Análisis Exploratorio
+Tech-Girls-Glovo
+ +-
+
- Análisis
+Exploratorio de Dataset de Airbnb (Madrid-España)
+
-
+
Instalacion y Carga de Pre-requerimientos+
+Carga de datos para el análisis.
+Tratamiento datos+
+Resumen cambios en las variables.+
+Análisis Descriptivo+
+EDA: Análisis Exploratorio de Datos+-
+
- Top10 Barrios Más Populares +Airbnb +
- Distribución de +precio vs número de reseñas +
- Precio promedio vs tipo +de habitación +
- Top 10 - Tipo +de propiedad por barrios en Madrid +
- Top 10 - +Distribución de precios vs barrio +
- Gráfico de Distribución en +Madrid +
- Mapa de Calor de +Correlación +
- Matriz de +Dispersión y Correlación de Variables +
+KPIs
+Conclusiones del Análisis
+Tratamiento del Dataset procesado+
+
+
Análisis Exploratorio de Dataset de Airbnb (Madrid-España)
+Para ver la version online de este cuaderno, visite: https://andreatj.github.io/Tech-Girls-Glovo/
+Este análisis explora un conjunto de datos de Airbnb, específicamente +centrado en las listas de alojamientos disponibles en Madrid, España. +Los datos han sido descargados desde el portal público OpenDataSoft. Se +puede acceder directamente al dataset utilizado a través del siguiente +enlace: Airbnb +Listings en OpenDataSoft.
+Instalacion y Carga de Pre-requerimientos
+Previo al análisis, vamos a instalar y cargar los paquetes +necesarios:
+# Silas librerias no están ya instaladas , las instala.
+if (!require("tidyverse")) install.packages("tidyverse")## Loading required package: tidyverse## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
+## ✔ dplyr 1.1.4 ✔ readr 2.1.5
+## ✔ forcats 1.0.0 ✔ stringr 1.5.1
+## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
+## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
+## ✔ purrr 1.0.2
+## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
+## ✖ dplyr::filter() masks stats::filter()
+## ✖ dplyr::lag() masks stats::lag()
+## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsif (!require("corrplot")) install.packages("corrplot")## Loading required package: corrplot
+## corrplot 0.92 loadedif (!require("ggmap")) install.packages("ggmap")## Loading required package: ggmap
+## ℹ Google's Terms of Service: <https://mapsplatform.google.com>
+## Stadia Maps' Terms of Service: <https://stadiamaps.com/terms-of-service/>
+## OpenStreetMap's Tile Usage Policy: <https://operations.osmfoundation.org/policies/tiles/>
+## ℹ Please cite ggmap if you use it! Use `citation("ggmap")` for details.if (!require("leaflet")) install.packages("leaflet")## Loading required package: leafletif (!require("leaflet.extras")) install.packages("leaflet.extras")## Loading required package: leaflet.extrasif (!require("GGally")) install.packages("GGally")## Loading required package: GGally
+## Registered S3 method overwritten by 'GGally':
+## method from
+## +.gg ggplot2if (!require("visdat")) install.packages("visdat")## Loading required package: visdatif (!require("naniar")) install.packages("naniar")## Loading required package: naniar# Cargar las librerías
+library(tidyverse)
+library(corrplot)
+library(ggmap)
+library(leaflet)
+library(leaflet.extras)
+library(GGally)
+library(visdat)
+library(naniar)Descripción de Librerías de R usadas:
+Tidyverse: La librería tidyverse carga
+en R un conjunto de paquetes que comparten una filosofía común de
+manipulación y visualización de datos, incluyendo dplyr, ggplot2 y otros
+paquetes que facilitan el flujo de trabajo de análisis de datos en
+R.
Dplyr: Proporciona un conjunto de
+funciones para realizar operaciones de manipulación de datos como
+filtrado, selección, agregación y unión de datos.
Ggplot2: Permite crear una amplia
+variedad de gráficos de alta calidad de forma sencilla y flexible.
Corrplot: Se utiliza para visualizar
+matrices de correlación de datos de una manera clara y concisa, lo que
+facilita la identificación de patrones de correlación entre
+variables.
Ggmap: Esta librería se utiliza para
+visualizar datos espaciales en mapas utilizando ggplot2. Permite
+superponer datos sobre mapas de Google Maps, OpenStreetMap y otros
+proveedores de mapas.
Leaflet: Es una librería para la
+creación de mapas interactivos en R. Permite crear mapas interactivos
+con características como marcadores, polígonos, superposiciones y
+herramientas de zoom.
Leaflet.extras: Extiende las
+funcionalidades de la librería leaflet proporcionando características
+adicionales para la creación de mapas interactivos más avanzados.
GGally: Proporciona extensiones para
+ggplot2, permitiendo crear gráficos de matriz y otras visualizaciones
+complejas de forma más sencilla.
Visdat es una librería que proporciona
+herramientas para visualizar la estructura de los datos. Su objetivo
+principal es ayudar a comprender la distribución y la integridad de los
+datos, incluidos los datos faltantes, ayudando a guiar las decisiones
+sobre la limpieza y el preprocesamiento de los datos.
Naniar es una librería que se centra
+específicamente en el manejo y la visualización de datos faltantes. es
+especialmente útil cuando se trabaja con conjuntos de datos que
+contienen muchos valores faltantes o cuando se necesita realizar
+análisis sensibles a la presencia de datos faltantes, como modelos
+predictivos o análisis de datos longitudinales.
Carga de datos para el análisis.
+Leemos el dataset desde su ubicación y especificamos que el separador +de campos es un punto y coma.
+library(tidyverse)
+
+# Leer el archivo CSV
+airbnb_data_raw <- read.csv("../data/raw/air-bnb-listings.csv", sep = ';')Mostramos las primeras filas del dataset, para comprobar que los +datos se han cargado correctamente.
+# Ver las primeras filas de los datos
+head(airbnb_data_raw)## Room.ID Name Host.ID
+## 1 36707573 Soggiorno Madrid-Hospitality , comfort & passion. 275911703
+## 2 21859113 Be Mate Plaza España Wild 203 157114944
+## 3 21862103 Designer flat in Madrid's exclusive Salamanca area 8851341
+## 4 21875158 Estudio de diseño en pleno centro de Madrid 159570292
+## 5 21932504 Cosy apartment in the cosmopolitan Gran Vía 160055902
+## 6 22042300 Habitación 1. Para estudiar o trabajar 160981040
+## Neighbourhood Room.type Room.Price Minimum.nights Number.of.reviews
+## 1 Centro Storico Private room 155 1 1
+## 2 Argüelles Entire home/apt 147 1 1
+## 3 Recoletos Entire home/apt 625 5 2
+## 4 Sol Private room 500 1 110
+## 5 Palacio Entire home/apt 62 2 194
+## 6 Portazgo Private room 12 15 11
+## Date.last.review Number.of.reviews.per.month Rooms.rent.by.the.host
+## 1 2019-12-19 0.16 3
+## 2 2018-12-01 0.05 36
+## 3 2018-08-09 0.06 1
+## 4 2020-02-26 3.41 2
+## 5 2020-03-11 6.16 1
+## 6 2018-10-30 0.40 3
+## Availibility Updated.Date City Country
+## 1 173 2020-06-19 Florence Italy
+## 2 0 2020-07-17 Madrid Spain
+## 3 177 2020-07-17 Madrid Spain
+## 4 347 2020-07-17 Madrid Spain
+## 5 286 2020-07-17 Madrid Spain
+## 6 106 2020-07-17 Madrid Spain
+## Coordinates Location
+## 1 43.78225294444298, 11.241335882500344 Italy, Florence, Centro Storico
+## 2 40.421911823829916, -3.716298875039167 Spain, Madrid, Argüelles
+## 3 40.42205487717857, -3.6889613202974916 Spain, Madrid, Recoletos
+## 4 40.41573794398538, -3.7044166450981693 Spain, Madrid, Sol
+## 5 40.421747567976034, -3.710994512030235 Spain, Madrid, Palacio
+## 6 40.391493766002014, -3.6450831761057922 Spain, Madrid, PortazgoCalculamos y mostramos las dimensiones originales del dataset, +obteniendo el número de filas y columnas.
+dimension_original <- dim(airbnb_data_raw)
+
+paste('El numero de filas que tiene el dataframe airbnb_data es:', dimension_original[1])## [1] "El numero de filas que tiene el dataframe airbnb_data es: 21278"paste('El numero de columnas que tiene el dataframe airbnb_data es:', dimension_original[2])## [1] "El numero de columnas que tiene el dataframe airbnb_data es: 17"El dataset original, tiene 17 variables(columnas) y
+21278 observaciones(filas).
Vamos a analizar qué variables tenemos:
+colnames(airbnb_data_raw)## [1] "Room.ID" "Name"
+## [3] "Host.ID" "Neighbourhood"
+## [5] "Room.type" "Room.Price"
+## [7] "Minimum.nights" "Number.of.reviews"
+## [9] "Date.last.review" "Number.of.reviews.per.month"
+## [11] "Rooms.rent.by.the.host" "Availibility"
+## [13] "Updated.Date" "City"
+## [15] "Country" "Coordinates"
+## [17] "Location"-
+
Room.ID: Es el identificador único +de cada listado en Airbnb. Es esencial para identificar los registros de +manera única.
+Name: Es el nombre descriptivo del +listado. En algunos casos, puede contener más detalles descriptivos del +alojamiento.
+Host.ID: Es el identificador único +del anfitrión del listado en Airbnb. Muy útil para asociar múltiples +listados al mismo anfitrión.
+Neighbourhood: Nos indica el Barrio +dónde se encuentra el listado. Es un dato muy importante a la hora de +hacer un análisis de distribución geográfica.
+Room.Type: Es el tipo de +alojamiento ofrecido. Nos permite diferenciar entre los tipos de +alojamiento, que pueden ser: apartamento/casa entero, una habitación en +un hotel, una habitación privada o una habitación compartida.
+Room.Price: Es el número mínimo de +noches requerido para la reserva. De suma importancia, al influir en la +decisión de reservas de los usuarios.
+Minimum.Nights: Número mínimo de +noches requeridas para hacer una reserva, crucial para entender las +políticas de reservas.
+Number.of.Reviews: Nos indica el +número total de reseñas recibidas por los huéspedes del listado. Es un +indicador de popularidad y experiencia del cliente.
+Date.Last.Review: Es la fecha de la +última reseña recibida por un huésped para un alojamiento. Nos permite +evaluar si la última reseña es reciente.
