的使用方式，如?setwd()，會有屬於哪個包、函式敘述、如何使用、參數、範例等，對於突然忘記該函式的我來說是蠻方便的~

-    setwd() : 設定數據集檔案路徑(只是資料夾路徑，不需包含Data Set名稱)，對於檔案與數據集放置一樣的人來說應該是不需要，但我把Code與Data Set放在不同的資料夾做歸檔，就需要設定路徑，須注意的是，複製的路徑斜線是 “ / ”，務必要改成 " \ "，否則會讀不到。

• 基礎語法 : setwd(“path”)
• 使用時機 : Data Set與檔案不同位置
• 例子 : setwd(“D:/Github_version_file_R/data_set/data_frame_hotel”)

-    unique() : 簡單說，返回不重複的值，在檔案初始檢查時我覺得挺好用的，在Data Set中如果屬性是Factor(因子)或Chr(字符)，就可以使用作為查詢是否有拼寫錯誤的值，當然值的數量過多就不建議了，若是Numeric(數字)也不行，需要其他的方式

• 基礎語法 : unique(x)
• 使用時機 : 用來檢查Chr、Factor不重複的值
• 例子 : unique(hotel_df$hotel)

- as.factor() : 將其他屬性的值轉為因子，as本身就是一種轉換語法，為什麼要轉換呢?因子本身的值是將數據做為分類，儲存在R中，而且數值是有限組數的，在Data Set中，某些值紀錄可能只有”0”，”1”，屬性是Int或是Num，但是該欄位僅是紀錄例如定位與否兩個選項，只是用數字紀錄較快，這樣的欄位在後續進行彙整或是Plot時，就會變成單純計算數字，看不出甚麼頭緒，轉換為因子的分類後，就可以簡單的進行繪圖與彙整了

• 基礎語法 : as.factor(x)
• 使用時機 : 需要將欄位的值做分類
• 例子 : as.factor(is_canceled)

- levels() : 查詢Factor值的等級劃分，因子既然已經分組了，可能我們需要將值做一些調整，以利後續的分析作業，這時候利用levels語法可以簡單找到該值的分組等級，方便我們做值的調整

• 基礎語法 : levels(x)
• 使用時機 : 要找出因子值的等級時
• 例子 : levels(hotel_df$is_canceled)

- NULL值轉換或將值轉換為別的 : 會將levels與which語法合併作為欄位單元值的轉換方式，為何會轉換? 原因在於單元格的缺失值若很少，僅僅只有1、2個，當然刪除是一個辦法，若缺失值很多，一但刪除了，或許整份分析報告的走向就會完全不一樣，這時要嘛使用機器學習像knn等方式填充，我選擇用”無紀錄”的方式進行填充，一方面不破壞原始檔案內容，再者做出Plot時也可以提醒或建議，未來紀錄數值時可用的方式，以免產生過多的缺失值

• 例子一(更換NULL) : 

null_agent <- which(levels(hotel_df$agent) == “NULL”) >> 將等級為”NULL”的單元格存入null_agent

levels(hotel_df$agent)[null_agent] <- “no_record” >> 將”no_record”更換等級為”NULL”的單元格中

• 例子二(0,1更換為文字) : 

null_customer<- which(levels(hotel_df$is_repeated_guest) == “0”) >> 將等級為”0”的單元格存入null_customer

levels(hotel_df$ is_repeated_guest)[null_ customer] <- “new_customer” >> 將” new_customer”更換等級為”0”的單元格中

以上就是在Hotel Bookings Analytic的分析報告中，我個人覺得使用上有解決我所遭遇的問題，當然也會有許多神人大大有更好的解決辦法，當小雷有昇華到那個階段時也會一一分享給各位~

這個Blog除了記錄我自己的學習歷程，也將一些解決的方式一併做個紀錄，若是有人有遇到跟我一樣的疑難問題，或許可以有些許幫助

又過了美容覺的時間……小雷五臟六腑的深夜點心鋪也差不多要開張，先來填充瞜!!