New York AirBnB: Price Prediction for AirBnbs in New York
NHL, TTH, NTN
19/05/2022
Tài liệu khóa Tập huấn giảng viên miền Bắc, Tháng 5/2022.
Code thực hành theo dữ liệu mẫu từ: https://rpubs.com/SayakChakraborty/NewYorkAirBnB_Modelling
Trong dự án này, chúng tôi trình bày về phân tích dữ liệu, trực quan hóa và mô hình hóa dữ liệu Airbnb của New York. Airbnb, Inc. là một công ty trực tuyến về dịch vụ lưu trú, chủ yếu là nhà dân. Công ty không sở hữu bất kỳ danh sách bất động sản nào, cũng như không tổ chức các sự kiện; nó hoạt động như một nhà môi giới, nhận hoa hồng từ mỗi lần đặt chỗ. Doanh thu của Airbnb đến từ khách và chủ nhà của mình: Chủ nhà bị tính phí 3% giá trị đặt phòng, trong khi khách đặt phòng bị tính phí 6% -12% theo giá trị thuê. Thị trường Airbnb đang khá nở rộ ở thành phố New York (NYC), nơi có hơn 48.000 danh sách tính đến tháng 8 năm 2019.
Dữ liệu tải về từ website: https://www.kaggle.com/datasets/dgomonov/new-york-city-airbnb-open-data
Mục đích của bài thực hành là dự đoán các yếu tố ảnh hưởng đến giá của các nhà cho thuê trên website trực tuyến airbnbs xung quanh New York. Phần thực hành bao gồm việc lựa chọn các loại mô hình khác nhau, lựa chọn biến, xét sự phù hợp của mô hình và đi đến mô hình cuối cùng
Chúng tôi thực hiện dự án theo các bước sau:
- Làm sạch và chuẩn bị dữ liệu
- Trực quan hóa dữ liệu
- Mô hình hóa và Kiểm tra mô hình
- Hoàn thiện mô hình
- Dự đoán bằng Mô hình cuối cùng (tự tham khảo)
1. Đọc dữ liệu
Nhập dữ liệu và đặt tên là airbnb_data
setwd("D:/TaphuanVIASM2022/Co ban ThaiNguyen_May2022/Project")
airbnb_data <- read.csv("AB_NYC_2019.csv")Xem một số thống kê mô tả về số liệu
dim(airbnb_data) # 48895 x 16## [1] 48895 16head(airbnb_data)## id name host_id host_name
## 1 2539 Clean & quiet apt home by the park 2787 John
## 2 2595 Skylit Midtown Castle 2845 Jennifer
## 3 3647 THE VILLAGE OF HARLEM....NEW YORK ! 4632 Elisabeth
## 4 3831 Cozy Entire Floor of Brownstone 4869 LisaRoxanne
## 5 5022 Entire Apt: Spacious Studio/Loft by central park 7192 Laura
## 6 5099 Large Cozy 1 BR Apartment In Midtown East 7322 Chris
## neighbourhood_group neighbourhood latitude longitude room_type price
## 1 Brooklyn Kensington 40.64749 -73.97237 Private room 149
## 2 Manhattan Midtown 40.75362 -73.98377 Entire home/apt 225
## 3 Manhattan Harlem 40.80902 -73.94190 Private room 150
## 4 Brooklyn Clinton Hill 40.68514 -73.95976 Entire home/apt 89
## 5 Manhattan East Harlem 40.79851 -73.94399 Entire home/apt 80
## 6 Manhattan Murray Hill 40.74767 -73.97500 Entire home/apt 200
## minimum_nights number_of_reviews last_review reviews_per_month
## 1 1 9 2018-10-19 0.21
## 2 1 45 2019-05-21 0.38
## 3 3 0 NA
## 4 1 270 2019-07-05 4.64
## 5 10 9 2018-11-19 0.10
## 6 3 74 2019-06-22 0.59
## calculated_host_listings_count availability_365
## 1 6 365
## 2 2 355
## 3 1 365
## 4 1 194
## 5 1 0
## 6 1 129names(airbnb_data)## [1] "id" "name"
## [3] "host_id" "host_name"
## [5] "neighbourhood_group" "neighbourhood"
## [7] "latitude" "longitude"
## [9] "room_type" "price"
## [11] "minimum_nights" "number_of_reviews"
## [13] "last_review" "reviews_per_month"
## [15] "calculated_host_listings_count" "availability_365"Ý nghĩa của các biến như sau
- ID Mã căn hộ
- name: Tên ngắn gọn của căn hộ
- host_id : Mã chủ nhà
- host_name: Tên chủ nhà
- neighbourhood_group: Địa chỉ
- neighbourhood: Khu vực
- latitude: vĩ độ
- longitude: Kinh độ
- room_type: loại phòng ở
- price: Giá phòng (đơn vị: Đô la)
- minimum_nights: Số đêm đặt phòng tối thiểu
- number_of_reviews
- last_review
- reviews_per_month
- calculated_host_listings_count
- availability_365
2.Tải một số gói lệnh cho quá trình phân tích
require(tidyverse)3. Khám phá số liệu
3.1. Kiểm tra dữ liệu khuyết (NA)
Xem cấu trúc số liệu
str(airbnb_data)## 'data.frame': 48895 obs. of 16 variables:
## $ id : int 2539 2595 3647 3831 5022 5099 5121 5178 5203 5238 ...
## $ name : chr "Clean & quiet apt home by the park" "Skylit Midtown Castle" "THE VILLAGE OF HARLEM....NEW YORK !" "Cozy Entire Floor of Brownstone" ...
## $ host_id : int 2787 2845 4632 4869 7192 7322 7356 8967 7490 7549 ...
## $ host_name : chr "John" "Jennifer" "Elisabeth" "LisaRoxanne" ...
## $ neighbourhood_group : chr "Brooklyn" "Manhattan" "Manhattan" "Brooklyn" ...
## $ neighbourhood : chr "Kensington" "Midtown" "Harlem" "Clinton Hill" ...
## $ latitude : num 40.6 40.8 40.8 40.7 40.8 ...
## $ longitude : num -74 -74 -73.9 -74 -73.9 ...
## $ room_type : chr "Private room" "Entire home/apt" "Private room" "Entire home/apt" ...
## $ price : int 149 225 150 89 80 200 60 79 79 150 ...
## $ minimum_nights : int 1 1 3 1 10 3 45 2 2 1 ...
## $ number_of_reviews : int 9 45 0 270 9 74 49 430 118 160 ...
## $ last_review : chr "2018-10-19" "2019-05-21" "" "2019-07-05" ...
## $ reviews_per_month : num 0.21 0.38 NA 4.64 0.1 0.59 0.4 3.47 0.99 1.33 ...
## $ calculated_host_listings_count: int 6 2 1 1 1 1 1 1 1 4 ...
## $ availability_365 : int 365 355 365 194 0 129 0 220 0 188 ...Kiểm tra dữ liệu khuyết
dim(airbnb_data)## [1] 48895 16summary(is.na(airbnb_data))## id name host_id host_name