+Number.of.Reviews.Per.Month: Es el +promedio de reseñas recibidas por mes. Refleja la actividad reciente del +listado.
+Rooms.Rent.By.Host: Nos indica el +número total de habitaciones o propiedades que el anfitrión ofrece en +alquiler. Permite identificar a los anfitriones con múltiples +propiedades.
+Availability: Es el número de días +al año en que el listado está disponible. Nos indica la oferta +disponible..
+Updated.Date: Es la fecha en que se +actualizó la información del listado por última vez.
+City: Especifica la ciudad dónde se +ubica el listado.
+Country: Especifica el país donde +se ubica el listado
+Coordinates: Son las coordenadas +geográficas del alojamiento.
+Location: Incluye País, Ciudad y +Barrio en una sola variable.
+
Ahora, examinamos que tipo de variables tenemos.
+str(airbnb_data_raw)## 'data.frame': 21278 obs. of 17 variables:
+## $ Room.ID : int 36707573 21859113 21862103 21875158 21932504 22042300 22043848 22048206 22066174 22079865 ...
+## $ Name : chr "Soggiorno Madrid-Hospitality , comfort & passion." "Be Mate Plaza España Wild 203" "Designer flat in Madrid's exclusive Salamanca area" "Estudio de diseño en pleno centro de Madrid" ...
+## $ Host.ID : int 275911703 157114944 8851341 159570292 160055902 160981040 160967778 105797031 54343289 34563914 ...
+## $ Neighbourhood : chr "Centro Storico" "Argüelles" "Recoletos" "Sol" ...
+## $ Room.type : chr "Private room" "Entire home/apt" "Entire home/apt" "Private room" ...
+## $ Room.Price : int 155 147 625 500 62 12 70 69 81 50 ...
+## $ Minimum.nights : int 1 1 5 1 2 15 4 10 1 7 ...
+## $ Number.of.reviews : int 1 1 2 110 194 11 109 51 87 12 ...
+## $ Date.last.review : chr "2019-12-19" "2018-12-01" "2018-08-09" "2020-02-26" ...
+## $ Number.of.reviews.per.month: num 0.16 0.05 0.06 3.41 6.16 0.4 3.43 1.64 2.74 0.44 ...
+## $ Rooms.rent.by.the.host : int 3 36 1 2 1 3 6 2 6 1 ...
+## $ Availibility : int 173 0 177 347 286 106 125 47 0 301 ...
+## $ Updated.Date : chr "2020-06-19" "2020-07-17" "2020-07-17" "2020-07-17" ...
+## $ City : chr "Florence" "Madrid" "Madrid" "Madrid" ...
+## $ Country : chr "Italy" "Spain" "Spain" "Spain" ...
+## $ Coordinates : chr "43.78225294444298, 11.241335882500344" "40.421911823829916, -3.716298875039167" "40.42205487717857, -3.6889613202974916" "40.41573794398538, -3.7044166450981693" ...
+## $ Location : chr "Italy, Florence, Centro Storico" "Spain, Madrid, Argüelles" "Spain, Madrid, Recoletos" "Spain, Madrid, Sol" ...Vemos que tenemos variables categóricas como
+Room.type, Neighbourhood, City y Country que no se están
+tomando como tal, sino como character. Lo mismo sucede con
+las fechas.
Con esta información, vamos a proceder a hacer las conversiones +necesarias:
+Tratamiento datos
+Conversión de variables
+Para asegurar la integridad del dataframe original mientras
+realizamos cambios, primero crearemos una copia del mismo. Todas las
+modificaciones y análisis se realizarán en esta copia, denominada
+airbnb_data.
airbnb_data <- data.frame(airbnb_data_raw)Como hemos visto arriba, hay columnas que deberían ser de diferente +clase.
+str(airbnb_data[, c("Date.last.review", "Updated.Date", "Room.type", "Neighbourhood", "City", "Country")])## 'data.frame': 21278 obs. of 6 variables:
+## $ Date.last.review: chr "2019-12-19" "2018-12-01" "2018-08-09" "2020-02-26" ...
+## $ Updated.Date : chr "2020-06-19" "2020-07-17" "2020-07-17" "2020-07-17" ...
+## $ Room.type : chr "Private room" "Entire home/apt" "Entire home/apt" "Private room" ...
+## $ Neighbourhood : chr "Centro Storico" "Argüelles" "Recoletos" "Sol" ...
+## $ City : chr "Florence" "Madrid" "Madrid" "Madrid" ...
+## $ Country : chr "Italy" "Spain" "Spain" "Spain" ...Data.last.review y Update.Date.
Deberían ser fecha: Ya que ambas variables permiten +cálculos como la diferencia de días entre eventos o agrupación por +períodos de tiempo (por ejemplo, mes, año), lo cual sería difícil si +estas variables fueran tratadas como character.
+Room.type, Neighbourhood, City y Country
Deberían ser categóricas: Ya que agrupan los datos +usando etiquetas textuales y facilitan análisis por segmentos. Además, +no representan cantidades ni establecen un orden, características +típicas de las variables categóricas.
+Data.last.review y Update.Date
+Convertimos ambas columnas a fechas:
+# Convertir la columna Date.last.review a tipo fecha
+airbnb_data$Date.last.review <- as.Date(airbnb_data$Date.last.review, format = "%Y-%m-%d")
+
+# Convertir la columna Updated.Date a tipo fecha
+airbnb_data$Updated.Date <- as.Date(airbnb_data$Updated.Date, format = "%Y-%m-%d")Comprobamos que se ha realizado con éxito el cambio:
+str(airbnb_data[, c("Date.last.review", "Updated.Date")])## 'data.frame': 21278 obs. of 2 variables:
+## $ Date.last.review: Date, format: "2019-12-19" "2018-12-01" ...
+## $ Updated.Date : Date, format: "2020-06-19" "2020-07-17" ...Como podemos comprobar arriba, el cambio se hizo correctamente.
+Data.last.review y Update.Date son ahora fechas.
Room.type, Neighbourhood, City y Country
+Convertimos estas variables en categóricas.
+# Convertir columnas a factores (categóricas)
+airbnb_data$Room.type <- as.factor(airbnb_data$Room.type)
+airbnb_data$Neighbourhood <- as.factor(airbnb_data$Neighbourhood)
+airbnb_data$City <- as.factor(airbnb_data$City)
+airbnb_data$Country <- as.factor(airbnb_data$Country)Nos aseguramos que los cambios se han hecho bien:
+summary(airbnb_data[, c("Room.type", "Neighbourhood", "City", "Country")])## Room.type Neighbourhood City
+## Entire home/apt:12719 Embajadores: 2559 Madrid :21255
+## Hotel room : 221 Universidad: 2059 Girona : 6
+## Private room : 8006 Palacio : 1490 Barcelona : 5
+## Shared room : 332 Sol : 1366 Mallorca : 2
+## Justicia : 1116 San-francisco: 2
+## Cortes : 976 Brussels : 1
+## (Other) :11712 (Other) : 7
+## Country
+## Spain :21269
+## Italy : 2
+## United states: 2
+## Australia : 1
+## Belgium : 1
+## Portugal : 1
+## (Other) : 2Con la información de arriba, comprobamos que efectivamente que
+Room.type, Neighbourhood, City y Country son ahora
+variables catégoricas.
City y Country
+Podemos notar que en City y Country, hay algo que llama
+la atención. Se incluyen otras ciudades y países que no deberían
+estar.
summary(airbnb_data[, c("City", "Country")])## City Country
+## Madrid :21255 Spain :21269
+## Girona : 6 Italy : 2
+## Barcelona : 5 United states: 2
+## Mallorca : 2 Australia : 1
+## San-francisco: 2 Belgium : 1
+## Brussels : 1 Portugal : 1
+## (Other) : 7 (Other) : 2Vemos que no todos los registros que pertenecen a España, son de +Madrid.
+Hacemos un filtrado en el que solo mantenemos las filas donde el
+valor de la columna City es Madrid.
# Filtrar el dataset para mantener solo las filas donde la ciudad es Madrid
+airbnb_data <- airbnb_data |> filter(City == "Madrid")Una vez hecho el filtro, verificamos que en City, no
+aparezca nada que no sea Madrid.
# Verificar que sólo quedan entradas de Madrid en el dataset original
+summary(airbnb_data[, c("City", "Country")])## City Country
+## Madrid :21255 Spain :21255
+## Barcelona: 0 Australia: 0
+## Brussels : 0 Belgium : 0
+## Florence : 0 Italy : 0
+## Girona : 0 Portugal : 0
+## Istanbul : 0 Turkey : 0
+## (Other) : 0 (Other) : 0La información de arriba, es lo que esperabamos, solo quedan los
+registros de Madrid.
+Sin embargo siguen apareciendo otros niveles tanto en
+City y Country. Ya no los necesitamos, así los vamos a
+eliminar.
airbnb_data$City <- droplevels(airbnb_data$City)
+airbnb_data$Country <- droplevels(airbnb_data$Country)
+
+#Verificamos que solo queden los niveles deseados en City y Country
+summary(airbnb_data[, c("City", "Country")])## City Country
+## Madrid:21255 Spain:21255Neighbourhood
+Hemos notado que en los barrios, parecen haber barrios que no +pertenecen a Madrid. Vamos a verlo:
+# Revisamos las frecuencias de cada barrio
+table_neighbourhoods <- table(airbnb_data$Neighbourhood)
+
+# Mostrar los barrios con frecuencia cero
+zero_freq_neighbourhoods <- table_neighbourhoods[table_neighbourhoods == 0]
+print(zero_freq_neighbourhoods)##
+## Areeiro Arenal Blanes
+## 0 0 0
+## Bruxelles Camden Castell-Platja d'Aro
+## 0 0 0
+## Catania Centro Storico Excelsior
+## 0 0 0
+## Fatih les Tres Torres Palma de Mallorca
+## 0 0 0
+## Roses Sants Sydney
+## 0 0 0Vemos que hay 0 alojamientos en Madrid, para esos barrios, porque no +son barrios madrileños. Eliminamos esos niveles.
