가설 검증_박유진

# 방타입별 숙소 수 계산 pivot = df_filtered.pivot_table(index='city_and_suburb', columns='room_type', aggfunc='size', fill_value=0).reset_index() # 전체 숙소 수도 함께 계산 pivot['숙소 수'] = pivot[['Entire home/apt', 'Private room', 'Shared room']].sum(axis=1) # 각 방타입 비율 계산 pivot['아파트형 비율 (%)'] = (pivot['Entire home/apt'] / pivot['숙소 수'] * 100).round(2) pivot['개인실 비율 (%)'] = (pivot['Private room'] / pivot['숙소 수'] * 100).round(2) pivot['공유실 비율 (%)'] = (pivot['Shared room'] / pivot['숙소 수'] * 100).round(2) # 열 순서 재정렬 pivot = pivot[['city_and_suburb', '숙소 수', 'Entire home/apt', 'Private room', 'Shared room', '아파트형 비율 (%)', '개인실 비율 (%)', '공유실 비율 (%)']] # 컬럼명 한글로 변경 pivot.columns = ['지역구분', '숙소 수', '아파트형 수', '개인실 수', '공유실 수', '아파트형 비율 (%)', '개인실 비율 (%)', '공유실 비율 (%)'] # 출력 pivot

# 도심 지역에서 room_type별 숙소 수 집계 city_room_counts = df_filtered[df_filtered['city_and_suburb'] == '도심']['room_type'].value_counts().reset_index() city_room_counts.columns = ['room_type', '숙소 수'] # 정렬해서 보기 좋게 city_room_counts = city_room_counts.sort_values(by='숙소 수', ascending=False).reset_index(drop=True) # 출력 print("✅ 도심 내 room_type별 숙소 수:") display(city_room_counts)

# 도심 지역만 필터링 df_downtown = df_filtered[df_filtered['city_and_suburb'] == '도심'] # 방타입별 popularity_score 평균 계산 avg_score_by_room = df_downtown.groupby('room_type')['popularity_score'].mean().reset_index() # 점수 내림차순 정렬 avg_score_by_room = avg_score_by_room.sort_values(by='popularity_score', ascending=False) # 확인 # 소수점 2자리 반올림 후 출력 display(avg_score_by_room.round(2))

import pandas as pd # 데이터 예시 (이미 유진님이 갖고 있는 걸 기반으로 재구성) data = { 'room_type': ['Entire home/apt', 'Private room', 'Shared room'], 'count': [11421, 7250, 368], 'popularity_score': [0.62, 0.59, 0.63] } df_score = pd.DataFrame(data) # 전체 숙소 수 total_count = df_score['count'].sum() # 가중 평균 기여도 컬럼 추가 df_score['weighted_contribution'] = (df_score['popularity_score'] * df_score['count']) / total_count # 가중 평균 점수 weighted_avg_score = df_score['weighted_contribution'].sum() # 출력 print("가중 평균 인기점수 (도심 전체 기준):", round(weighted_avg_score, 3)) display(df_score.round(3))

# 1. 분석 대상 필터링 target = df_filtered[ (df_filtered['city_and_suburb'] == '도심') & (df_filtered['room_type'] == 'Entire home/apt') ] # 2. 해당 popularity_score 기준 25% 분위값 계산 q1 = target['popularity_score_도심_Entire_home/apt'].quantile(0.25) q3 = target['popularity_score_도심_Entire_home/apt'].quantile(0.75) # 3. 상위 / 하위 25% 필터링 bottom_25 = target[target['popularity_score_도심_Entire_home/apt'] <= q1] top_25 = target[target['popularity_score_도심_Entire_home/apt'] >= q3] # 4. 숙소 수 확인 print("상위 25% 숙소 수:", len(top_25)) print("하위 25% 숙소 수:", len(bottom_25))

# 필터링 target = df_filtered[ (df_filtered['city_and_suburb'] == '도심') & (df_filtered['room_type'] == 'Entire home/apt') ].copy() # 분위수 계산 (슬래시 컬럼은 .loc로 안정 접근) score_col = "popularity_score_도심_Entire_home/apt" q1 = target.loc[:, score_col].quantile(0.25) q3 = target.loc[:, score_col].quantile(0.75) # 상/하위 25% top_25 = target[target[score_col] >= q3].copy() bottom_25 = target[target[score_col] <= q1].copy() # 구간화 함수 def classify_avail_days(days): if days == 0: return "0일" elif days <= 90: return "1~90일" elif days <= 180: return "91~180일" elif days <= 270: return "181~270일" elif days < 365: return "271~364일" else: return "365일" # 구간 추가 top_25['availability_range'] = top_25['availability_365'].apply(classify_avail_days) bottom_25['availability_range'] = bottom_25['availability_365'].apply(classify_avail_days) # 구간 순서 정의 ordered_ranges = ["0일", "1~90일", "91~180일", "181~270일", "271~364일", "365일"] # 결과표 구성 final_result_df = pd.DataFrame({ "상위 25%": [top_25['availability_range'].value_counts().get(r, 0) for r in ordered_ranges], "하위 25%": [bottom_25['availability_range'].value_counts().get(r, 0) for r in ordered_ranges] }, index=ordered_ranges) # 보기 좋게 출력 display(final_result_df)

# 상위 25% 중 availability_365 == 0 인 숙소들의 평균 리뷰 수 top_25[top_25['availability_365'] == 0]['number_of_reviews'].describe()

# 상위 25% 중 availability_365 == 0 인 숙소들의 평균 리뷰 수 top_25[top_25['availability_365'] == 365]['number_of_reviews'].describe()

# 1️⃣ 도심 아파트형 필터링 target = df_filtered[ (df_filtered['city_and_suburb'] == '도심') & (df_filtered['room_type'] == 'Entire home/apt') ].copy() # 2️⃣ 상위 25% 필터링 q3 = target['popularity_score_도심_Entire_home/apt'].quantile(0.75) top_25 = target[target['popularity_score_도심_Entire_home/apt'] >= q3].copy() # 3️⃣ availability_365 == 365인 숙소 필터링 top_25_365 = top_25[top_25['availability_365'] == 365].copy() # 4️⃣ last_review 연도 추출 및 분포 확인 top_25_365['last_review_year'] = pd.to_datetime(top_25_365['last_review'], errors='coerce').dt.year review_year_dist_top = top_25_365['last_review_year'].value_counts().sort_index() # 5️⃣ 결과 출력 print("상위 25% 중 365일 숙소의 last_review 연도별 분포:") print(review_year_dist_top)