## Mode :logical Mode :logical Mode :logical Mode :logical
## FALSE:48895 FALSE:48895 FALSE:48895 FALSE:48895
##
## neighbourhood_group neighbourhood latitude longitude
## Mode :logical Mode :logical Mode :logical Mode :logical
## FALSE:48895 FALSE:48895 FALSE:48895 FALSE:48895
##
## room_type price minimum_nights number_of_reviews
## Mode :logical Mode :logical Mode :logical Mode :logical
## FALSE:48895 FALSE:48895 FALSE:48895 FALSE:48895
##
## last_review reviews_per_month calculated_host_listings_count
## Mode :logical Mode :logical Mode :logical
## FALSE:48895 FALSE:38843 FALSE:48895
## TRUE :10052
## availability_365
## Mode :logical
## FALSE:48895
## Một cách đơn giản sau để minh họa dữ liệu khuyết bằng hình vẽ, lệnh dưới này thuộc gói naniar
require(naniar)
naniar::gg_miss_var(airbnb_data) +
#theme_minimal()+
labs(y = "Look at all the Missing Values") 
Phân tích cho thấy không có giá trị nào bị thiếu trong tập số liệu, từ biến “reviews_per_month” có 10052 giá trị bị thiếu như phân tích ở trên. Biến trên là 1 biến dự kiến đưa vào trong nghiên cứu nên chúng ta sẽ quyết định xử lý với giá trị khuyết sau.
Do đó, về vấn đề xử lý số liệu sạch, các biến đều được coi là sạch trừ biến “reviews_per_month”. Biến này sẽ cần phải xử lý thêm. Một cách đơn giản nhất để xử lý dữ liệu khuyết là xóa các dữ liệu khuyết, tuy nhiên, tỉ lệ số liệu khuyết là rất lớn (10052/48895 = 20 %). Do đó, trường hợp này chúng ta không xóa các dữ liệu khuyết.
3.2. Khám phá số liệu
Trong phần này, chúng ta thực hiện thống kê mô tả cho một số biến để rõ hơn về đặc điểm số liệu
a. Biến room_type: loại phòng ở
unique(airbnb_data$room_type)## [1] "Private room" "Entire home/apt" "Shared room"summary(airbnb_data$room_type)## Length Class Mode
## 48895 character charactertable(airbnb_data$room_type)##
## Entire home/apt Private room Shared room
## 25409 22326 1160Chúng ta có thể vẽ 1 biểu đồ cột đơn giản về số lượng các loại phòng ở, có 5 loại khu
data.bar <- table(airbnb_data$room_type)
barplot (data.bar)
table(airbnb_data$neighbourhood_group)##
## Bronx Brooklyn Manhattan Queens Staten Island
## 1091 20104 21661 5666 373Thống kê mô tả theo neighbourhood_group và room_type
data.bar2 <- table(airbnb_data$neighbourhood_group, airbnb_data$room_type)
head(data.bar2)##
## Entire home/apt Private room Shared room
## Bronx 379 652 60
## Brooklyn 9559 10132 413
## Manhattan 13199 7982 480
## Queens 2096 3372 198
## Staten Island 176 188 9 barplot (data.bar2, main = "Which types of Listings are there in NYC?")
Đồ thị vẽ đẹp hơn thì dùng ggplot2, đầu tiên là đếm số quan sát, sau đó dùng lệnh vẽ hình
property_df <- airbnb_data %>%
group_by(neighbourhood_group, room_type) %>%
summarize(Freq = n())
head(property_df)## # A tibble: 6 x 3
## # Groups: neighbourhood_group [2]
## neighbourhood_group room_type Freq
## <chr> <chr> <int>
## 1 Bronx Entire home/apt 379
## 2 Bronx Private room 652
## 3 Bronx Shared room 60
## 4 Brooklyn Entire home/apt 9559
## 5 Brooklyn Private room 10132
## 6 Brooklyn Shared room 413ggplot(property_df, aes(x= neighbourhood_group, y = Freq, fill = room_type)) +
geom_bar(position = "dodge", stat="identity") +
xlab("Borough") + ylab ("Count")+
ggtitle("Which types of Listings are there in NYC?")
Nhận xét về đồ thị hình hộp và phân nhóm như trên như thế nào?
b.Trung bình giá thuê nhà và Neighbourhood Group
Xem thống kê mô tả về giá thuê nhà
summary(airbnb_data$price)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0 69.0 106.0 152.7 175.0 10000.0table(airbnb_data$neighbourhood_group)##
## Bronx Brooklyn Manhattan Queens Staten Island
## 1091 20104 21661 5666 373Xem trung bình cho 1 khu vực
mean(airbnb_data[airbnb_data$neighbourhood_group == "Bronx", "price" ])## [1] 87.49679Biểu đồ hộp về giá thuê theo các khu vực như sau, hãy bình luận về biểu đồ hộp này (Lưu ý là có rất nhiều giá trị ngoại lai!!)
boxplot(price ~ neighbourhood_group, data = airbnb_data)
Vẽ đồ thị về giá nhà theo khu vực, thông qua hàm aggregate()
aggregate(price ~ neighbourhood_group, data = airbnb_data, FUN = mean)## neighbourhood_group price
## 1 Bronx 87.49679
## 2 Brooklyn 124.38321
## 3 Manhattan 196.87581
## 4 Queens 99.51765
## 5 Staten Island 114.81233Sau đó, có thể vẽ biểu đồ hình cột
ag <- aggregate(price ~ neighbourhood_group, data = airbnb_data, FUN = mean)
barplot (price ~ neighbourhood_group, data = ag )
Sử dụng ggplot2, có thể vẽ 1 hình về trung bình giá nhà theo khu vực
d.ag <- airbnb_data %>% group_by(neighbourhood_group) %>%
summarise(price = mean(price))
ggplot(d.ag, aes(x=neighbourhood_group, y = price)) +
geom_bar(position = "dodge", stat="identity", fill = "blue") +
ggtitle("Mean Price comparison for each Neighbourhood Group")
c.Tương tự, có thể làm thống kê mô tả của giá nhà theo loại phòng ở
boxplot(price ~ room_type, data = airbnb_data)
So sánh trung bình giá nhà theo loại phòng
ag <- aggregate(price ~ room_type, data = airbnb_data, FUN = mean)