+# Eliminar esos niveles del factor
+airbnb_data$Neighbourhood <- droplevels(airbnb_data$Neighbourhood)Ahora podemos comprobar, que esos niveles se ha removido:
+# Verificar nuevamente las frecuencias para confirmar que los niveles cero han sido eliminados
+table(airbnb_data$Neighbourhood)##
+## Abrantes Acacias
+## 48 210
+## Adelfas Aeropuerto
+## 78 14
+## Aguilas Alameda de Osuna
+## 55 62
+## Almagro Almenara
+## 221 93
+## Almendrales Aluche
+## 68 102
+## Ambroz Amposta
+## 20 13
+## Apostol Santiago Arapiles
+## 25 203
+## Aravaca Arcos
+## 38 51
+## Argüelles Atocha
+## 307 20
+## Bellas Vistas Berruguete
+## 169 154
+## Buenavista Butarque
+## 75 13
+## Campamento Canillas
+## 29 111
+## Canillejas Cármenes
+## 87 59
+## Casa de Campo Casco Histórico de Barajas
+## 104 36
+## Casco Histórico de Vallecas Casco Histórico de Vicálvaro
+## 86 49
+## Castellana Castilla
+## 200 61
+## Castillejos Chopera
+## 147 156
+## Ciudad Jardín Ciudad Universitaria
+## 93 75
+## Colina Comillas
+## 22 97
+## Concepción Corralejos
+## 107 17
+## Cortes Costillares
+## 976 43
+## Cuatro Caminos Cuatro Vientos
+## 224 9
+## Delicias El Goloso
+## 195 14
+## El Pardo El Plantío
+## 3 6
+## El Viso Embajadores
+## 96 2559
+## Entrevías Estrella
+## 47 32
+## Fontarrón Fuente del Berro
+## 51 147
+## Fuentelareina Gaztambide
+## 3 250
+## Goya Guindalera
+## 347 264
+## Hellín Hispanoamérica
+## 29 112
+## Horcajo Ibiza
+## 4 196
+## Imperial Jerónimos
+## 136 104
+## Justicia La Paz
+## 1116 29
+## Legazpi Lista
+## 57 209
+## Los Angeles Los Rosales
+## 31 62
+## Lucero Marroquina
+## 97 28
+## Media Legua Mirasierra
+## 21 36
+## Moscardó Niño Jesús
+## 106 48
+## Nueva España Numancia
+## 64 204
+## Opañel Orcasitas
+## 96 13
+## Orcasur Pacífico
+## 27 212
+## Palacio Palomas
+## 1490 17
+## Palomeras Bajas Palomeras Sureste
+## 82 40
+## Palos de Moguer Pavones
+## 373 5
+## Peñagrande Pilar
+## 76 70
+## Pinar del Rey Piovera
+## 92 32
+## Portazgo Pradolongo
+## 55 40
+## Prosperidad Pueblo Nuevo
+## 156 140
+## Puerta Bonita Puerta del Angel
+## 75 339
+## Quintana Recoletos
+## 115 332
+## Rejas Rios Rosas
+## 92 217
+## Rosas Salvador
+## 105 28
+## San Andrés San Cristobal
+## 49 21
+## San Diego San Fermín
+## 204 35
+## San Isidro San Juan Bautista
+## 168 32
+## San Pascual Santa Eugenia
+## 40 10
+## Simancas Sol
+## 131 1366
+## Timón Trafalgar
+## 59 394
+## Universidad Valdeacederas
+## 2059 117
+## Valdefuentes Valdemarín
+## 105 6
+## Valdezarza Vallehermoso
+## 57 79
+## Valverde Ventas
+## 100 181
+## Vinateros Vista Alegre
+## 20 120
+## Zofío
+## 53No aparece ningún nivel con frecuencia 0.
+Availibility
+Transformamos la columna Availibility
+en una variable categórica, definiendo rangos específicos que
+representan distintos niveles de disponibilidad.
+
+Esta categorización nos permite analizar y visualizar la información de
+forma más eficiente.
# Rangos de disponibilidad y sus etiquetas
+breaks <- c(-1, 0, 30, 60, 90, 180, 365)
+labels <- c("No disponible", "Hasta 30 días", "31 a 60 días", "61 a 90 días", "91 a 180 días", "181 a 365 días")
+
+# Categorizar 'Availability' usando cut()
+airbnb_data$Availability_Cat <- cut(airbnb_data$Availibility, breaks = breaks, labels = labels, include.lowest = TRUE)
+
+
+airbnb_data$Availability_Cat<- as.factor(airbnb_data$Availability_Cat)Realizamos una revisión de la nueva columna para asegurarnos de que +la asignación de categorías se hizo correctamente
+summary(airbnb_data$Availability_Cat)## No disponible Hasta 30 días 31 a 60 días 61 a 90 días 91 a 180 días
+## 5465 1519 815 1982 3288
+## 181 a 365 días
+## 8186Coordinates
+La columna Coordinates contiene pares
+de valores separados por comas que representan la latitud y longitud
+geográfica
head(airbnb_data$Coordinates)## [1] "40.421911823829916, -3.716298875039167"
+## [2] "40.42205487717857, -3.6889613202974916"
+## [3] "40.41573794398538, -3.7044166450981693"
+## [4] "40.421747567976034, -3.710994512030235"
+## [5] "40.391493766002014, -3.6450831761057922"
+## [6] "40.418435611771486, -3.7013169106966464"Dividimos Coordinates en dos columnas,
+Latitude y Longitude que representan las coordenadas geográficas.
# Asegurándonos de que la columna Coordinates está en formato de string
+airbnb_data$Coordinates <- as.character(airbnb_data$Coordinates)
+
+# Separar la columna Coordinates en dos nuevas columnas: Latitude y Longitude
+airbnb_data<- airbnb_data |>
+ separate(Coordinates, into = c("Latitude", "Longitude"), sep = ",", convert = TRUE)Nos aseguramos de que el cambio se ha hecho efectivo:
+str(airbnb_data[, c("Latitude", "Longitude")])## 'data.frame': 21255 obs. of 2 variables:
+## $ Latitude : num 40.4 40.4 40.4 40.4 40.4 ...
+## $ Longitude: num -3.72 -3.69 -3.7 -3.71 -3.65 ...Como podemos comprobar, ahora la columna
+Coordinates se ha convertido en 2:
+Latitude y Longitude
Location
+Parece que la columna Location es la combinación de
+Country, City, y Neighbourhood. Vamos a probarlo:
#Crea una nueva columna temporal llamada Combined que combina Country,City y Neighbourhood, separados por ",".
+
+airbnb_data <- airbnb_data |> mutate(Combined = paste(Country, City, Neighbourhood, sep = ", "))
+
+#Compara la columna Location con la columna Combined para verificar si son iguales.
+
+airbnb_data <- airbnb_data |> mutate(Location_Match = Location == Combined)Se ha creado una nueva columna
+Combined, combinando los valores de
+Country,
+City y
+Neighbourhood con comas como separadores.
+Luego se añade la columna Location_Match
+para probar si esta combinación coincide exactamente con los valores de
+Location. Si coinciden
+Combined y Location devuelve
+True, sino False.
Ahora contamos cuantas filas tienen True, en
+Location_Match
#Revisa cuánto filas de Location_Match tienen true
+
+table(airbnb_data$Location_Match)##
+## TRUE
+## 21255El número de filas, coincide con el número registros totales del +dataset.
+Location es, por tanto, redundante; por lo que se puede
+eliminar.
También elimaremos las columnas temporales que creamos para llegar a
+esta conclusiónLocation_Match y Combined:
#Eliminar Location, Location_Match y Combined
+airbnb_data <- select(airbnb_data, -Location)
+airbnb_data <- select(airbnb_data, -Location_Match)
+airbnb_data <- select(airbnb_data, -Combined)Estudio de los valores nulos y ceros.
+Creamos un dataframe solo con las columnas que tienen nulos o +ceros
+# Dataframe con la contabilización de Nulos y Ceros
+resultados <- data.frame(
+ NA_Count = colSums(is.na(airbnb_data)),
+ Zero_Count = colSums(airbnb_data == 0, na.rm = TRUE)
+)
+
+# Filtrar y mostrar solo las filas con NA o ceros
+resultados_con_NA_o_ceros <- resultados[apply(resultados, 1, function(x) any(x > 0)), ]
+print(resultados_con_NA_o_ceros)## NA_Count Zero_Count
+## Room.Price 0 1
+## Number.of.reviews 0 5400
+## Date.last.review 5400 0
+## Number.of.reviews.per.month 5400 0
+## Availibility 0 5465La columna NA_Count muestra la cantidad
+de valores nulos en cada variable, mientras que
+Zero_Count indica cuántas veces aparece el
+valor cero.
Room.Price carece de nulos pero tiene
+un cero, lo que puede indicar una oferta sin coste o un error.
+Number.of.reviews tiene 5400 ceros,
+mostrando que muchas propiedades no han sido evaluadas. Las columnas
+Date.last.review y
+Number.of.reviews.per.month tienen 5400
+NAs cada una, sugiriendo que muchas propiedades no han sido revisadas
+recientemente. Availability no tiene NAs
+pero presenta 5465 ceros, indicando una alta cantidad de propiedades no
+disponibles.
Abajo, podemos ver un gráfico que ilustra todas las atributos que +tienen valores nulos. Enseñandonos su porcentaje con respecto al total +de datos.
+Los valores nulos de Date.last.review y
+Number.of.reviews.per.month representan alrededor del 25%
+de sus datos.
library(visdat)
+library(naniar)
+vis_miss(airbnb_data, sort_miss = TRUE)
Tratamiento de los valores nulos y ceros.
+Room.Price
+Tiene un solo registro con valor cero.
+paste("Total suma de filas de Room.Price con ceros:", sum(airbnb_data$Room.Price == 0))## [1] "Total suma de filas de Room.Price con ceros: 1"Eliminamos ese registro porque probablemente es un error de entrada, +ya que es poco probable que una habitación de hotel tenga un coste cero. +Este error podría distorsionar nuestro análisis estadístico y posterior +modelo predictivo. Eliminando este dato, aseguramos la calidad y +consistencia del dataset.
+Number.of.reviews, Date.last.review y
+Number.of.reviews.per.month.
+Vemos que existe la misma cantidad de ceros en
+Number.of.reviews, que nulos en
+Date.last.review y
+Number.of.reviews.per.month.
¿Están relacionados estos tres valores?
+Vamos a verlo:
+# Añadir una columna temporal para verificar la condición
+airbnb_data <- airbnb_data |>
+ mutate(
+ check = Number.of.reviews == 0 & is.na(Date.last.review) & is.na(Number.of.reviews.per.month)
+ )
+
+# Sumar para comprobar la condición basada en Number.of.reviews
+result <- airbnb_data |>
+ filter(Number.of.reviews == 0) |>
+ summarise(
+ Total_Zero_Reviews = n(),
+ Correct_Cases = sum(check)
+ )
+
+print(result)## Total_Zero_Reviews Correct_Cases
+## 1 5400 5400Creamos una columna llamada check. Esta columna nos
+ayuda a ver si el número de reseñas = 0 y, al mismo
+tiempo, si las
+fechas de la última reseña y el promedio de reseñas por mes están vacíos.
