Skip to content

README.md

Latest commit

 

History

History
108 lines (82 loc) · 3.34 KB

README.md

File metadata and controls

108 lines (82 loc) · 3.34 KB

🏙️ Analyse des données Airbnb à :New York

📌 Description du projet

Ce projet consiste en une analyse exploratoire et statistique du dataset Airbnb de New York.
L’objectif est de comprendre les facteurs influençant les prix, la disponibilité des logements, ainsi que les différences entre les quartiers et les types de logements, à l’aide de Python et de bibliothèques de data science.

Ce projet s’inscrit dans une démarche d’analyse de données appliquée au secteur du tourisme et de l’immobilier locatif.

🎯 Objectifs

  • Explorer et nettoyer le dataset Airbnb
  • Identifier les valeurs manquantes et les doublons
  • Analyser la distribution des prix et de la disponibilité
  • Comparer les prix par quartiers et types de logements
  • Étudier les relations entre les variables (analyse bivariée)
  • Créer de nouvelles variables pertinentes (feature engineering)
  • Visualiser les corrélations entre les variables clés

🧰 Technologies & bibliothèques utilisées

  • Python
  • NumPy – calcul numérique
  • Pandas – manipulation et analyse des données
  • Matplotlib – visualisation
  • Seaborn – visualisation statistique avancée

📂 Structure du projet

📁 Python-Project-New-York-AirBnb
│
├── 📄 datasets.csv # Dataset Airbnb
├── 📄 analysis.ipynb # Notebook d’analyse (ou script .py)
├── 📄 README.md # Documentation du projet

🔍 Étapes de l’analyse

1️⃣ Chargement des données

  • Importation du dataset Airbnb
  • Vérification de la structure et des types de variables

2️⃣ Exploration des données

  • Aperçu des premières et dernières lignes
  • Dimensions du dataset
  • Statistiques descriptives
  • Identification des valeurs manquantes et doublons

3️⃣ Nettoyage des données

  • Suppression des valeurs manquantes
  • Suppression des doublons
  • Correction des types de variables (ex : id converti en objet)

4️⃣ Analyse univariée

  • Distribution des prix
  • Détection et traitement des valeurs aberrantes (outliers)
  • Analyse de la disponibilité annuelle (availability_365)

5️⃣ Feature Engineering

  • Création de la variable prix par lit (price per bed)
  • Comparaison par groupe de quartiers

6️⃣ Analyse bivariée

  • Prix selon les quartiers et le type de logement
  • Relation entre nombre d’avis et prix
  • Analyse géographique (latitude / longitude)
  • Matrice de corrélation entre variables numériques

📊 Visualisations réalisées

  • Histogrammes
  • Boxplots
  • Barplots
  • Scatter plots
  • Pair plots
  • Heatmap de corrélation

💡 Principales observations

  • Les prix varient fortement selon le quartier et le type de logement
  • Les outliers influencent fortement la distribution des prix
  • La disponibilité annuelle diffère significativement d’un logement à l’autre
  • Certaines variables présentent des corrélations intéressantes avec le prix

🚀 Améliorations possibles

  • Ajout d’un modèle de Machine Learning pour prédire les prix
  • Analyse temporelle des avis
  • Cartographie interactive (Folium / Plotly)
  • Normalisation et standardisation des données

👤 Auteur

Kodjo Georges AKAKPO
📊 Data Analyst | Python | Data Visualization

⭐ N’hésitez pas à laisser une étoile si ce projet vous a été utile !