barplot (price ~ room_type, data = ag )
4. Mô hình dự báo giá nhà
4.1. Đề xuất mô hình
Trong phần tiếp theo, chúng tôi làm mô hình dự báo giá nhà phụ thuộc vào các biến sau
- neighbourhood_group
- latitude
- longitude
- room_type
- minimum_nights
- number_of_reviews
- reviews_per_month
- calculated_host_listings_count
- availability_365
Ngoài ra, các biến còn lại không được đưa vào mô hình hồi quy, cụ thể như sau
Các biến định danh như: id, name, host_id, host_name, neighbourhood,
Các biến last_review là biến theo ngày tháng Biến neighbourhood thì đã sử dụng biến tương tự nhưng có thông tin tổng quát hơn là biến neighbourhood_group.
head(airbnb_data$last_review)## [1] "2018-10-19" "2019-05-21" "" "2019-07-05" "2018-11-19"
## [6] "2019-06-22"table(airbnb_data$neighbourhood)##
## Allerton Arden Heights
## 42 4
## Arrochar Arverne
## 21 77
## Astoria Bath Beach
## 900 17
## Battery Park City Bay Ridge
## 70 141
## Bay Terrace Bay Terrace, Staten Island
## 6 2
## Baychester Bayside
## 7 39
## Bayswater Bedford-Stuyvesant
## 17 3714
## Belle Harbor Bellerose
## 8 14
## Belmont Bensonhurst
## 24 75
## Bergen Beach Boerum Hill
## 10 177
## Borough Park Breezy Point
## 136 3
## Briarwood Brighton Beach
## 56 75
## Bronxdale Brooklyn Heights
## 19 154
## Brownsville Bull's Head
## 61 6
## Bushwick Cambria Heights
## 2465 26
## Canarsie Carroll Gardens
## 147 233
## Castle Hill Castleton Corners
## 9 4
## Chelsea Chinatown
## 1113 368
## City Island Civic Center
## 18 52
## Claremont Village Clason Point
## 28 21
## Clifton Clinton Hill
## 15 572
## Co-op City Cobble Hill
## 2 99
## College Point Columbia St
## 19 42
## Concord Concourse
## 26 50
## Concourse Village Coney Island
## 32 17
## Corona Crown Heights
## 64 1564
## Cypress Hills Ditmars Steinway
## 135 309
## Dongan Hills Douglaston
## 7 8
## Downtown Brooklyn DUMBO
## 83 36
## Dyker Heights East Elmhurst
## 12 185
## East Flatbush East Harlem
## 500 1117
## East Morrisania East New York
## 10 218
## East Village Eastchester
## 1853 13
## Edenwald Edgemere
## 13 11
## Elmhurst Eltingville
## 237 3
## Emerson Hill Far Rockaway
## 5 29
## Fieldston Financial District
## 12 744
## Flatbush Flatiron District
## 621 80
## Flatlands Flushing
## 83 426
## Fordham Forest Hills
## 63 144
## Fort Greene Fort Hamilton
## 489 55
## Fort Wadsworth Fresh Meadows
## 1 32
## Glendale Gowanus
## 54 247
## Gramercy Graniteville
## 338 3
## Grant City Gravesend
## 6 68
## Great Kills Greenpoint
## 10 1115
## Greenwich Village Grymes Hill
## 392 7
## Harlem Hell's Kitchen
## 2658 1958
## Highbridge Hollis
## 27 14
## Holliswood Howard Beach
## 4 20
## Howland Hook Huguenot
## 2 3
## Hunts Point Inwood
## 18 252
## Jackson Heights Jamaica
## 186 231
## Jamaica Estates Jamaica Hills
## 19 8
## Kensington Kew Gardens
## 175 32
## Kew Gardens Hills Kingsbridge
## 26 70
## Kips Bay Laurelton
## 470 18
## Lighthouse Hill Little Italy
## 2 121
## Little Neck Long Island City
## 5 537
## Longwood Lower East Side
## 62 911
## Manhattan Beach Marble Hill
## 8 12
## Mariners Harbor Maspeth
## 8 110
## Melrose Middle Village
## 10 31
## Midland Beach Midtown
## 6 1545
## Midwood Mill Basin
## 109 4
## Morningside Heights Morris Heights
## 346 17
## Morris Park Morrisania
## 15 18
## Mott Haven Mount Eden
## 60 6
## Mount Hope Murray Hill
## 20 485
## Navy Yard Neponsit
## 14 3
## New Brighton New Dorp
## 5 1
## New Dorp Beach New Springville
## 5 8
## NoHo Nolita
## 78 253
## North Riverdale Norwood
## 10 31
## Oakwood Olinville
## 5 4
## Ozone Park Park Slope
## 62 506
## Parkchester Pelham Bay
## 39 17
## Pelham Gardens Port Morris
## 28 46
## Port Richmond Prince's Bay
## 9 4
## Prospect-Lefferts Gardens Prospect Heights
## 535 357
## Queens Village Randall Manor
## 60 19
## Red Hook Rego Park
## 79 106
## Richmond Hill Richmondtown
## 94 1
## Ridgewood Riverdale
## 423 11
## Rockaway Beach Roosevelt Island
## 56 77
## Rosebank Rosedale
## 7 59
## Rossville Schuylerville
## 1 13
## Sea Gate Sheepshead Bay
## 7 164
## Shore Acres Silver Lake
## 7 2
## SoHo Soundview
## 358 15
## South Beach South Ozone Park
## 8 40
## South Slope Springfield Gardens
## 284 85
## Spuyten Duyvil St. Albans
## 4 76
## St. George Stapleton
## 48 27
## Stuyvesant Town Sunnyside
## 37 363
## Sunset Park Theater District
## 390 288
## Throgs Neck Todt Hill
## 24 4
## Tompkinsville Tottenville
## 42 7
## Tremont Tribeca
## 11 177
## Two Bridges Unionport
## 72 7
## University Heights Upper East Side
## 21 1798
## Upper West Side Van Nest
## 1971 11
## Vinegar Hill Wakefield
## 34 50
## Washington Heights West Brighton
## 899 18
## West Farms West Village
## 2 768
## Westchester Square Westerleigh
## 10 2
## Whitestone Williamsbridge
## 11 40
## Williamsburg Willowbrook
## 3920 1
## Windsor Terrace Woodhaven
## 157 88
## Woodlawn Woodrow
## 11 1
## Woodside
## 235table(airbnb_data$neighbourhood_group)##
## Bronx Brooklyn Manhattan Queens Staten Island
## 1091 20104 21661 5666 3734.2. Hồi quy
Hồi quy mô hình đơn giản, giữa giá nhà và loại phòng, nhận xét về mô hình như thế nào?