+Si se cumplen estas condiciones, la columna indica
+True; si no, muestra False.
Comparamos, la columna check con la cuenta de los
+registros donde el número de reseñas es cero.
Este paso nos permite comprobar si nuestra teoría sobre la relación +entre estas variables se sostiene.
+Y si, tiene sentido, ya que si un alojamiento no ha recibido +reseñas, no podría tener una fecha de última reseña ni un promedio de +reseñas mensuales.
+Ahora elimaremos la columna temporal check.
#Eliminar check
+airbnb_data <- select(airbnb_data, -check)Categorización de Number.of.reviews y
+Number.of.reviews.per.month
+Vamos a categorizar Number.of.reviews y
+Number.of.reviews.per.monthpara un mejor análisis
Empezamos colocando ceros en los valores nulos de
+Number.of.reviews.per.month, paraasegurarmos podamos operar
+sobre esta columna, más adelante.
sum(is.na(airbnb_data$Number.of.reviews.per.month))## [1] 5400Tenemos 5400 registros vacíos de
+Number.of.reviews.per.month.
Sustituimos NA por el valor cero.
+# Sustituir directamente los NA por 0 en la columna específica
+airbnb_data$Number.of.reviews.per.month[is.na(airbnb_data$Number.of.reviews.per.month)] <- 0#Calculo el total de filas con NA
+paste("Total suma de filas NA:", sum(is.na(airbnb_data$Number.of.reviews.per.month)))## [1] "Total suma de filas NA: 0"#Calculo el total de filas con ceros
+paste("Total suma de filas con ceros:", sum(airbnb_data$Number.of.reviews.per.month == 0))## [1] "Total suma de filas con ceros: 5400"Como podemos comprobar, el cambio se ha hecho correctamente. Los
+5400 registros vacíos de
+Number.of.reviews.per.month ahora contienen ceros.
+Ahora categorizamos la variable:
airbnb_data <- airbnb_data |>
+ mutate(
+ Review_category = factor(
+ cut(
+ Number.of.reviews.per.month,
+ breaks = c(-Inf, 0, 1, 5, Inf), # Incluyendo la categoría de "sin reseñas" en los breaks
+ labels = c('sin reseñas', '0-1/mes', '1-5/mes', '+5/mes'),
+ include.lowest = TRUE,
+ right = TRUE
+ )
+ )
+ )
+
+
+summary(airbnb_data$Review_category)## sin reseñas 0-1/mes 1-5/mes +5/mes
+## 5400 8771 6452 632#NOTA:
+#El intervalo sin reseñas, incluye todos los ceros
+#El intervalo 0-1/mes, incluye los valores desde 0.01 reviews.per.month a 1 (incluido)
+#El intervalo 1-5/mes, incluye los valores desde 1,01 reviews.per.month a 5 (incluido) y asi sucesivamente Si el valor es cero, lo categorizamos como “sin reseñas”. Luego, los
+valores se dividen en los siguientes rangos: 0-1/mes, 1-5/mes, +5/mes.
+Finalmente, creamos una nueva variable llamada
+Review_category que contiene estas
+categorías.
Ahora categorizamos la variable Number.of.reviews:
airbnb_data <- airbnb_data |>
+ mutate(
+ Review_Count_Category = factor(
+ cut(
+ Number.of.reviews,
+ breaks = c(-Inf, 0, 1, 10, 50, 100, Inf), # Incluyendo la condición de 0 reseñas directamente en los breaks
+ labels = c('sin reseñas', '1 reseña', '2-10 reseñas', '11-50 reseñas', '51-100 reseñas', '+ 101 reseñas'),
+ include.lowest = TRUE,
+ right = TRUE
+ ),
+ levels = c('sin reseñas', '1 reseña', '2-10 reseñas', '11-50 reseñas', '51-100 reseñas', '+ 101 reseñas')
+ )
+ )
+
+# Puedes verificar el resultado con:
+summary(airbnb_data$Review_Count_Category)## sin reseñas 1 reseña 2-10 reseñas 11-50 reseñas 51-100 reseñas
+## 5400 1791 4871 4749 2078
+## + 101 reseñas
+## 2366#NOTA:
+#El intervalo sin reseñas, incluye todos los ceros
+#El intervalo1 reseña, incluye solos los valor 1
+#El intervalo '2-10 reseñas', incluye los valores desde 2 a 10 (incluido)
+#El intervalo '11-50 reseñas', incluye los valores desde 11 a 50 (incluido) y asi sucesivamente Si hay cero reseñas, se etiqueta como “sin reseñas”. De lo contrario,
+se divide en varios rangos, como 1 reseña, 2-10 reseñas, 11-50 reseñas,
+etc. Luego, se crea una nueva variable llamada
+Review_Count_Category con estas
+categorías.
Date.last.review
+Es fundamental considerar la actualidad de la información y su
+influencia en los análisis y decisiones basadas en estos datos. Vamos a
+calcular la cantidad de días transcurridos desde la última review hasta
+la fecha de extracción de los datos*.
*La fecha de extracción, ha sido obtenida directamente del apartado de "Information --> Last processing -> data" del dataset: Information Airbnb Listings en OpenDataSoft.
# Calcular el número de días desde la última revisión hasta la fecha de extracción
+#La fecha del ultimo scrapping fue
+date_scraped <- as.Date("2020-08-07")
+
+#Calculamos la diferencia entre ambas fechas
+airbnb_data$time_since_last_review <- as.numeric(difftime(date_scraped, airbnb_data$Date.last.review, units = "days"))Se calcula el tiempo transcurrido en días desde la fecha de
+extracción de datos, representada por “2020-08-07”, hasta la fecha de la
+última reseña. La diferencia se almacena en una nueva columna llamada
+time_since_last_review
Ahora veamos la distribución de los datos en
+time_since_last_review
# Histograma del tiempo transcurrido desde la última reseña
+ggplot(airbnb_data, aes(x = time_since_last_review)) +
+ geom_histogram(bins = 30, fill = "#69b3a2", color = "#e9ecef") + # Colores personalizados para las barras
+ theme_minimal() +
+ theme(
+ text = element_text(family = "Helvetica", size = 12), # Cambia la fuente y el tamaño del texto
+ plot.title = element_text(face = "bold", hjust = 0.5), # Negrita y centrado para el título
+ plot.subtitle = element_text(face = "italic", hjust = 0.5), # Subtítulo en cursiva y centrado
+ axis.title = element_text(face = "bold", size = 13) # Títulos de los ejes en negrita y tamaño aumentado
+ ) +
+ labs(
+ title = "Distribución de días desde la última reseña",
+ subtitle = "Visualización de la frecuencia de días transcurridos",
+ x = "Días desde la última reseña", y = "Frecuencia"
+ )## Warning: Removed 5400 rows containing non-finite outside the scale range
+## (`stat_bin()`).
La mayoría de las reseñas se agrupan en los primeros 250 días, donde +vemos que los datos se concentran entre 0 y 50 días, lo que indica que +muchas propiedades fueron reseñadas poco antes de la fecha en que se +extrajeron los datos.
+Después de este pico inicial, se ve una disminución gradual en la +cantidad de reseñas a medida que aumentan los días desde la última +reseña, lo que sugiere una menor actividad en propiedades con reseñas +más antiguas.
+En el gráfico, se eliminaron 5400 filas que contenían valores nulos .
+Dado que estas filas no tienen la fecha de la última reseña
+(Date.last.review es nulo), el cálculo de
+los días transcurridos desde la última reseña hasta la fecha de
+extracción también resulta en valores nulos.
Para poder realizar un mejor análisis de los datos, vamos a
+categorizar las nueva columna:
+time_since_last_review
airbnb_data <- airbnb_data |>
+ mutate(
+ Time_category = factor(
+ if_else(
+ is.na(time_since_last_review),
+ 'sin reseñas', # Asignar directamente 'sin reseñas' si el valor es NA
+ cut( # Usar cut solo en valores no-NA
+ time_since_last_review,
+ breaks = c(0, 60, 182, 365, Inf), # Definiendo los rangos
+ labels = c('hasta 8 semanas', '8 semanas - 6 meses', '6-12 meses', '1+ año'),
+ include.lowest = TRUE,
+ right = TRUE
+ )
+ ),
+ levels = c('sin reseñas', 'hasta 8 semanas', '8 semanas - 6 meses', '6-12 meses', '1+ año')
+ )
+ )
+
+summary(airbnb_data$Time_category)## sin reseñas hasta 8 semanas 8 semanas - 6 meses 6-12 meses
+## 5400 1672 7150 3802
+## 1+ año
+## 3231#NOTA:
+#El intervalo sin reseñas, incluye todos los nulos
+#El intervalo hasta 8 semanas, incluye los valores hasta e 60 (incluida)
+#El intervalo 8 semanas - 6 meses, incluye los valores desde 61 a 182 (incluido) y asi sucesivamente Una vez categorizada
+time_since_last_review , ya no es
+necesaria para los siguientes pasos, porque usaremos
+Time_category, en su lugar; así que la
+eliminamos:
#Eliminar time_since_last_review
+airbnb_data <- select(airbnb_data, -time_since_last_review)Availibility
+#Calculo el total de filas con ceros
+paste("Total suma de filas con ceros en la columna Availibility es:", sum(airbnb_data$Availibility == 0))## [1] "Total suma de filas con ceros en la columna Availibility es: 5465"Los ceros de Availibility, se han
+tratado en la columna Availibility_Cat
+como alojamientos “No disponibles”
paste("Total suma de filas con 'No disponible' en la columna Availability_Cat es:", sum(airbnb_data$Availability_Cat == "No disponible"))## [1] "Total suma de filas con 'No disponible' en la columna Availability_Cat es: 5465"Vemos que el recuento de “No disponible” en
+Availibility_Cat, coincide con el recuento
+de ceros en Availibility.
Una vez categorizada Availibility, y
+comprobando que el tratamiento de ceros, se ha realizado correctamente,
+ya no es necesaria para los siguientes pasos. Usaremos
+Availibility_Cat, en su lugar, así que la
+eliminamos:
#Eliminar Availibility
+airbnb_data <- select(airbnb_data, -Availibility)Comprobación de Duplicados
+Veamos sin en nuestro dataset, hay filas duplicadas.
