Python酒店数据分析实战：从采集到预测建模

1. 酒店数据分析的价值与挑战

酒店行业每天产生海量数据——从客房预订、入住率、客户评价到消费行为，这些数据背后隐藏着提升运营效率、优化服务质量的黄金机会。我曾为三家连锁酒店实施过数据分析系统，最直观的案例是通过历史入住率预测，将某度假酒店的人力成本降低了23%。

Python凭借其丰富的数据处理库（Pandas、NumPy）和可视化工具（Matplotlib、Seaborn），成为酒店数据分析的首选。但实际操作中会遇到几个典型问题：数据来源分散（前台系统、OTA平台、问卷调查）、非结构化数据占比高（如客户评价文本）、季节性波动明显。这就需要我们设计一套完整的分析流程。

提示：酒店数据敏感性强，分析前务必进行匿名化处理，移除PII（个人身份信息）字段如姓名、身份证号等。

2. 数据采集与清洗实战

2.1 多源数据获取方案

酒店数据通常分布在：

• 结构化数据：PMS（物业管理系统）导出的CSV/Excel（每日房态、收入）
• 半结构化数据：OTA平台的API接口（携程、美团评论）
• 非结构化数据：客服录音、社交媒体文本

以爬取携程评论为例，使用Requests+BeautifulSoup的基础代码框架：

python复制import requests
from bs4 import BeautifulSoup

def scrape_ctrip(hotel_id, max_page=5):
    comments = []
    for page in range(1, max_page+1):
        url = f"https://hotels.ctrip.com/hotel/{hotel_id}/p{page}.html"
        headers = {'User-Agent': 'Mozilla/5.0'}
        response = requests.get(url, headers=headers)
        soup = BeautifulSoup(response.text, 'html.parser')
        
        for comment in soup.select('.comment_item'):
            text = comment.select_one('.comment_txt').text.strip()
            score = float(comment.select_one('.comment_score span').text)
            comments.append({'text': text, 'score': score})
    
    return pd.DataFrame(comments)

2.2 数据清洗关键步骤

原始数据常见问题及处理方法：

1. 缺失值：用前后日期平均值填充房价数据，文本字段保留空字符串
2. 异常值：通过箱线图识别并修正（如房价>3倍标准差时替换为上限值）
3. 时间格式：统一check-in时间转为datetime类型
4. 文本清洗：去除评论中的特殊符号、停用词

python复制# 典型清洗流程示例
def clean_data(df):
    # 处理价格异常
    price_mean = df['price'].mean()
    price_std = df['price'].std()
    df['price'] = df['price'].apply(
        lambda x: min(x, price_mean + 3*price_std)
    )
    
    # 中文文本清洗
    import re
    df['comment'] = df['comment'].str.replace(r'[^\w\s]', '', regex=True)
    return df

3. 核心分析维度与方法

3.1 入住率动态分析

建立时间序列预测模型（ARIMA或Prophet）预测未来30天入住率：

python复制from statsmodels.tsa.arima.model import ARIMA

# 按日聚合历史数据
daily_occupancy = df.groupby('date')['room_id'].nunique() / total_rooms

# 训练ARIMA模型
model = ARIMA(daily_occupancy, order=(7,0,1))  # 7天季节性
results = model.fit()
forecast = results.get_forecast(steps=30)

关键指标可视化：

python复制import matplotlib.pyplot as plt

plt.figure(figsize=(12,6))
plt.plot(daily_occupancy.index, daily_occupancy, label='Historical')
plt.plot(forecast.predicted_mean.index, forecast.predicted_mean, 
         color='red', linestyle='--', label='Forecast')
plt.fill_between(forecast.conf_int().index,
                 forecast.conf_int()['lower occupancy'],
                 forecast.conf_int()['upper occupancy'],
                 color='pink', alpha=0.3)
plt.title('30-Day Occupancy Rate Forecast')
plt.legend()
plt.show()

3.2 客户评价情感分析

使用SnowNLP进行中文情感值计算（替代NLTK对中文的支持不足）：

python复制from snownlp import SnowNLP

def get_sentiment(text):
    return SnowNLP(text).sentiments

df['sentiment'] = df['comment'].apply(get_sentiment)

情感分析结果与评分对比：

python复制plt.scatter(df['score'], df['sentiment'], alpha=0.5)
plt.xlabel('Platform Score (1-5)')
plt.ylabel('Sentiment Value (0-1)')
plt.title('Score vs Sentiment Correlation')

4. 高级分析技巧

4.1 关联规则挖掘

使用Apriori算法发现服务组合规律（如早餐+SPA的频繁项集）：

python复制from mlxtend.frequent_patterns import apriori

# 转换交易数据为热编码矩阵
transactions = pd.get_dummies(df['services'].str.split(',').explode())
frequent_itemsets = apriori(transactions, min_support=0.05, use_colnames=True)

4.2 客户分群（RFM模型）

基于最近消费（Recency）、频率（Frequency）、金额（Monetary）划分价值等级：

python复制# 计算RFM指标
now = pd.to_datetime('today')
rfm = df.groupby('guest_id').agg({
    'check_in_date': lambda x: (now - x.max()).days,
    'booking_id': 'count',
    'total_spend': 'sum'
}).rename(columns={
    'check_in_date': 'recency',
    'booking_id': 'frequency',
    'total_spend': 'monetary'
})

# K-Means聚类
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

scaler = StandardScaler()
rfm_scaled = scaler.fit_transform(rfm)
kmeans = KMeans(n_clusters=4, random_state=42)
rfm['cluster'] = kmeans.fit_predict(rfm_scaled)

5. 实战中的经验教训

1. 数据采样陷阱：初期直接分析全年数据导致季节性特征被掩盖，后改为按月分组分析才识别出暑假/春节的峰值规律

2. 文本分析优化：直接使用TF-IDF处理中文评论效果差，通过添加酒店领域词典（如"隔音"、"卫生"等关键词）提升特征提取效果

3. 内存管理：处理超过1GB的PMS数据时，改用Dask替代Pandas实现分布式计算：

python复制import dask.dataframe as dd
ddf = dd.read_csv('large_pms_data/*.csv', blocksize=25e6)  # 25MB/块

4. 自动化报告：用Jinja2模板生成动态HTML报告，关键代码：

python复制from jinja2 import Template

template = Template('''
<h1>{{hotel_name}} 月度分析报告</h1>
<p>平均入住率: {{occupancy_rate|round(2)}}%</p>
''')
report = template.render(hotel_name="XX酒店", occupancy_rate=72.34)

建议先从小规模数据试点（如单个分店3个月数据），验证方法论可行后再扩展。我曾遇到某酒店因系统升级导致历史数据格式突变，提前设计数据校验规则避免了大量返工：

python复制def validate_data(df):
    assert not df.duplicated().any(), "存在重复记录"
    assert df['price'].between(100, 9999).all(), "价格超出合理范围"
    return True