airbnb_model_1 <- lm (price ~ room_type, data = airbnb_data)
summary(airbnb_model_1)##
## Call:
## lm(formula = price ~ room_type, data = airbnb_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -211.8 -59.8 -29.8 9.2 9910.2
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 211.794 1.456 145.43 <2e-16 ***
## room_typePrivate room -122.013 2.130 -57.30 <2e-16 ***
## room_typeShared room -141.667 6.970 -20.32 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 232.1 on 48892 degrees of freedom
## Multiple R-squared: 0.06561, Adjusted R-squared: 0.06558
## F-statistic: 1717 on 2 and 48892 DF, p-value: < 2.2e-16Hồi quy mô hình theo giá nhà và neighbourhood_group, so sánh với mô hình hồi quy airbnb_model_1
airbnb_model_2 <- lm (price ~ room_type + neighbourhood_group , data = airbnb_data)
summary(airbnb_model_2)##
## Call:
## lm(formula = price ~ room_type + neighbourhood_group, data = airbnb_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -240.9 -63.3 -22.8 9.1 9940.9
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 161.471 7.105 22.725 < 2e-16 ***
## room_typePrivate room -111.483 2.144 -52.002 < 2e-16 ***
## room_typeShared room -133.641 6.923 -19.305 < 2e-16 ***
## neighbourhood_groupBrooklyn 21.843 7.163 3.050 0.00229 **
## neighbourhood_groupManhattan 79.448 7.164 11.089 < 2e-16 ***
## neighbourhood_groupQueens 9.064 7.611 1.191 0.23369
## neighbourhood_groupStaten Island 12.756 13.809 0.924 0.35560
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 230.2 on 48888 degrees of freedom
## Multiple R-squared: 0.08159, Adjusted R-squared: 0.08148
## F-statistic: 723.9 on 6 and 48888 DF, p-value: < 2.2e-16Kiểm tra độ phù hợp của mô hình
Mô hình gồm tất cả các biến: Mô hình không phù hợp!!
plot(airbnb_model_2)
airbnb_model_3 <- lm (price ~ neighbourhood_group + latitude +
longitude + room_type + minimum_nights +
number_of_reviews + reviews_per_month +
calculated_host_listings_count +
availability_365, data = airbnb_data)
summary(airbnb_model_3)##
## Call:
## lm(formula = price ~ neighbourhood_group + latitude + longitude +
## room_type + minimum_nights + number_of_reviews + reviews_per_month +
## calculated_host_listings_count + availability_365, data = airbnb_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -210.2 -52.9 -18.2 17.0 9966.7
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.670e+04 2.891e+03 -9.236 < 2e-16 ***
## neighbourhood_groupBrooklyn -1.686e+01 7.959e+00 -2.118 0.034203 *
## neighbourhood_groupManhattan 3.337e+01 7.205e+00 4.632 3.64e-06 ***
## neighbourhood_groupQueens 5.137e+00 7.648e+00 0.672 0.501838
## neighbourhood_groupStaten Island -1.424e+02 1.494e+01 -9.531 < 2e-16 ***
## latitude -1.491e+02 2.847e+01 -5.238 1.63e-07 ***
## longitude -4.455e+02 3.247e+01 -13.722 < 2e-16 ***
## room_typePrivate room -1.007e+02 1.954e+00 -51.533 < 2e-16 ***
## room_typeShared room -1.359e+02 6.520e+00 -20.838 < 2e-16 ***
## minimum_nights -2.114e-01 5.513e-02 -3.834 0.000126 ***
## number_of_reviews -1.955e-01 2.365e-02 -8.267 < 2e-16 ***
## reviews_per_month 1.261e-01 6.852e-01 0.184 0.854014
## calculated_host_listings_count -9.449e-02 3.713e-02 -2.545 0.010928 *
## availability_365 1.734e-01 7.750e-03 22.371 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 185 on 38829 degrees of freedom
## (10052 observations deleted due to missingness)
## Multiple R-squared: 0.1181, Adjusted R-squared: 0.1178
## F-statistic: 399.8 on 13 and 38829 DF, p-value: < 2.2e-16Giải thích hệ số hồi quy và hệ số xác định R^2 trong mô hình trên.
plot(airbnb_model_3)
Mô hình khá xâu!! Nguyên nhân???????????????????????????
Kiểm tra lại biến phụ thuộc price
summary(airbnb_data$price)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0 69.0 106.0 152.7 175.0 10000.0plot(airbnb_data$price)
hist(airbnb_data$price)
Đồ thị trên cho thấy giá nhà có một số giá trị ngoại lai, do đó, chúng ta loại bỏ 10% giá trị lớn nhất và 10% giá trị nhỏ nhất. Đây là 1 thao tác thường sử dụng khi nghiên cứu về giá tiền. Lưu ý như sau * Có thể loại bỏ ít hơn như 1% top và 1% bottom, loại bỏ bao nhiêu là tùy vào từng số liệu và giá của biến đó. Loại bỏ bao nhiêu thì sẽ viết lại trong báo cáo * Biến giá như trên cũng xử lý tương tự như các biến về tiền như thu nhập, chi tiêu.. * Khi loại bỏ các giá trị lớn nhất và nhỏ nhất là 1 bước của xử lý sạch số liệu, nên quá trình xử lý sạch sẽ kết hợp với quá trình phân tích và làm đi làm lại nhiều lần đến khi tìm được mô hình phù hợp nhất.
4.3. Loại bỏ 10% giá trị lớn nhất và 10% giá trị nhỏ nhất
q90 <- quantile(airbnb_data$price, 0.9)
q10 <- quantile(airbnb_data$price, 0.1)
airbnb_filtered_data <- airbnb_data[ airbnb_data$price > q10 & airbnb_data$price < q90, ]
#Code nang cao nhu duoi nay!!
#airbnb_filtered_data <- airbnb_data %>%
# filter(price < quantile(airbnb_data$price, 0.9) & price > quantile(airbnb_data$price, 0.1)) %>%
#drop_na()Nhìn lại giá trị price sau khi đã loại bỏ số liệu trên số liệu airbnb_filtered_data.
