印度的机票价格基于供需关系浮动，很少受到监管机构的限制。因此它通常被认为是不可预测的，而动态定价机制更增添了人们的困惑。
我们的目的是建立一个机器学习模型，根据历史数据预测未来航班的价格，这些航班价格可以给客户或航空公司服务提供商作为参考价格。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。
如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.
此外，推荐大家用VSCode编辑器，它有许多许多的优点：Python 编程的最好搭档—VSCode 详细指南。
输入命令安装依赖：
1. Windows 环境 打开 Cmd (开始-运行-CMD)
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal
-
pip install pandas
-
pip install numpy
-
pip install matplotlib
-
pip install seaborn
-
pip install scikit-learn
2.导入相关数据集
本文的数据集是 Data_Train.xlsx，首先看看训练集的格式：
-
import pandas as pd
-
import numpy as np
-
import matplotlib.pyplot as plt
-
import seaborn as sns
-
sns.set_style(
'whitegrid')
-
-
-
flights = pd.read_excel(
'./Data_Train.xlsx')
-
flights.head()
可见训练集中的字段有航空公司(Airline)、日期(Date_of_Journey)、始发站(Source)、终点站(Destination)、路线(Route)、起飞时间(Dep_Time)、抵达时间(Arrival_Time)、历经时长(Duration)、总计停留站点个数(Total_Stops)、额外信息(Additional_Info)，最后是机票价格(Price)。
与其相对的测试集，除了缺少价格字段之外，与训练集的其他所有字段均一致。
下载完整数据源和代码请访问：
https://pythondict.com/download/predict-ticket/
或在Python实用宝典后台回复：预测机票。
3.探索性数据分析
3.1 清理缺失数据
看看所有字段的基本信息：
flights.info()
其他的非零值数量均为10683，只有路线和停靠站点数是10682，说明这两个字段缺少了一个值。
谨慎起见，我们删掉缺少数据的行：
-
# clearing the missing data
-
flights.dropna(inplace=True)
-
flights.info()
现在非零值达到一致数量，数据清理完毕。
3.2 航班公司分布特征
接下来看看航空公司的分布特征：
-
sns.countplot(
'Airline', data=flights)
-
plt.xticks(rotation=
90)
-
plt.show()
前三名的航空公司分别是 IndiGo, Air India, JetAirways.
其中可能存在廉价航空公司。
3.3 再来看看始发地的分布
-
sns.countplot(
'Source',data=flights)
-
plt.xticks(rotation=
90)
-
plt.show()
某些地区可能是冷门地区，存在冷门机票的可能性比较大。
3.4 停靠站点的数量分布
-
sns.countplot(
'Total_Stops',data=flights)
-
plt.xticks(rotation=
90)
-
plt.show()
看来大部分航班在飞行途中只停靠一次或无停靠。
会不会某些停靠多的航班比较便宜？
3.5 有多少数据含有额外信息
-
plot=plt.figure()
-
sns.countplot(
'Additional_Info',data=flights)
-
plt.xticks(rotation=
90)
大部分航班信息中都没有包含额外信息，除了部分航班信息有：不包含飞机餐、不包含免费托运。
这个信息挺重要的，是否不包含这两项服务的飞机机票比较便宜？
3.6 时间维度分析
首先转换时间格式：
-
flights[
'Date_of_Journey'] = pd.to_datetime(flights[
'Date_of_Journey'])
-
flights[
'Dep_Time'] = pd.to_datetime(flights[
'Dep_Time'],format=
'%H:%M:%S').dt.time
接下来，研究一下出发时间和价格的关系：
-
flights[
'weekday'] = flights[[
'Date_of_Journey']].apply(lambda x:x.dt.day_name())
-
sns.barplot(
'weekday',
'Price',data=flights)
-
plt.show()
大体上价格没有差别，说明这个特征是无效的。
那么月份和机票价格的关系呢？
-
flights[
"month"] = flights[
'Date_of_Journey'].