+filas_duplicadas <- airbnb_data[duplicated(airbnb_data), ]
+if (nrow(filas_duplicadas) == 0) {
+ print("No hay filas duplicadas en el dataset.")
+} else {
+ print("Se han encontrado filas duplicadas en el dataset.")
+}## [1] "No hay filas duplicadas en el dataset."Utilizamos duplicated() para crear un
+vector que identifica filas repetidas en
+airbnb_data, almacenando dichas filas en
+filas_duplicadas. Luego, contamos cuantas
+filas hay en filas_duplicadas, con nrow().
El resultado es que no hay filas duplicadas.
+Resumen cambios en las variables.
+Resumen de las transformaciones aplicadas:
+1. Date.last.review y Updated.Date
+-
+
- Convertidas a formato de fecha (
%Y-%m-%d).
+ - Calculada la diferencia en días desde la fecha del último scraping
+(
2020-08-07) hastaDate.last.review. El +resultado se almacena enTime_categoryy se categoriza en: +-
+
- “sin reseñas” (casos donde la fecha es nula) +
- “hasta 8 semanas” +
- “8 semanas - 6 meses” +
- “6-12 meses” +
- “1+ año” +
+
2. Room.type, Neighbourhood, City, Country
+-
+
- Transformadas en variables categóricas (factores) para facilitar +análisis por segmentos. +
3. Availability
+-
+
Categorizada en la columna
+Availibility_Catdesde ‘No +disponible’ hasta ‘181 a 365 días’ en rangos que representan distintos +niveles de disponibilidad:-
+
- “No disponible” (para alojamientos con cero días disponibles) +
- “Menos de 30 días” +
- “31 a 60 días” +
- “61 a 90 días” +
- “91 a 180 días” +
- “181 a 365 días” +
+Tras categorizar
Availibilityy comprobar que el +tratamiento de ceros, en la nueva columna Availibility_Cat era correcto. +Availibility se eliminó.
+
4. City
+-
+
- Filtrados los datos para incluir solo entradas de Madrid. +
5. Coordinates
+-
+
- Separada en dos columnas numéricas:
Latitudey +Longitude.
+
6. Location
+-
+
- Eliminada tras confirmar redundancia con
Country, +City, yNeighbourhood.
+
7. Number.of.reviews & Number.of.reviews.per.month
+-
+
- Análisis de valores nulos y ceros; categorizados para facilitar
+análisis:
+
-
+
Review_Count_Category (basado en +
+Number.of.reviews):-
+
- “sin reseñas” +
- “1 reseña” +
- “2-10 reseñas” +
- “11-50 reseñas” +
- “51-100 reseñas” +
- “+ 101 reseñas” +
+Review_category (basado en +
+Number.of.reviews.per.month):-
+
- “sin reseñas” (incluye registros con ceros) +
- “0-1/mes” +
- “1-5/mes” +
- “+5/mes” +
+
+
8. Neighbourhood
+-
+
- Filtrados los datos para incluir solo barrios de Madrid. +
También se ha comprobado que no existan duplicados en el dataset.
+Análisis Descriptivo
+Análisis Outliers
+Outliers variables numéricas
+# Boxplot para Room.Price
+ggplot(airbnb_data, aes(y = Room.Price)) +
+ geom_boxplot(fill = "lightblue", color = "darkblue") +
+ labs(title = "Distribución del Precio de la Habitación",
+ y = "Precio (€)",
+ x = "") +
+ theme_minimal()
# Boxplot para Minimum.nights
+ggplot(airbnb_data, aes(y = Minimum.nights)) +
+ geom_boxplot(fill = "lightgreen", color = "darkgreen") +
+ labs(title = "Distribución del Número Mínimo de Noches Requeridas",
+ y = "Número Mínimo de Noches",
+ x = "") +
+ theme_minimal()
# Boxplot para Rooms.rent.by.the.host
+ggplot(airbnb_data, aes(y = Rooms.rent.by.the.host)) +
+ geom_boxplot(fill = "lightyellow", color = "goldenrod") +
+ labs(title = "Distribución del Número de Habitaciones alquiladas por el host",
+ y = "Habitaciones alquiladas por el host",
+ x = "") +
+ theme_minimal()
library(dplyr)
+library(tidyr) # Para pivotar el dataframe
+
+# Filtrar sólo columnas numéricas
+numeric_data <- airbnb_data %>%
+ select(where(is.numeric))
+
+# Calcular y mostrar el porcentaje de outliers para cada columna numérica
+outliers_summary <- numeric_data %>%
+ summarise(across(everything(), ~ {
+ q1 <- quantile(., 0.25, na.rm = TRUE)
+ q3 <- quantile(., 0.75, na.rm = TRUE)
+ irq <- q3 - q1
+ lower_bound <- q1 - 1.5 * irq
+ upper_bound <- q3 + 1.5 * irq
+ perc_outliers <- mean(. < lower_bound | . > upper_bound, na.rm = TRUE) * 100
+ sprintf("%.2f%%", perc_outliers)
+ }, .names = "outliers_in_{.col}")) %>%
+ pivot_longer(cols = everything(), names_to = "Variable", values_to = "Percentage_Outliers")
+
+# Imprimir el resumen de outliers como una tabla
+print(outliers_summary)## # A tibble: 9 × 2
+## Variable Percentage_Outliers
+## <chr> <chr>
+## 1 outliers_in_Room.ID 0.00%
+## 2 outliers_in_Host.ID 0.00%
+## 3 outliers_in_Room.Price 11.40%
+## 4 outliers_in_Minimum.nights 11.39%
+## 5 outliers_in_Number.of.reviews 11.77%
+## 6 outliers_in_Number.of.reviews.per.month 6.72%
+## 7 outliers_in_Rooms.rent.by.the.host 15.43%
+## 8 outliers_in_Latitude 8.48%
+## 9 outliers_in_Longitude 11.83%Al analizar los outliers de los atributos numéricos, percibimos que +aquellos que tienen datos extraños son el precio por habitación, +el mínimo de noches, el número de reviews, el número de reviews por mes, +las habitaciones alquiladas por cada host, latitud y longitud. +Estos datos se normalizarán en el paso siguiente de pre-procesamiento. +Por otra parte, el Room ID y el Host ID no presentan +outliers.
+Outliers variables catégoricas
+library(dplyr)
+library(tidyr)
+library(purrr)
+library(ggplot2)
+
+# Filtrar solo columnas categóricas de tipo factor
+categorical_data <- airbnb_data %>%
+ select(where(is.factor))
+
+# Calcula las tablas de frecuencia para cada variable categórica, las ordena y crea gráficos
+graphs <- imap(categorical_data, ~ {
+ freq <- table(.x)
+ df <- tibble(
+ Category = names(freq),
+ Frequency = as.integer(freq),
+ Percentage = round(100 * prop.table(freq), 2)
+ ) %>%
+ arrange(desc(Percentage))
+
+ # Verificar si estamos trabajando con la variable 'Neighbourhood'
+ if (.y == "Neighbourhood") {
+ # Filtrar para obtener los top 3 y bottom 10
+ df <- df %>%
+ mutate(Position = ifelse(row_number() <= 3, "Top 3",
+ ifelse(row_number() > n() - 10, "Bottom 10", "Otros"))) %>%
+ filter(Position != "Otros") %>%
+ arrange(desc(Frequency))
+ # Crear un gráfico para la variable 'Neighbourhood'
+ ggplot(df, aes(x = reorder(Category, -Frequency), y = Frequency, fill = Position)) +
+ geom_bar(stat = "identity") +
+ labs(title = "Top 3 y Bottom 10 Barrios por Frecuencia",
+ x = "Barrio",
+ y = "Frecuencia") +
+ theme_minimal() +
+ coord_flip()
+ } else {
+ # Crear un gráfico para cualquier otra variable categórica
+ ggplot(df, aes(x = reorder(Category, -Percentage), y = Percentage, fill = Category)) +
+ geom_bar(stat = "identity") +
+ labs(title = paste("Tabla de Frecuencia para la Variable:", .y),
+ x = "Categoría",
+ y = "Porcentaje (%)") +
+ theme_minimal() +
+ coord_flip()
+ }
+})
+
+# Iterar sobre la lista de gráficos y imprimir cada uno
+walk(graphs, ~ suppressWarnings(print(.x)))
## Don't know how to automatically pick scale for object of type <table>.
+## Defaulting to continuous.
## Don't know how to automatically pick scale for object of type <table>.
+## Defaulting to continuous.
## Don't know how to automatically pick scale for object of type <table>.
+## Defaulting to continuous.
## Don't know how to automatically pick scale for object of type <table>.
+## Defaulting to continuous.
## Don't know how to automatically pick scale for object of type <table>.
+## Defaulting to continuous.
## Don't know how to automatically pick scale for object of type <table>.
+## Defaulting to continuous.
## Don't know how to automatically pick scale for object of type <table>.
+## Defaulting to continuous.
Para analizar los valores extremos de los atributos +categóricos, hemos utilizado las frecuencias +de cada uno. Gracias a esto, podemos percibir que hay muchos +barrios de Madrid en los que apenas hay listings, mientras que +aquellos en los que más hay son aquellos que se encuentran cerca de la +universidad o cerca del centro. Del mismo modo, podemos ver que las +habitaciones de hotel y las habitaciones compartidas son poco +comunes entre los tipos de habitación. En el resto de variables +categóricas no se perciben valores inusualmente extremos.
+Análisis Variables Categóricas
+1. Neighbourhood
+#Histogramas
+
+# Grafico para barrio
+
+# Calcular la frecuencia de cada barrio
+neighbourhood_freq <- airbnb_data |>
+ count(Neighbourhood) |>
+ arrange(desc(n)) |>
+ top_n(10, n) # Selecciona solo los top 10
+
+# Graficar la distribución por barrio solo para los top 10
+ggplot(neighbourhood_freq, aes(x = n, y = reorder(Neighbourhood, n))) +
+ geom_bar(stat = "identity", fill = "steelblue") + # Cambia el color de las barras
+ theme_minimal() +
+ theme(axis.text.y = element_text(size = 15), # Aumenta el tamaño del texto del eje y
+ plot.title = element_text(size = 22, face = "bold")) + # Aumenta y pone en negrita el título
+ labs(title = "Distribución por Barrio", x = "Frecuencia", y = "Barrio")
Observaciones clave del gráfico:
El gráfico representa la
+frecuencia de listados de Airbnb en los top 10 barrios más populares.