summary(airbnb_filtered_data$price)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 50.0 75.0 107.0 121.6 155.0 268.0plot(airbnb_filtered_data$price)
hist(airbnb_filtered_data$price)
4.3. Thực hiện lại mô hình hồi quy trên số liệu mới
airbnb_model_3_new <- lm (price ~ neighbourhood_group + latitude +
longitude + room_type + minimum_nights +
number_of_reviews + reviews_per_month +
calculated_host_listings_count +
availability_365, data = airbnb_filtered_data)
summary(airbnb_model_3_new)##
## Call:
## lm(formula = price ~ neighbourhood_group + latitude + longitude +
## room_type + minimum_nights + number_of_reviews + reviews_per_month +
## calculated_host_listings_count + availability_365, data = airbnb_filtered_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -119.078 -26.152 -6.408 21.040 213.601
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.528e+04 7.138e+02 -21.410 < 2e-16 ***
## neighbourhood_groupBrooklyn -6.278e+00 2.062e+00 -3.044 0.00234 **
## neighbourhood_groupManhattan 1.692e+01 1.895e+00 8.933 < 2e-16 ***
## neighbourhood_groupQueens 4.848e+00 1.996e+00 2.429 0.01515 *
## neighbourhood_groupStaten Island -7.136e+01 3.805e+00 -18.754 < 2e-16 ***
## latitude -7.004e+01 6.932e+00 -10.104 < 2e-16 ***
## longitude -2.471e+02 8.022e+00 -30.804 < 2e-16 ***
## room_typePrivate room -6.136e+01 4.705e-01 -130.410 < 2e-16 ***
## room_typeShared room -7.427e+01 2.157e+00 -34.440 < 2e-16 ***
## minimum_nights -1.737e-01 1.277e-02 -13.598 < 2e-16 ***
## number_of_reviews -2.268e-02 5.675e-03 -3.997 6.43e-05 ***
## reviews_per_month -1.242e-01 1.675e-01 -0.742 0.45832
## calculated_host_listings_count 1.152e-01 9.423e-03 12.226 < 2e-16 ***
## availability_365 4.117e-02 1.925e-03 21.382 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 40.56 on 31543 degrees of freedom
## (7400 observations deleted due to missingness)
## Multiple R-squared: 0.4458, Adjusted R-squared: 0.4456
## F-statistic: 1952 on 13 and 31543 DF, p-value: < 2.2e-16plot(airbnb_model_3_new)
Vì biến giá là không âm, nên chúng ta có thể sử dụng logarit của price trong mô hình. Đầu tiên, nhìn thống kê mô tả của biến logarit(price)
summary(log(airbnb_filtered_data$price))## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.912 4.317 4.673 4.698 5.043 5.591plot(log(airbnb_filtered_data$price))
hist(log(airbnb_filtered_data$price))
Kiểm tra mô hình hồi quy với log(price) và so sánh với mô hình airbnb_model_3_new
airbnb_model_3_new_log <- lm (log(price) ~ neighbourhood_group + latitude +
longitude + room_type + minimum_nights +
number_of_reviews + reviews_per_month +
calculated_host_listings_count +
availability_365, data = airbnb_filtered_data)
summary(airbnb_model_3_new_log )##
## Call:
## lm(formula = log(price) ~ neighbourhood_group + latitude + longitude +
## room_type + minimum_nights + number_of_reviews + reviews_per_month +
## calculated_host_listings_count + availability_365, data = airbnb_filtered_data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.18736 -0.22499 -0.01509 0.20763 1.67519
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -1.311e+02 5.620e+00 -23.336 < 2e-16 ***
## neighbourhood_groupBrooklyn -4.271e-02 1.624e-02 -2.630 0.00855 **
## neighbourhood_groupManhattan 1.515e-01 1.492e-02 10.158 < 2e-16 ***
## neighbourhood_groupQueens 4.487e-02 1.572e-02 2.855 0.00431 **
## neighbourhood_groupStaten Island -6.020e-01 2.996e-02 -20.092 < 2e-16 ***
## latitude -5.503e-01 5.458e-02 -10.084 < 2e-16 ***
## longitude -2.142e+00 6.317e-02 -33.915 < 2e-16 ***
## room_typePrivate room -5.416e-01 3.705e-03 -146.189 < 2e-16 ***
## room_typeShared room -6.611e-01 1.698e-02 -38.934 < 2e-16 ***
## minimum_nights -1.372e-03 1.006e-04 -13.640 < 2e-16 ***
## number_of_reviews -7.793e-05 4.468e-05 -1.744 0.08114 .
## reviews_per_month -1.962e-03 1.319e-03 -1.488 0.13681
## calculated_host_listings_count 4.792e-04 7.420e-05 6.458 1.08e-10 ***
## availability_365 3.333e-04 1.516e-05 21.989 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3194 on 31543 degrees of freedom
## (7400 observations deleted due to missingness)
## Multiple R-squared: 0.4955, Adjusted R-squared: 0.4952
## F-statistic: 2383 on 13 and 31543 DF, p-value: < 2.2e-16plot(airbnb_model_3_new_log )
5. Dự báo giá nhà
Phần dự báo giá trị cá thể có thể được thực hiện lệch predict() trong R khi cung cấp đầy đủ các thông tin các biến độc lập.
Với mô hình dự báo tổng quát hơn, thường chia số liệu thành 2 tập (train và test) và thực hiện, chi tiết tham khảo tại: https://rpubs.com/SayakChakraborty/NewYorkAirBnB_Modelling
---
title: "New York AirBnB: Price Prediction for AirBnbs in New York"
author: "NHL, TTH, NTN"
date: "19/05/2022"
output: 
  html_document: 
    code_download: true
    code_folding: hide
    highlight: pygments
    # number_sections: yes
    theme: "flatly"
    toc: TRUE
    toc_float: TRUE
---

```{r setup,include=FALSE}
knitr::opts_chunk$set(echo = TRUE, warning = FALSE, message = FALSE)
```