map(lambda x: x.month_name())
-
sns.barplot(
'month',
'Price',data=flights)
-
plt.show()
没想到4月的机票价格均价只是其他月份的一半，看来4月份是印度的出行淡季吧。
起飞时间和价格的关系：
-
flights[
'Dep_Time'] = flights[
'Dep_Time'].apply(lambda x:x.hour)
-
flights[
'Dep_Time'] = pd.to_numeric(flights[
'Dep_Time'])
-
sns.barplot(
'Dep_Time',
'Price',data=flights)
-
plot.show()
可以看到，红眼航班（半夜及早上）的机票比较便宜，这是符合我们的认知的。
3.7 清除无效特征
把那些和价格没有关联关系的字段直接去除掉：
-
flights.drop([
'Route',
'Arrival_Time',
'Date_of_Journey'],axis=
1,inplace=True)
-
flights.head()
4.模型训练
接下来，我们可以准备使用模型来预测机票价格了，不过，还需要对数据进行预处理和特征缩放。
4.1 数据预处理
将字符串变量使用数字替代：
-
from sklearn.preprocessing
import LabelEncoder
-
var_mod = [
'Airline',
'Source',
'Destination',
'Additional_Info',
'Total_Stops',
'weekday',
'month',
'Dep_Time']
-
le = LabelEncoder()
-
for i in var_mod:
-
flights[i] = le.fit_transform(flights[i])
-
flights.head()
对每列数据进行特征缩放，提取自变量（x）和因变量（y）：
-
flights.corr()
-
def outlier(df):
-
for i in df.describe().columns:
-
Q1=df.describe().at[
'25%',i]
-
Q3=df.describe().at[
'75%',i]
-
IQR= Q3-Q1
-
LE=Q1
-1.5*IQR
-
UE=Q3+
1.5*IQR
-
df[i]=df[i].mask(df[i]<LE,LE)
-
df[i]=df[i].mask(df[i]>UE,UE)
-
return df
-
flights = outlier(flights)
-
x = flights.drop(
'Price',axis=
1)
-
y = flights[
'Price']
划分测试集和训练集：
-
from sklearn.model_selection
import train_test_split
-
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=
0.2, random_state=
101)
4.2 模型训练及测试
使用随机森林进行模型训练：
-
from sklearn.ensemble
import RandomForestRegressor
-
rfr=RandomForestRegressor(n_estimators=
100)
-
rfr.fit(x_train,y_train)
在随机森林中，我们有一种根据数据的相关性来确定特征重要性的方法：
-
features=x.columns
-
importances = rfr.feature_importances_
-
indices = np.argsort(importances)
-
plt.figure(
1)
-
plt.title(
'Feature Importances')
-
plt.barh(
range(
len(indices)), importances[indices], color=
'b', align=
'center')
-
plt.yticks(
range(
len(indices)), features[indices])
-
plt.xlabel(
'Relative Importance')
可以看到，Duration(飞行时长)是影响最大的因子。
对划分的测试集进行预测，得到结果：
-
predictions=rfr.predict(x_test)
-
plt.scatter(y_test,predictions)
-
plt.show()
这样看不是很直观，接下来我们要数字化地评价这个模型。
4.3 模型评价
sklearn 提供了非常方便的函数来评价模型，那就是 metrics :
-
from sklearn
import metrics
-
print(
'MAE:', metrics.mean_absolute_error(y_test, predictions))
-
print(
'MSE:', metrics.mean_squared_error(y_test, predictions))
-
print(
'RMSE:', np.sqrt(metrics.mean_squared_error(y_test, predictions)))
-
print(
'r2_score:', (metrics.r2_score(y_test, predictions)))
结果：
-
MAE:
1453.9350628905618
-
MSE:
4506308.3645551
-
RMSE:
2122.806718605135
-
r2_score:
0.7532074710409375
这4个值中你可以只关注R2_score，r2越接近1说明模型效果越好，这个模型的分数是0.75，算是很不错的模型了。
看看其残差直方图是否符合正态分布：
-
sns.distplot((y_test-predictions),bins=
50)
-
plt.show()
不错，多数预测结果和真实值都在-1000到1000的范围内，算是可以接受的结果。其残差直方图也基本符合正态分布，说明模型是有效果的。
译自kaggle社区，有较多的增删:
https://www.kaggle.com/harikrishna9/how-to-predict-flight-ticket-price/notebook
我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应红字验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
点击下方阅读原文可获得更好的阅读体验
Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典
转载：https://blog.csdn.net/u010751000/article/details/112256306