教你用Python＋随机森林模型预测机票价格

大家好，欢迎来到 Crossin的编程教室 ！

今天我们来分享一个机器学习方面的案例，通过已有数据进行预测。

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，并掌握基本的Python使用。如果没有，可以通过我们的教程先进行学习：python666.cn

(可选1)如果你用Python的目的是数据分析，可以直接安装Anaconda，它内置了Python和pip，以及数据分析所需的常用模块。参考前文：我也曾经因安装库而抓狂，直到我遇到了anaconda

请选择以下任一种方式输入命令安装依赖（anaconda可跳过）：

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，或通过设置工具进行安装。

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：

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。

完整数据集和代码见文末。

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：

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：

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：

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

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

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

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：

接下来，研究一下出发时间和价格的关系：

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？

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：

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：

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：

对每列数据进行特征缩放，提取自变量（x）和因变量（y）：

划分测试集和训练集：

4.2 模型训练及测试

使用随机森林进行模型训练：

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：

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：

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 :

结果：

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：

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。

以上就是本次利用随机森林模型预测机票价格的全部过程。

本文译自kaggle社区，有较多的增删:

https://www.kaggle.com/harikrishna9/how-to-predict-flight-ticket-price/notebook

获取完整数据集和代码，请在公众号回复关键字：机票