+Cada barra representa un barrio diferente, ordenados de mayor a menor
+frecuencia de arriba hacia abajo.
-
+
Barrios (Eje Y): Desde la parte superior, los +barrios listados son Embajadores, Universidad, Palacio, Sol, Justicia, +Cortes, Trafalgar, Palos de Moguer, Goya, y Puerta del Angel.
+Frecuencia (Eje X): La escala del eje X va desde +0 hasta más de 2000, indicando el número de listados en cada +barrio.
+
El barrio de Embajadores tiene la mayor cantidad de
+listados, seguido por Universidad y Palacio. Los barrios de
+Goya y Puerta del Angel, al final de la lista, tienen
+considerablemente menos listados comparados con los más altos en la
+gráfica.
Suposiciones
-
+
- Los barrios con mayor número de listados, como Embajadores y +Universidad, probablemente demanden precios más altos debido a su +popularidad y atractivos locales. +
2. Room.type
+# Gráfico para Room.type
+ggplot(airbnb_data, aes(x = Room.type)) +
+ geom_bar(fill = "coral") +
+ labs(title = "Distribución por Tipo de Habitación", x = "Tipo de Habitación", y = "Frecuencia")
+Las barras representan la frecuencia de cada tipo de habitación en el
+dataset.
-
+
Tipos de Habitación (Eje X): Las categorías +mostradas son “Entire home/apt” (casa o apartamento completo), “Hotel +room” (habitación de hotel), “Private room” (habitación privada) y +“Shared room” (habitación compartida).
+Frecuencia (Eje Y): El eje vertical muestra la +cantidad de listados, con una escala que va de 0 a más de +10,000.
+
Observaciones clave del gráfico:
-
+
Casa o apartamento completo tiene la frecuencia +más alta, indicando que es el tipo de alojamiento más comúnmente +listado.
+Habitación privada es el segundo tipo más común, +aunque con una frecuencia significativamente menor en comparación con +las casas o apartamentos completos.
+Habitación de hotel y habitación +compartida tienen las menores frecuencias, con la habitación +compartida mostrando la menor popularidad entre los listados.
+
Suposiciones
-
+
- Los alojamientos tipo “Entire home/apt” (casa o apartamento +completo) pueden comandar precios más altos debido a su mayor demanda y +la privacidad que ofrecen. +
3. Availability_Cat
+# Gráfico para Availability_Cat
+ggplot(airbnb_data, aes(x = Availability_Cat)) +
+ geom_bar(fill = "purple") +
+ theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
+ labs(title = "Distribución por Categoría de Disponibilidad", x = "Categoría de Disponibilidad", y = "Frecuencia")
Las barras representan la cantidad de propiedades disponibles según +diferentes rangos de días al año en que están disponibles para ser +alquiladas.
+-
+
Categorías de Disponibilidad (Eje X): Se dividen +en seis categorías distintas: “No disponible”, “Hasta 30 días”, “31 a 60 +días”, “61 a 90 días”, “91 a 180 días”, y “181 a 365 días”.
+Frecuencia (Eje Y): El eje vertical indica la +cantidad de listados, con una escala que va desde 0 hasta más de +8000.
+
Observaciones clave del gráfico:
-
+
No disponible y 181 a 365 días +son las categorías con la mayor frecuencia, indicando que una gran +cantidad de propiedades no están disponibles para alquiler o están +disponibles casi todo el año.
+Las demás categorías presentan una menor frecuencia, con la +categoría “31 a 60 días” mostrando la menor cantidad de propiedades. +Esto sugiere que menos propiedades están disponibles por +períodos intermedios de tiempo.
+Las propiedades que se alquilan por “91 a 180 días” tienen una +frecuencia considerablemente más alta que las de corto plazo pero menor +que las de muy largo plazo, reflejando posiblemente una +preferencia por alquileres de medio término.
+
Suposiciones:
-
+
- Las propiedades listadas como disponibles “181 a 365 días” pueden +establecer precios más altos durante temporadas de alta demanda, +aprovechando su constante disponibilidad. +
4. Time_category
+# Gráfico para Time_category
+ggplot(airbnb_data, aes(x = Time_category)) +
+ geom_bar(fill = "yellow") +
+ labs(title = "Distribución de Time_category (Resta entre Scrapping date y Date.last.review)", x = "Time_category", y = "Frecuencia")
Observaciones clave del gráfico:
El gráfico clasifica las propiedades de Airbnb según el tiempo +transcurrido desde la última reseña, distribuyendo esta información a lo +largo de cinco categorías distintas. El eje X +representa las categorías de tiempo, y el eje Y muestra +la frecuencia de listados en cada categoría.
+-
+
Sin reseñas: Mayor frecuencia, indicando muchas +propiedades sin reseñas recientes.
+Hasta 8 semanas: Frecuencia significativamente +más baja, menos propiedades revisadas recientemente.
+8 semanas - 6 meses: Mayor frecuencia, refleja +un volumen considerable de propiedades con reseñas moderadamente +recientes.
+6-12 meses: Frecuencia más baja que la categoría +“8 semanas - 6 meses”, muestra menos actividad reciente.
+1+ año: Frecuencia similar a “sin reseñas”, +muchas propiedades sin reseñas en el último año.
+
Suposiciones:
-
+
- Propiedades con reseñas recientes (“Hasta 8 semanas”) pueden +aprovechar su reciente popularidad para establecer precios ligeramente +más altos, atrayendo huéspedes que valoran la frescura y la actividad +positiva reciente. +
5. Review_category
+# Gráfico para Review_category
+ggplot(airbnb_data, aes(x = Review_category)) +
+ geom_bar(fill = "green") +
+ labs(title = "Distribución de Review_category", subtitle ="(Categorizacion de Number.of.reviews.per.month)", x = "Review_category", y = "Frecuencia")
Observaciones clave del gráfico:
El gráfico “Distribución de Review_category” muestra la frecuencia de +propiedades de Airbnb según el número de reseñas que reciben por mes. +Las categorías van desde “sin reseñas” hasta “más de 5 reseñas por mes”. +El eje X categoriza el número de reseñas mensuales y el +eje Y muestra la frecuencia de propiedades en cada +categoría.
+-
+
Sin Reseñas: Representa una frecuencia moderada, +lo que indica que un número considerable de propiedades no ha recibido +reseñas.
+0-1/mes: Esta categoría tiene la frecuencia más +alta, sugiriendo que la mayoría de las propiedades reciben entre cero y +una reseña por mes.
+1-5/mes: La segunda categoría más frecuente, +mostrando una actividad moderada en términos de reseñas.
++5/mes: Tiene menos frecuencia en comparación +con las categorías de 0-1 y 1-5 reseñas por mes, lo que indica que pocas +propiedades reciben más de cinco reseñas mensuales.
+
Suposiciones:
-
+
- Propiedades en la categoría “+5/mes” demuestran alta demanda y +satisfacción del cliente, lo que podría justificar precios más elevados +debido a la percepción de calidad y experiencia superior. +
6. Review_Count_Category
+# Gráfico para Review_Count_Category
+ggplot(airbnb_data, aes(x = Review_Count_Category)) +
+ geom_bar(fill = "blue") +
+ labs(title = "Distribución de Review_Count_Category", subtitle ="(Categorizacion de Number.of.reviews)", x = "Review_Count_Category", y = "Frecuencia")
Observaciones clave del gráfico:
El gráfico muestra la distribución de
+propiedades de Airbnb según el número total de reseñas recibidas,
+categorizando desde “sin reseñas” hasta “más de 101 reseñas”. En el
+eje X se categoriza el número total de reseñas y el
+eje Y muestra la frecuencia de propiedades por
+categoría.
-
+
Sin reseñas: Mayor frecuencia, muchas +propiedades sin reseñas.
+1 Reseña: Frecuencia menor que “sin reseñas”, +notable descenso.
+2-10 Reseñas: Mayor que “1 Reseña”, indica +varias propiedades moderadamente revisadas.
+11-50 Reseñas: Frecuencia similar a “2-10 +Reseñas”, refleja estabilidad.
+51-100 Reseñas: Menor que las categorías +intermedias, aún significativa.
++101 Reseñas: La menor frecuencia, pocas +propiedades muy revisadas.
+
Suposiciones:
-
+
- Las propiedades con un alto número de reseñas (51-100 y más de 101 +reseñas) pueden aprovechar su estatus comprobado de popularidad y +satisfacción del cliente para justificar precios más altos y atraer a +huéspedes dispuestos a pagar más por una experiencia de calidad +asegurada. +
Análisis Variables Numéricas
+1. Room.Price
+ggplot(airbnb_data, aes(x = Room.Price)) +
+ geom_density(fill = "lightblue", alpha = 0.7) +
+ labs(title = "Densidad del Precio de la Habitación",
+ x = "Precio (€)",
+ y = "Densidad") +
+ theme_minimal()
Observaciones clave del gráfico:
-
+
Alta concentración de precios bajos: La mayoría +de los precios se agrupan en el extremo inferior, con un pico +pronunciado cerca del origen.
+Cola larga hacia precios altos: Existe una +extensión hacia precios más elevados, indicando que algunas propiedades +son considerablemente más caras.
+Escasez de opciones caras: Los puntos dispersos +hacia el final de la gráfica muestran que las propiedades muy caras son +raras.
+Predominio de opciones económicas: Una gran +proporción de las habitaciones son asequibles, lo que sugiere que Airbnb +es accesible para una amplia gama de usuarios.
+
Suposiciones:
+-
+
- Preferencia por precios bajos: Los huéspedes de +Airbnb probablemente prefieren alojamientos más económicos, ya que hay +una mayor concentración de habitaciones en rangos de precios más +bajos. +
2. Minimum.nights
+ggplot(airbnb_data, aes(x = Minimum.nights)) +
+ geom_density(fill = "lightgreen", alpha = 0.7) +
+ labs(title = "Densidad del Número Mínimo de Noches Requeridas",
+ x = "Número Mínimo de Noches",
+ y = "Densidad") +
+ theme_minimal()
Observaciones clave del gráfico:
-
+
Dominio de estancias cortas: Una gran mayoría de +los listados requieren un número mínimo de noches bajo, indicado por el +pico prominente cerca de cero.
+Raras exigencias de estancias largas: Hay +algunas propiedades que requieren un número significativamente mayor de +noches mínimas, como se observa en los picos menores y la cola hacia el +derecho del gráfico.