Tài liệu khóa Tập huấn giảng viên miền Bắc, Tháng 5/2022.

Code thực hành theo dữ liệu mẫu từ: https://rpubs.com/SayakChakraborty/NewYorkAirBnB_Modelling 


Trong dự án này, chúng tôi trình bày về phân tích dữ liệu, trực quan hóa và mô hình hóa dữ liệu Airbnb của New York. Airbnb, Inc. là một công ty trực tuyến về dịch vụ lưu trú, chủ yếu là nhà dân. Công ty không sở hữu bất kỳ danh sách bất động sản nào, cũng như không tổ chức các sự kiện; nó hoạt động như một nhà môi giới, nhận hoa hồng từ mỗi lần đặt chỗ. Doanh thu của Airbnb đến từ khách và chủ nhà của mình: Chủ nhà bị tính phí 3% giá trị đặt phòng, trong khi khách đặt phòng bị tính phí 6% -12% theo giá trị thuê. Thị trường Airbnb đang khá nở rộ ở thành phố New York (NYC), nơi có hơn 48.000 danh sách tính đến tháng 8 năm 2019.


Dữ liệu tải về từ website: https://www.kaggle.com/datasets/dgomonov/new-york-city-airbnb-open-data 


Mục đích của bài thực hành là dự đoán các yếu tố ảnh hưởng đến giá của các nhà cho thuê trên website trực tuyến airbnbs xung quanh New York. Phần thực hành bao gồm việc lựa chọn các loại mô hình khác nhau, lựa chọn biến, xét sự phù hợp của mô hình và đi đến mô hình cuối cùng

Chúng tôi thực hiện dự án theo các bước sau:

* Làm sạch và chuẩn bị dữ liệu
*  Trực quan hóa dữ liệu
*  Mô hình hóa và Kiểm tra mô hình
*  Hoàn thiện mô hình
*  Dự đoán bằng Mô hình cuối cùng (tự tham khảo)

## 1. Đọc dữ liệu


Nhập dữ liệu và đặt tên là airbnb_data 

```{r}
setwd("D:/TaphuanVIASM2022/Co ban ThaiNguyen_May2022/Project")
airbnb_data <- read.csv("AB_NYC_2019.csv")
```

Xem một số thống kê mô tả về số liệu

```{r}
dim(airbnb_data) # 48895  x  16
head(airbnb_data)
names(airbnb_data)

