疫情后来场说走就走的旅行，Python制作一份可视化的旅行攻略

本文主要是介绍疫情后来场说走就走的旅行，Python制作一份可视化的旅行攻略，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

疫情结束后，你最想做什么？摘掉口罩，出门晒晒太阳；吃货们，是去韩国菜？还是撸串？还是火锅？和家人待几天，弥补春节缺失的陪伴；走进曾经熟悉的电影院，把错过的贺岁大片全部都要一一补上。

当疫情结束后，是否想要去英雄城市武汉，看看樱花，在户部巷吃上一碗热干面，看一看车来车往的长江大桥。是否将有更多的旅行计划，不管是哪里的美景，都想要去看看。

旅行是为了放松心情、体验地方特色。为了一场完美的旅行，制作一份详细的旅行攻略是必不可少的。为此小编在上一篇文章中已爬取了《去哪儿》攻略库，获取了近3.8份攻略数据。数据字段有：区域、目的地、标题、链接、攻略作者、出发日期、天数、照片数、人数、玩法、费用、阅读数、点赞数、评论数、行程等。

数据预处理

对于获取的数据，我们需要进行进一步的处理以满足分析的需求，我们主要做的数据处理步骤如下：

删除重复值
修正字段
删除不需要字段

具体代码实现

#数据读取
import pandas as pd
import re
#数据读取
base_data =  pd.read_excel('trip_data_merge.xlsx')
#删除重复值
base_data.drop_duplicates(inplace=True)
#分析中不需要的字段
base_data = base_data.drop(['链接'], axis=1)
#字段修正，方便统计
base_data['天数']= base_data['天数'].apply(lambda x :re.sub("\D", "", x) )
base_data['照片数']= base_data['照片数'].apply(lambda x :re.sub("\D", "", x) )
base_data['费用']= base_data['费用'].apply(lambda x :re.sub("\D", "", str(x) ))
base_data['费用'] = base_data['费用'].apply(lambda x : eval(x) if len(x)>0 else 0 )
base_data['date']= base_data['出发日期'].apply(lambda x :x.split( )[0] )
base_data['date_year']= base_data['出发日期'].apply(lambda x :x.split( )[0][:4])
base_data['阅读数']= base_data['阅读数'].apply(lambda x : int(re.sub("\D", "", str(x)))*10000 if str(x).find('万') else x)

数据分析、可视化

费用问题

外出旅行，首先要考虑的肯定的费用问题。因疫情原因，在费用的数据分析统计中，我们剔除了2020年的数据，考虑了2017年、2018年、2019年的数据。

上图展示了近三年主要热门目的地人均消费情况，包含国内、国外热门地区。根据数据统计，国外人均平均消费为9461元，国内为3313元，游客在国外消费是国内消费的2.85倍。国内人均消费的排名前四名：丽江、三亚、香港、上海。在国外消费前四名：马尔代夫、法国、美国、日本。为什么游客在马尔代夫的人均消费比上海人均消费高达6倍的差距呢？

游客人群

马尔代夫游客人群分布

上海游客人群分布

马尔代夫，一个名字听起来就让人浮想联翩的地方，被称作上帝抛洒在人间的项链，人间最后的乐园，吸引了很多人去度假休闲，其中情侣占比高达54.8%，再加上机酒消费，这也成为马尔代夫消费高的一个重要原因，上海游客人群比较分散，其中情侣占比15%左右，一人旅行、三五好友占比相对较高。

逗留时长

上海游客逗留时长

马尔代夫游客逗留时长

判断一个城市对游客对心引力，游客逗留时间是最核心指标。从上图我们可以看到马尔代夫的逗留时间占比中4-7天、8-10天合计占比高达80%以上。上海逗留时间在1-3天占比为52.45%，4-7天、8-10天合计占比约为41%，这样是马尔代夫人均消费高的一个重要因素。

玩法攻略

我们可以看到，美食、购物+美食、短途周末、海滨海岛、自驾等玩法是大家的最爱，探险、环游、骑行等也收到不少人的喜爱，你喜欢什么样的玩法呢？

打卡景点

去一个地方去旅行，有些景点必须要去的，对于一个陌生的城市，怎么样可以快速确定打卡景点呢？小编选择了上海、成都、武汉，看看这些是否有遗漏的打卡景点呢。

最赞路线

想去的打卡景点都有了，我们要有一个最完美的路线，小编在下面梳理一下网友点赞最高的路线，你是否满意呢？下面进行图片展示。

结论

至此，小编已带大家了解一下旅游目的地的平均消费情况、玩法攻略、打卡攻略、最赞路线等，如果你有什么问题，欢迎评论区留言，因篇幅展示问题，附上部分核心代码

核心代码展示

#上海游客旅游逗留天数占比
from pyecharts import options as opts
from pyecharts.charts import Pie
from pyecharts.faker import Fakerc = (Pie().add("",[list(z) for z in zip(list(base_data_city_day_sh['天数']), list(base_data_city_day_sh['num']))],radius=["40%", "55%"],label_opts=opts.LabelOpts(position="outside",formatter="{a|{a}}{abg|}\n{hr|}\n {b|{b}: }{c}  {per|{d}%}  ",background_color="#eee",border_color="#aaa",border_width=1,border_radius=4,rich={"a": {"color": "#999", "lineHeight": 22, "align": "center"},"abg": {"backgroundColor": "#e3e3e3","width": "100%","align": "right","height": 22,"borderRadius": [4, 4, 0, 0],},"hr": {"borderColor": "#aaa","width": "100%","borderWidth": 0.5,"height": 0,},"b": {"fontSize": 16, "lineHeight": 33},"per": {"color": "#eee","backgroundColor": "#334455","padding": [2, 4],"borderRadius": 2,},},),).set_global_opts(title_opts=opts.TitleOpts(title="上海游客逗留时间占比")).render("上海游客逗留时间占比.html")
)

词云图

import stylecloud
from IPython.display import Image # 用于在jupyter lab中显示本地图片
result_gap = ' '.join(result)
# 绘制词云图
stylecloud.gen_stylecloud(text=result_gap, max_words=1000,collocations=False,font_path=r'msyh.ttf',icon_name='fas fa-plane-departure',size=624,output_name='打卡词云图.png')Image(filename='打卡词云图.png')

这篇关于疫情后来场说走就走的旅行，Python制作一份可视化的旅行攻略的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！