+Poca frecuencia en requisitos extremos: El +gráfico tiene una cola muy larga con densidad cercana a cero, lo que +sugiere que es muy poco común que se requieran estancias muy +largas.
+
Suposiciones:
-
+
- Preferencia por flexibilidad: Los huéspedes +prefieren y los anfitriones ofrecen opciones que no exigen compromisos +de estancia prolongada. +
3.
+Rooms.rent.by.the.host
+ggplot(airbnb_data, aes(x = Rooms.rent.by.the.host)) +
+ geom_density(fill = "lightyellow", alpha = 0.7) +
+ labs(title = "Densidad del Número de Habitaciones alquiladas por el Host",
+ x = "Habitaciones alquiladas por el host",
+ y = "Densidad") +
+ theme_minimal()
Observaciones clave del gráfico:
-
+
Concentración en pocos listados: La mayoría de +los hosts en Airbnb alquilan pocas habitaciones, como muestra el pico +pronunciado cerca del origen.
+Cola larga hacia más habitaciones: Existen +algunos hosts que gestionan un número mayor de habitaciones, aunque son +bastante menos frecuentes, evidenciado por la cola larga y baja hacia la +derecha.
+Hosts con múltiples propiedades son raros: La +densidad se reduce drásticamente a medida que aumenta el número de +habitaciones alquiladas, sugiriendo que los hosts con muchas propiedades +son excepcionales.
+
Suposiciones:
+-
+
- Dominio de pequeños operadores: La mayoría de los +hosts probablemente gestionan sus listados a pequeña escala, indicando +que Airbnb sigue siendo una plataforma accesible para individuos o +familias. +
EDA: Análisis Exploratorio de Datos
+Top10 Barrios Más Populares Airbnb
+# Calcular la frecuencia de cada barrio
+barrio_frecuencia <- airbnb_data %>%
+ count(Neighbourhood) %>%
+ arrange(desc(n)) # Ordenar en orden descendente por frecuencia
+
+# Obtener los top 10 barrios más frecuentes
+top10_barrios <- barrio_frecuencia %>%
+ top_n(10, n)
+
+# Reorganizar el factor Neighbourhood en función de su frecuencia
+airbnb_data$Neighbourhood <- factor(airbnb_data$Neighbourhood, levels = barrio_frecuencia$Neighbourhood)
+
+# Filtrar solo las filas que corresponden a los 10 principales barrios
+airbnb_data_top10 <- airbnb_data %>%
+ filter(Neighbourhood %in% top10_barrios$Neighbourhood)
+
+# Trazar el histograma
+ggplot(airbnb_data_top10, aes(x = Neighbourhood)) +
+ geom_bar(fill = "skyblue", color = "black") +
+ labs(title = "Top10 Barrios Más Populares Airbnb", subtitle="(Top 10, Orden Descendente)",
+ x = "Barrio",
+ y = "Frecuencia") +
+ theme(axis.text.x = element_text(angle = 45, hjust = 1))
¿Cuáles son los barrios más populares en Airbnb?
-
+
Embajadores es el barrio con la mayor frecuencia +de listados, seguido de Universidad y +Palacio, indicando que estas áreas son probablemente +las más demandadas o con más oferta de alojamientos en Airbnb.
+A partir de Sol en adelante, la frecuencia de +los listados comienza a disminuir progresivamente.
+Los barrios como Goya y Puerta del +Angel muestran las menores frecuencias dentro de este top 10, +lo que podría sugerir una menor popularidad o una oferta más limitada de +alojamientos en estas áreas comparado con barrios como Embajadores o +Universidad.
+
Distribución de precio vs número de reseñas
+ggplot(airbnb_data, aes(x = Room.Price, y = Number.of.reviews)) +
+
+geom_point(color = "blue") +
+
+labs(title = "Distribución de Precio vs Número de Reseñas", x = "Precio de la Habitación (€)", y = "Número de Reseñas")
¿Existe una correlación entre los precios de las habitaciones y el número de reseñas que reciben, indicando la popularidad o la percepción de valor por parte de los usuarios?
-
+
Predominio de precios bajos y reseñas moderadas: +La mayoría de los listados tienen precios inferiores a 1,000 euros y +menos de 200 reseñas, indicando que las propiedades más asequibles son +comunes pero no acumulan muchas reseñas.
+Propiedades caras con reseñas dispersas: Algunas +propiedades con precios superiores a 2,500 euros tienen desde cero hasta +muchas reseñas, lo que sugiere que un precio más alto no garantiza una +mayor popularidad.
+Picos de popularidad a precios accesibles: Un +número significativo de reseñas se observa en propiedades con precios +razonables, lo que indica que ciertas propiedades a precios moderados +son muy populares.
+
En resumen, no existe una correlación clara entre precios altos y un +mayor número de reseñas, implicando que otros factores como ubicación y +calidad podrían influir más en la popularidad.
+Precio promedio vs tipo de habitación
+ggplot(airbnb_data, aes(x = Room.type, y = Room.Price)) +
+ geom_bar(stat = "summary", fun = "mean", fill = "lightgreen", color = "darkgreen") +
+ geom_hline(yintercept = mean(airbnb_data$Room.Price), color = "red", linetype = "dashed", linewidth = 1) +
+ labs(title = "Precio Promedio vs Tipo de Habitación", x = "Tipo de Habitación", y = "Precio Promedio (€)")
¿Cómo varían los precios promedios de las diferentes tipos de habitaciones en Airbnb, y qué tipo de habitación tiene el precio promedio más alto en Madrid?
-
+
Casa o Apartamento Completo: Este tipo de +alojamiento tiene el precio promedio más alto, considerablemente más +alto que los otros tipos, lo que indica que alquilar una propiedad +completa es generalmente más costoso.
+Habitación de Hotel: Tiene un precio promedio +significativamente más bajo que un apartamento o casa completa, pero más +alto que una habitación privada o compartida.
+Habitación Privada: Presenta un precio promedio +más bajo que la habitación de hotel.
+Habitación Compartida: Es la opción más +económica, con el precio promedio más bajo entre los tipos de +habitaciones mostrados.
+
Top 10 - Tipo de propiedad por barrios en Madrid
+library(dplyr)
+library(ggplot2)
+
+# Calcula la cantidad total de listados por barrio
+barrios_counts <- airbnb_data %>%
+ group_by(Neighbourhood) %>%
+ summarise(Total = n()) %>%
+ arrange(desc(Total))
+
+# Selecciona los top 10 barrios
+top_barrios <- barrios_counts %>%
+ top_n(10, Total) %>%
+ pull(Neighbourhood)
+
+# Filtra el dataset original para incluir solo esos barrios
+filtered_data <- airbnb_data %>%
+ filter(Neighbourhood %in% top_barrios)
+
+# Crear el gráfico de barras apiladas para los top 10 barrios
+ggplot(data = filtered_data, aes(x = Neighbourhood, fill = `Room.type`)) +
+ geom_bar() +
+ theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
+ labs(x = "barrio", y = "Cantidad") +
+ ggtitle("Distribución de tipos de propiedad por barrios en Madrid")
# ¿Cómo se distribuyen los diferentes tipos de habitaciones en el top 10 de barrios de Madrid y qué barrios presentan una mayor diversidad de opciones de alojamiento?
Diversidad de Habitaciones:
+-
+
Embajadores y Universidad: Son los barrios con +más alojamientos y una amplia variedad de tipos de habitaciones, +predominando los apartamentos enteros y habitaciones privadas, con +escasas opciones de habitaciones compartidas y de hotel.
+Palacio, Sol y Justicia: Presentan un balance +entre apartamentos enteros y habitaciones privadas, con Palacio +ofreciendo algo más de habitaciones de hotel.
+
Mayor y Menor Diversidad:
+-
+
Mayor Diversidad: Embajadores y Universidad +destacan por su alta cantidad de listados y diversidad, con una mezcla +de casi todos los tipos de alojamiento.
+Menor Diversidad: Barrios como Tetuán, Triángulo +del Arte, Chamberí, y Puerta del Ángel tienen menos opciones y se +enfocan más en apartamentos enteros y habitaciones privadas, con +limitadas ofertas de habitaciones de hotel o compartidas.
+
Top 10 - Distribución de precios vs barrio
+library(dplyr)
+library(ggplot2)
+
+# Calcula la cantidad total de listados por barrio
+barrios_counts <- airbnb_data %>%
+ group_by(Neighbourhood) %>%
+ summarise(Total = n()) %>%
+ arrange(desc(Total))
+
+# Selecciona los top 10 barrios
+top_barrios <- barrios_counts %>%
+ slice_max(Total, n = 10) %>%
+ pull(Neighbourhood)
+
+# Filtra el dataset original para incluir solo esos barrios
+filtered_data <- airbnb_data %>%
+ filter(Neighbourhood %in% top_barrios)
+
+# Crea el gráfico de boxplot para los top 10 barrios
+ggplot(data = filtered_data, aes(x = Neighbourhood, y = Room.Price)) +
+ geom_boxplot(outlier.colour = "red", outlier.shape = 1) +
+ theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
+ labs(x = "barrio", y = "Precio (€)", title = "Variabilidad de precios por barrio en Madrid - Top 10 barrios") +
+ theme_minimal()
¿Cómo varían los precios de los alojamientos de Airbnb entre diferentes barrios del top10 de Madrid y cuáles presentan la mayor variabilidad en sus precios?
-
+
barrios con Mayor Variabilidad: barrios como +Embajadores, Universidad, y Palacio muestran una amplia variabilidad en +precios, con numerosos valores atípicos que indican precios +extremadamente altos comparados con la mediana.
+barrios con Menor Variabilidad: barrios como +Justicia, Cortes, y Puerta del Ángel parecen tener una variabilidad más +contenida, con menos valores atípicos y cajas más estrechas, lo que +sugiere precios más consistentes y predecibles.
+
Gráfico de Distribución en Madrid
+Las columnas Latitude y Longitude están
+disponibles, podemos crear un mapa de puntos en Madrid:
# Crear un mapa con Leaflet
+madrid_map <- leaflet(data = airbnb_data) |>
+ addTiles() # Añadir el mapa base
+
+# Añadir la capa de mapa de calor
+madrid_map <- madrid_map |>
+ addHeatmap(
+ lng = ~Longitude, lat = ~Latitude, intensity = ~1,
+ blur = 20, max = 0.05, radius = 15
+ )
+
+# Establecer la vista inicial del mapa y mostrarlo
+madrid_map <- madrid_map |>
+ setView(lng = -3.703, lat = 40.416, zoom = 11)
+
+# Imprimir el mapa
+madrid_map¿Cómo se distribuyen geográficamente los listados de Airbnb en Madrid y qué áreas muestran mayor concentración de alojamientos?