```


Ý nghĩa của các biến như sau

* ID Mã căn hộ
* name: Tên ngắn gọn của căn hộ
* host_id : Mã chủ nhà
* host_name: Tên chủ nhà
* neighbourhood_group: Địa chỉ
* neighbourhood: Khu vực
* latitude: vĩ độ
* longitude: Kinh độ
* room_type: loại phòng ở
* price: Giá phòng (đơn vị: Đô la)
* minimum_nights: Số đêm đặt phòng tối thiểu 
* number_of_reviews
* last_review 
* reviews_per_month 
* calculated_host_listings_count
* availability_365 


## 2.Tải một số gói lệnh cho quá trình phân tích

```{r}
require(tidyverse)
```


## 3. Khám phá số liệu
### 3.1. Kiểm tra dữ liệu khuyết (NA)

Xem cấu trúc số liệu


```{r}
str(airbnb_data)
```

Kiểm tra dữ liệu khuyết
```{r}
dim(airbnb_data)
summary(is.na(airbnb_data))
```

Một cách đơn giản sau để minh họa dữ liệu khuyết bằng hình vẽ, lệnh dưới này thuộc gói naniar

```{r}
require(naniar)

naniar::gg_miss_var(airbnb_data) +
  #theme_minimal()+
  labs(y = "Look at all the Missing Values") 

```


Phân tích cho thấy không có giá trị nào bị thiếu trong tập số liệu, từ biến "reviews_per_month" có 10052 giá trị bị thiếu như phân tích ở trên. Biến trên là 1 biến dự kiến đưa vào trong nghiên cứu nên chúng ta sẽ quyết định xử lý với giá trị khuyết sau. 

Do đó, về vấn đề xử lý số liệu sạch, các biến đều được coi là sạch trừ biến "reviews_per_month". Biến này sẽ cần phải xử lý thêm. Một cách đơn giản nhất để xử lý dữ liệu khuyết là xóa các dữ liệu khuyết, tuy nhiên, tỉ lệ số liệu khuyết là rất lớn (10052/48895 = 20 %). Do đó, trường hợp này chúng ta không xóa các dữ liệu khuyết.

### 3.2. Khám phá số liệu

Trong phần này, chúng ta thực hiện thống kê mô tả cho một số biến để rõ hơn về đặc điểm số liệu

#### a. Biến room_type: loại phòng ở

```{r}
unique(airbnb_data$room_type)
summary(airbnb_data$room_type)
table(airbnb_data$room_type)
```
Chúng ta có thể vẽ 1 biểu đồ cột đơn giản về số lượng các loại phòng ở, có 5 loại khu

```{r}
data.bar <- table(airbnb_data$room_type)
 barplot (data.bar)

table(airbnb_data$neighbourhood_group)
```


Thống kê mô tả theo neighbourhood_group và room_type

```{r}
data.bar2 <- table(airbnb_data$neighbourhood_group, airbnb_data$room_type)
head(data.bar2)
 barplot (data.bar2, main = "Which types of Listings are there in NYC?")
```

Đồ thị vẽ đẹp hơn thì dùng ggplot2, đầu tiên là đếm số quan sát, sau đó dùng lệnh vẽ hình

```{r}
property_df <-  airbnb_data %>% 
  group_by(neighbourhood_group, room_type) %>% 
  summarize(Freq = n())
head(property_df)

```

```{r}
ggplot(property_df, aes(x= neighbourhood_group, y = Freq, fill = room_type)) +
  geom_bar(position = "dodge", stat="identity") + 
  xlab("Borough") + ylab ("Count")+
  ggtitle("Which types of Listings are there in NYC?")
```
Nhận xét về đồ thị hình hộp và phân nhóm như trên như thế nào?


#### b.Trung bình giá thuê nhà và Neighbourhood Group

Xem thống kê mô tả về giá thuê nhà
```{r}
summary(airbnb_data$price)
table(airbnb_data$neighbourhood_group)
```

Xem trung bình cho 1 khu vực

```{r}
mean(airbnb_data[airbnb_data$neighbourhood_group == "Bronx", "price" ])
```

Biểu đồ hộp về giá thuê theo các khu vực như sau, hãy bình luận về biểu đồ hộp này (Lưu ý là có rất nhiều giá trị ngoại lai!!)

```{r}
boxplot(price ~ neighbourhood_group, data = airbnb_data)
```

Vẽ đồ thị về giá nhà theo khu vực, thông qua hàm aggregate()

```{r}
aggregate(price ~ neighbourhood_group, data = airbnb_data, FUN = mean)
```
Sau đó, có thể vẽ biểu đồ hình cột
```{r}
ag <- aggregate(price ~ neighbourhood_group, data = airbnb_data, FUN = mean)
 barplot (price ~ neighbourhood_group, data = ag )
```


Sử dụng ggplot2, có thể vẽ 1 hình về trung bình giá nhà theo khu vực

```{r}
d.ag <- airbnb_data %>% group_by(neighbourhood_group) %>%
  summarise(price = mean(price))

ggplot(d.ag, aes(x=neighbourhood_group, y = price)) +
  geom_bar(position = "dodge", stat="identity", fill = "blue") + 
  ggtitle("Mean Price comparison for each Neighbourhood Group")
```

#### c.Tương tự, có thể làm thống kê mô tả của giá nhà theo loại phòng ở

```{r}
boxplot(price ~ room_type, data = airbnb_data)
```

So sánh trung bình giá nhà theo loại phòng
```{r}
ag <- aggregate(price ~ room_type, data = airbnb_data, FUN = mean)
 barplot (price ~ room_type, data = ag )
```

