爬取了252家酒店的數據後，我發現了熱門旅遊城市酒店的秘密

「

外出旅遊，酒店一定會佔據一大部分開銷。哪些酒店的價格是合理的？這個價格配得上它的地理位置么？這個價格和它對應的服務匹配么？數據俠 Johnnie 以紐約的酒店為例，嘗試用數據一窺決定酒店價格的因素，做出一份出行居住指南。

Tripadvisor 是美國最大的旅遊網站之一，你可以輕鬆查到紐約所有酒店的信息，包括：酒店星級，價格，位置，用戶評論。

我使用了爬蟲工具 Selenium 來爬取這個網站的數據。過程如下：首先打開主頁；然後找到每一頁的 url；點擊每個url 進入對應頁面，點擊進入每個酒店的主頁；最後，爬取細節信息（價格，星級，評分，地理位置，評論中最常用的詞語）。

對我來說，挑戰在於找到對應每個希望爬取的內容的XML路徑語言。有時候是因為我檢查網頁時，沒有找到單一的XML路徑語言。有時候是因為信息是用 AJAX 寫的，Selenium無法爬取。其中，我把每頁的url 都列出來是因為在這個網站中，「下一頁」按鈕沒有自己的XML路徑語言。

而且，當我第一次爬取酒店價格數據時，有許多酒店的數據是空的。當我回去查看一遍的時候，我發現他們的XML路徑語言與其他酒店不同，所以我增加了更多XML路徑語言，直到完成所有爬取。

在做爬蟲的過程中，我還是遇到了一些數據缺失。紐約酒店一共有四百多家，但我每次只能爬取100家。於是我爬取了三次，然後結合這些結果得到一共252家酒店的數據。

這說明，即使你對爬蟲掌握的比較熟練，但是在實際爬取的過程中，由於不同網站的設計不同，你總會遇到很多意外的情況，有時候不能收集到完美的數據集。這是導致了第三方爬取數據產生誤差的主要原因。

完成了數據爬取工作後，我對其進行了一些簡要處理，然後就可以分析了。

首先我們來看看價格。曼哈頓酒店的平均價位是一晚上123美元。而且，281美元以下的佔了75%。說明最常見的價格是在123到281美元之間。

接下來，我們來看一看價格與不同因子之間的關係。首先是價格和酒店星級。

通常，酒店星級越高，價格越貴。然而，從下圖看出，即便五星酒店也有一些房間價格和低於五星酒店一樣。所以這兩個變數間沒有很強的關聯。可能是酒店在淡季打折造成的，至於旅客，價格一樣當然選星級高的了。

其次是價格與排名。根據下圖，其中的點在排名第一和排名251之間呈現均勻分布。說明價格和排名沒有什麼直接關係。

接著，我們來看看價格與位置。

我用郵編來代替具體地理位置。如下圖，有些區域有最貴的均價，包括10010，10021，10023.（大概對應的是華盛頓廣場公園，上東區，林肯中心）。然而，其他的所有區域價格就都比較相似了。所以，只有選擇上述三個區域，才會支付比較貴的價格，可能高於400美元，否則他們基本不會花費超過300美元。

（圖片說明：橫坐標為郵編，代表地理位置，注意10010華盛頓廣場公園）

（圖片說明：橫坐標為郵編

，代表地理位置，注意10021上東區、10023林肯中心）

然後是酒店評價。酒店評價中包含了更多的信息。我為不同星級的酒店製作了4組詞雲圖。

一方面，所有酒店都有「房間太小」這麼個負面評價。這意味著，如果你住在紐約，房子就永遠都會是很小。

另一方面，隨著星級上升，人們開始更關心附加價值。比如，對於2星的酒店，我們可以看到「早餐」成為常出現的詞語。三星是「免費早餐」，四星是「免費早餐」和「電影」以及「城市景色」。對於五星酒店，我們可以看到「屋頂酒吧」，「飯店」和「娛樂室」等。

（圖片說明：左邊是二星級酒店詞雲，右邊是三星級酒店詞雲）

所以，我們分析了這麼多，到底什麼價格是合理的呢？答案其實並不唯一。但是我們找到了幾個有用的點，可以為你提供一些參考。

1. 一個遊客來到紐約，住宿可能需要每晚至少123美元

2. 更高的星級，也可能會更便宜

3. 一些地區（華盛頓廣場公園，上東區，林肯中心）住宿更貴

4. 大多數酒店的房間都有點小

5. 選擇三星酒店或四星酒店很可能比二星酒店或五星酒店體驗更佳

所以，下次來紐約的時候，希望你能選到自己最鐘意的酒店咯。

註：

本文編譯自

技術博客 Scriping Tripadvisor: A Guide for New York City Travelers on Choosing A Hotel

。

點擊「

閱讀原文

內容僅為作者觀點，不代表DT數據俠立場。文中圖片部分來自作者。

作者 

| Johnnie

題圖 | 站酷海洛

期待更多數據俠乾貨分享、話題討論、福利發放？在公眾號

DT數據俠

（ID：DTdatahero）後台回復「

數據社群

」，可申請加入DT數據社群。

▍

數據俠門派

本文數據俠 Johnnie 是紐約數據科學學院的學生，對數據分析具有濃厚的興趣。

▍福利時間：

R語言課程拼團倒計時ing

DT君聯合

唯品會數據分析師徐麟

R語言入門攻略1.0

開啟數據分析之旅

拼團倒計時4天，火速掃碼參與

推薦閱讀：