-
+
Alta Concentración en el Centro: La mayor +densidad de listados de Airbnb se observa en el centro de Madrid. Las +áreas alrededor del centro de la ciudad, particularmente barrios como +Sol, Gran Vía, y La Latina, muestran los puntos más calientes en rojo +intenso, indicando una concentración muy alta de alojamientos.
+Dispersión hacia las Afueras: A medida que te +alejas del centro, la concentración de listados disminuye, como se puede +ver en las áreas que rodean el núcleo central de la ciudad. Sin embargo, +hay bolsas de moderada actividad (áreas en amarillo y verde) en barrios +periféricos y municipios cercanos como Pozuelo de Alarcón y +Alcobendas.
+
# Definir una función para determinar el color basado en el precio
+get_color <- function(price) {
+ if (price < 50) {
+ "#00FF00" # Verde para precios bajos
+ } else if (price < 100) {
+ "#FFFF00" # Amarillo para precios medios
+ } else {
+ "#FF0000" # Rojo para precios altos
+ }
+}
+
+# Crear el mapa usando leaflet, aplicando directamente la función de colores
+madrid_map <- leaflet(data = airbnb_data) %>%
+ addProviderTiles(providers$CartoDB.Positron) %>%
+ addCircleMarkers(
+ ~Longitude, ~Latitude,
+ radius = 5,
+ color = ~sapply(Room.Price, get_color),
+ fillOpacity = 0.5,
+ stroke = FALSE, # No dibujar bordes alrededor de los círculos
+ group = "Airbnb Locations"
+ ) %>%
+ setView(lng = -3.703, lat = 40.416, zoom = 11)
+
+# Imprimir el mapa
+madrid_mapObservaciones del Gráfico:
-
+
Zonas Verdes (Precios Bajos): Las áreas con +alojamientos de precios bajos (menos de 50 €) están dispersas pero menos +concentradas que las de precios más altos. Parecen estar más presentes +en las periferias de la ciudad y en municipios alejados del centro de +Madrid.
+Zonas Amarillas (Precios Medios): Las zonas que +representan precios medios (entre 50 y 100 €) forman una transición +entre las áreas más baratas y las más caras, y están distribuidas de +forma bastante uniforme en toda la ciudad, indicando una opción de +alojamiento común en muchas áreas.
+Zonas Rojas (Precios Altos): Las áreas con +alojamientos de precios altos (más de 100 €) están altamente +concentradas en el centro de Madrid, especialmente en barrios céntricos +y turísticos. Estas zonas rojas destacan en el corazón de la ciudad, +donde se localizan muchas de las principales atracciones y +servicios.
+
Mapa de Calor de Correlación
+# Seleccionando columnas relevantes para la correlación
+cor_data <- airbnb_data |>
+ select(Room.Price, Minimum.nights, Number.of.reviews, Number.of.reviews.per.month, Rooms.rent.by.the.host) |>
+ na.omit() # Eliminando filas con valores NA para evitar errores
+
+# Calculando la matriz de correlación
+cor_matrix <- cor(cor_data)
+
+# Generando el mapa de calor
+corrplot(cor_matrix, method = "color", type = "upper", order = "hclust",
+ tl.col = "black", tl.srt = 45, addrect = 2,
+ title = "Mapa de Calor de Correlación para AirBnB en Madrid",
+ mar = c(0, 0, 2, 0)) # Ajusta el margen superior para dar más espacio al título
¿Qué variables están más fuertemente correlacionadas con el precio de los alojamientos en Airbnb?
-
+
“Rooms.rent.by.the.host”: Esta variable muestra +una correlación negativa con “Room.Price”, indicada por el tono azul +oscuro en el gráfico. Esto sugiere que cuanto más habitaciones alquila +un host, podría haber una tendencia a precios más bajos por +habitación.
+“Number.of.reviews” y +“Number.of.reviews.per.month”: Ambas variables tienen una +correlación muy baja con “Room.Price”, como se ve por los tonos más +claros en el gráfico. Esto indica que la cantidad de reseñas no influye +significativamente en el precio.
+“Minimum.nights”: La correlación entre +“Minimum.nights” y “Room.Price” también es baja, lo que indica que la +cantidad mínima de noches requeridas no es un factor significativo en el +precio de los alojamientos.
+
Matriz de Dispersión y Correlación de Variables
+# Las columnas relevantes para la correlación, están guardadas en la variable cor_data
+
+ggpairs(cor_data,
+ lower = list(continuous = wrap("points", alpha = 0.3,size=0.3 ,color='blue')),
+ upper = list(continuous = wrap("cor", size=4))
+ )
-
+
Correlaciones Notables:
+-
+
Rooms.rent.by.the.host vs. Room.Price: Presenta +una correlación positiva moderada (0.170***), sugiriendo que los +anfitriones que alquilan más habitaciones tienden a cobrar precios más +altos, aunque la relación no es muy fuerte.
+Number.of.reviews.per.month +vs. Number.of.reviews: Muestra una correlación muy alta +(0.828***), lo cual es esperado ya que estas variables están +intrínsecamente relacionadas.
+
+Correlaciones Débiles o Negativas:
+-
+
- La mayoría de las otras variables muestran correlaciones débiles o +negativas con el “Room.Price”, como “Minimum.nights” y +“Number.of.reviews”, indicando que estos factores tienen menos +influencia sobre el precio. +
+
KPIs
+Basado en nuestro análisis exploratorio, estos son nuestros KPIs +elegidos:
+-
+
Distribución geográfica de listados
+Barrios más populares en Airbnb y su distribución según +los de tipos de habitación
+Correlación entre precio y número de +reseñas
+Variación de precios por tipo de +habitación
+Variabilidad de precios por barrio
+
Conclusiones del Análisis
+Datos Atípicos y Variables Numéricas
+-
+
- Datos Atípicos: Al observar gráficos de cajas y la +tabla de outliers, se nota la presencia de valores atípicos en +precio por habitación, el mínimo de noches, el número de +reviews, el número de reviews por mes, las habitaciones alquiladas por +cada host, latitud y longitud que podrían complicar análisis +más detallados si no se manejan adecuadamente. +
Variables Categóricas
+-
+
- Barrios populares: Los barrios como Embajadores y +Universidad tienen muchos alojamientos listados, lo que puede indicar +que son zonas muy buscadas o bien ubicadas. +
- Tipos de habitación: Las casas o apartamentos +completos son los más ofrecidos, mostrando que la gente prefiere este +tipo de alojamiento sobre otros como habitaciones compartidas o de +hotel. +
Análisis General de los Datos
+-
+
- Distribución de los alojamientos: La mayoría de los +alojamientos están en el centro de Madrid, algo común en las grandes +ciudades donde hay más turistas y actividades. +
- Precios y número de reseñas: No hay una relación +clara entre los precios y el número de reseñas, lo que sugiere que el +precio podría depender más de donde está el alojamiento o qué tipo +es. +
Sugerencias para Mejorar los Datos
+-
+
- Manejo de datos atípicos: Sería bueno usar métodos +como transformaciones logarítmicas para reducir el efecto de los valores +atípicos. +
- Agregar más información: Incluir más detalles como +características del barrio o eventos cercanos podría ayudar a entender +mejor qué afecta los precios y la popularidad de los alojamientos. +
- Impacto de la Pandemia: Notamos que la pandemia de +COVID-19 pudo haber sesgado los datos, dado que los datos fueron +recolectados el 20 de agosto de 2020, en medio de restricciones globales +de viaje que alteraron significativamente el turismo y la +hospitalidad. +
Tratamiento del Dataset procesado
+Variables finales.
+Una vez tratado el dataset, este es el set de datos con el +trabajaremos en el pre-procesamiento y modelado.
+colnames(airbnb_data)## [1] "Room.ID" "Name"
+## [3] "Host.ID" "Neighbourhood"
+## [5] "Room.type" "Room.Price"
+## [7] "Minimum.nights" "Number.of.reviews"
+## [9] "Date.last.review" "Number.of.reviews.per.month"
+## [11] "Rooms.rent.by.the.host" "Updated.Date"
+## [13] "City" "Country"
+## [15] "Latitude" "Longitude"
+## [17] "Availability_Cat" "Review_category"
+## [19] "Review_Count_Category" "Time_category"Con las siguientes variables:
+-
+
Room.ID: Identificador único de cada +listado en Airbnb.
+Name: Nombre descriptivo del +listado.
+Host.ID: Identificador único del +anfitrión del listado.
+Neighbourhood: Barrio donde se +encuentra el listado.
+Room.type: Tipo de alojamiento +ofrecido.
+Room.Price: Precio por noche del +alojamiento.
+Minimum.nights: Número mínimo de +noches requerido para la reserva.
+Number.of.reviews: Número total de +reseñas recibidas.
+Date.last.review: Fecha de la última +reseña recibida.
+Number.of.reviews.per.month: Promedio +de reseñas recibidas por mes.
+Rooms.rent.by.the.host: Número total +de habitaciones o propiedades que el anfitrión ofrece en alquiler.
+Updated.Date: Fecha en que se +actualizó la información del listado por última vez.
+City: Ciudad donde se ubica el +listado, en nuestro caso, siempre Madrid.
+Country: País donde se ubica el +listado, en nuestro caso, siempre España.
+Latitude: Latitud geográfica del +listado. Es el uno de los resultados de dividir la variable +Coordinates.
+Longitude: Longitud geográfica del +listado. Es el uno de los resultados de dividir la variable +Coordinates.
+Availability_Cat: Categorización de la +variable “Availability” en grupos de disponibilidad.
+Review_category: Categoriza listados +basándose en la frecuencia de reseñas por mes (se ha catergorizado la +variable Number.of.reviews.per.month).
+ReviewCountCategory: Categoriza +listados según el número total de reseñas recibidas(se ha catergorizado +la variable Number.of.reviews).
+Time_category: Categoriza listados +basado en el tiempo transcurrido desde la última reseña hasta el dia del +scrapping.
+
Se eliminó Location ya que era
+redundante con País, Ciudad y Barrio.
Exportación
+Ahora vamos a exportar el dataset procesado:
+# Exportar el dataframe procesado a CSV
+write.csv2(airbnb_data, "../data/processed/processed-air-bnb-listings.csv", row.names = FALSE, fileEncoding = "UTF-8")