## 4. Mô hình dự báo giá nhà

### 4.1. Đề xuất mô hình
Trong phần tiếp theo, chúng tôi làm mô hình dự báo giá nhà phụ thuộc vào các biến sau

* neighbourhood_group
* latitude
* longitude
* room_type
* minimum_nights
* number_of_reviews
* reviews_per_month
* calculated_host_listings_count
* availability_365

Ngoài ra, các biến còn lại không được đưa vào mô hình hồi quy, cụ thể như sau

Các biến định danh như: id, name, host_id, host_name, neighbourhood,  

Các biến last_review là biến theo ngày tháng
Biến neighbourhood thì đã sử dụng biến tương tự nhưng có thông tin tổng quát hơn là biến neighbourhood_group.

```{r}
head(airbnb_data$last_review)
table(airbnb_data$neighbourhood)
table(airbnb_data$neighbourhood_group)
```

### 4.2. Hồi quy

Hồi quy mô hình đơn giản, giữa giá nhà và loại phòng, nhận xét về mô hình như thế nào?

```{r}
airbnb_model_1 <- lm (price ~ room_type, data = airbnb_data)
summary(airbnb_model_1)
```

Hồi quy mô hình theo giá nhà và neighbourhood_group, so sánh với mô hình hồi quy  airbnb_model_1
```{r}
airbnb_model_2 <- lm (price ~ room_type + neighbourhood_group , data = airbnb_data)
summary(airbnb_model_2)
```

Kiểm tra độ phù hợp của mô hình

Mô hình gồm tất cả các biến: Mô hình không phù hợp!!
```{r}
plot(airbnb_model_2)
```


```{r}
airbnb_model_3 <- lm (price ~ neighbourhood_group + latitude +
                        longitude + room_type + minimum_nights  +
                        number_of_reviews + reviews_per_month +
                        calculated_host_listings_count +
                        availability_365, data = airbnb_data)
summary(airbnb_model_3)
```

Giải thích hệ số hồi quy và hệ số xác định R^2 trong mô hình trên.


```{r}
plot(airbnb_model_3)
```


Mô hình khá xâu!! Nguyên nhân???????????????????????????

Kiểm tra lại biến phụ thuộc price

```{r}
summary(airbnb_data$price)
```

```{r}
plot(airbnb_data$price)
hist(airbnb_data$price)
```

Đồ thị trên cho thấy giá nhà có một số giá trị ngoại lai, do đó, chúng ta loại bỏ 10% giá trị lớn nhất và 10% giá trị nhỏ nhất. Đây là 1 thao tác thường sử dụng khi nghiên cứu về giá tiền. Lưu ý như sau
 * Có thể loại bỏ ít hơn như 1% top và 1% bottom, loại bỏ bao nhiêu là tùy vào từng số liệu và giá của biến đó. Loại bỏ bao nhiêu thì sẽ viết lại trong báo cáo
 * Biến giá như trên cũng xử lý tương tự như các biến về tiền như thu nhập, chi tiêu..
 * Khi loại bỏ các giá trị lớn nhất và nhỏ nhất là 1 bước của xử lý sạch số liệu, nên quá trình xử lý sạch sẽ kết hợp với quá trình phân tích và làm đi làm lại nhiều lần đến khi tìm được mô hình phù hợp nhất.


### 4.3. Loại bỏ 10% giá trị lớn nhất và 10% giá trị nhỏ nhất

```{r}

q90 <- quantile(airbnb_data$price, 0.9)
q10 <- quantile(airbnb_data$price, 0.1)
airbnb_filtered_data <-  airbnb_data[ airbnb_data$price > q10 &  airbnb_data$price < q90, ]
#Code nang cao nhu duoi nay!!
#airbnb_filtered_data <- airbnb_data %>% 
 # filter(price < quantile(airbnb_data$price, 0.9) & price > quantile(airbnb_data$price, 0.1)) %>% 
  #drop_na()
```

Nhìn lại giá trị price sau khi đã loại bỏ số liệu trên số liệu airbnb_filtered_data.


```{r}
summary(airbnb_filtered_data$price)
plot(airbnb_filtered_data$price)
hist(airbnb_filtered_data$price)
```

### 4.3. Thực hiện lại mô hình hồi quy trên số liệu mới

```{r}
airbnb_model_3_new <- lm (price ~ neighbourhood_group + latitude +
                        longitude + room_type + minimum_nights  +
                        number_of_reviews + reviews_per_month +
                        calculated_host_listings_count +
                        availability_365, data = airbnb_filtered_data)
summary(airbnb_model_3_new)
plot(airbnb_model_3_new)
```

Vì biến giá là không âm, nên chúng ta có thể sử dụng logarit của price trong mô hình. Đầu tiên, nhìn thống kê mô tả của biến logarit(price)

```{r}
summary(log(airbnb_filtered_data$price))
plot(log(airbnb_filtered_data$price))
hist(log(airbnb_filtered_data$price))
```

Kiểm tra mô hình hồi quy với log(price) và so sánh với mô hình airbnb_model_3_new

```{r}
airbnb_model_3_new_log <- lm (log(price) ~ neighbourhood_group + latitude +
                        longitude + room_type + minimum_nights  +
                        number_of_reviews + reviews_per_month +
                        calculated_host_listings_count +
                        availability_365, data = airbnb_filtered_data)
summary(airbnb_model_3_new_log )
plot(airbnb_model_3_new_log )
```


## 5. Dự báo giá nhà

Phần dự báo giá trị cá thể có thể được thực hiện lệch predict() trong R khi cung cấp đầy đủ các thông tin các biến độc lập.

Với mô hình dự báo tổng quát hơn, thường chia số liệu thành 2 tập (train và test) và thực hiện, chi tiết tham khảo tại: https://rpubs.com/SayakChakraborty/NewYorkAirBnB_Modelling 

