AIRBNB Estocolmo

Limpieza, transformación y análisis exploratorio de un dataset con datos de airbnbn de Estocolmo. En este caso solo subí el notebook con el código y los gráficos dividido de esta forma:

• Limpieza y descripción de datos
• Análisis exploratorio:
  • Distribución y cantidad de hospedajes de los barrios de Estocolmo.
  • Análisis de los diferentes tipos de hospedaje que ofrece airbnb en esta ciudad.
  • Análisis numero de alojados que ofrece
• Vemos un caso un poco anómalo
• Análisis de los precios y las reviews
  • Precio medio por barrio
  • Análisis de las reviews
  • Puntuaciones generales y por barrio
  • ¿Que es un superhost?
  • Disponibilidad de alojamientos en el tiempo
  • Precio medio por día
• Por ultimo hago una minería de texto en donde muestro las palabras más utilizadas en los comentarios de los alojamientos

Utilice como regla general plotly-express para los gráficos.

El conjunto de datos contiene un total de 6 archivos.

• listingsRW.csv = Datos detallados de listados
• calendar.csv = Datos detallados del calendario
• review.csv = Datos de las revisiónes detallados
• listing.csv = Resumen de información y métricas para listados en Estocolmo (bueno para visualizaciones).
• reviews.csv = Resumen de los datos de revisiones y un listado de ID (para facilitar el análisis basado en el tiempo y las visualizaciones vinculadas a un listado).
• neighbourhood.geojson = Archivo GeoJSON de barrios de la ciudad.

El identificador único en el conjunto de datos es la identificación de "listings". Esta es básicamente la identificación del anuncio.

AIRBNB Stockholm

Cleaning, transformation and exploratory analysis of a dataset with Stockholm airbnbn data. In this case I only uploaded the notebook with the code and graphics divided in this way:

• Cleaning and description of data
• Exploratory analysis:
  • Distribution and quantity of lodgings in the neighborhoods of Stockholm.
  • Analysis of the different types of accommodation offered by airbnb in this city.
  • Analysis number of lodgers offered
• I show a slightly anomalous case
• Analysis of prices and reviews
  • Average price per neighborhood
  • Analysis of the reviews
  • Overall scores and by neighborhood
  • What is a superhost?
  • Availability of accommodation over time
  • Average price per day
• Finally I do a text mining where I show the most used words in the comments of the accommodations

I use plotly-express for charts.

The dataset contains 6 files.

• listingsRW.csv = Detailed listings data
• calendar.csv = Detailed calendar data
• review.csv = Detailed review data
• listing.csv = Summary information and metrics for listings in Stockholm (good for visualizations).
• reviews.csv = Summary of reviews data and a listing of IDs (to facilitate analysis based on time and views linked to a listing).
• neighborhood.geojson = GeoJSON file of city neighborhoods.

The unique identifier in the data set is the "listings" id. This is basically the ad id.