licencias.R 13.5 KB
Newer Older
1
# load libraries
Vicente's avatar
Vicente committed
2
library(tidyverse)
3 4 5 6 7 8 9 10

# Selecciona variables de configuración
# región/lugar, fechas a analizar...
local_activo_name <- "Valencia"
fecha <- "2019-02-27" # date last scraping
fecha_simple <- "Febrero 2019"
caption_1 <- paste("Datos: InsideAIrbnb ", fecha_simple ,". Info: lab.montera34.com", sep = "")

Vicente's avatar
Vicente committed
11 12

# Cargamos los datos de insideairbnb
13 14 15
datos <- read.csv("./data/original/airbnb/190227/listings_valencia_insideairbnb.csv")

# Clasificamos si tiene o no licencia
Vicente's avatar
Vicente committed
16 17 18 19 20
datos <- datos %>% mutate(legal = ifelse(license =="","Sin licencia","Con licencia"))

# seleccionamos los apartamentos enteros
datos2 <- datos %>% filter(room_type=="Entire home/apt")

21
# plots básicos -------------------------------------
Vicente's avatar
Vicente committed
22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48
# grafico barras licencias/no licencias
ggplot(datos2,aes(neighbourhood,fill=legal)) +
  geom_bar() +
  labs(title="Distribución de licencias por barrio",
       x= "Licence",
       y="Neighbourhood") +
  geom_text(stat='count',aes(label=..count..),
            position = "stack",
            vjust=1,
            size=3,
            color="black") + 
  theme(axis.text.x=element_text(angle = 90, hjust = 1))

# grafico anterior girando ejes
ggplot(datos2,aes(neighbourhood,fill=legal)) +
  geom_bar() +
  labs(title="Distribución de licencias por barrio",
       x= "Licence",
       y="Neighbourhood") +
  geom_text(stat='count',aes(label=..count..),
            position = "stack",
            vjust=1,
            hjust=1,
            size=3,
            color="black") +
  coord_flip()

49
# grafico anterior sobre 100% cada barra 
Vicente's avatar
Vicente committed
50 51 52 53 54 55 56
ggplot(datos2,aes(neighbourhood)) +
  geom_bar(aes(fill=legal),position="fill") +
  labs(title="Distribución de licencias por barrio",
       x= "Licence",
       y="Neighbourhood") +
  coord_flip()

57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111

# barras por distrito. reordena por cantidad de anuncios -------------
# reorder levels of factor
datos2$legal <- as.factor(datos2$legal)
levels(datos2$legal)

datos2$legal <- factor(datos2$legal, levels= c("Sin licencia","Con licencia" ))
levels(datos2$legal)

datos2 %>% group_by(neighbourhood,legal) %>% summarise( anuncios = n()) %>%
ggplot(aes(reorder(neighbourhood,anuncios),anuncios,fill=legal)) +
  geom_col()+  # geom_col(position = "fill")+
  geom_text(data = datos2 %>% group_by(neighbourhood,legal) %>% summarise( anuncios = n()),
            aes(label =  anuncios, group=legal),
            position = position_stack(vjust = 0.5), hjust = 0.4,
            size=3,color="#000000") +
  coord_flip() +
  labs(title="Distribución de licencias por distrito de viviendas completas",
       subtitle = paste("Airbnb en ", local_activo_name, ". ",fecha_simple,".",sep=""),
       x="distrito",
       y="anuncios",
       caption = caption_1,
       fill="") +
  theme_minimal(base_family = "Roboto Condensed", base_size = 14) +
  theme(
    panel.grid.minor.y = element_blank(),
    panel.grid.major.y = element_blank(),
    legend.position = "top"
  ) 

# gráfico anterior sobre 100 de cada barra ----------------------
datos2 %>% group_by(neighbourhood,legal) %>% summarise( anuncios = n()) %>%
  ggplot(aes(reorder(neighbourhood,anuncios),anuncios,fill=legal)) +
  geom_col(position = "fill") +
  geom_hline(yintercept=0.5,size=0.5,linetype=2) +
  # geom_text(data = datos2 %>% group_by(neighbourhood,legal) %>% summarise( anuncios = n()),
  #           aes(label =  anuncios, group=legal),
  #           position = position_stack(vjust = 0.5), hjust = 0.4,
  #           size=3,color="#000000") +
  coord_flip() +
  labs(title="Distribución de licencias por distrito de viviendas completas",
       subtitle = paste("Airbnb en ", local_activo_name, ". ",fecha_simple,".",sep=""),
       x="distrito",
       y="anuncios",
       caption = caption_1,
       fill="") +
  theme_minimal(base_family = "Roboto Condensed", base_size = 14) +
  theme(
    panel.grid.minor.y = element_blank(),
    panel.grid.major.y = element_blank(),
    legend.position = "top"
  )


# identifica numero de 5 cifras como licencia -----------------
Vicente's avatar
Vicente committed
112 113
library(stringr)

114 115 116 117
# nos quedamos con apartamentos enteros
# datos2 <- datos %>% filter(room_type=="Entire home/apt")

# Detecta si existe código alfanumérico que sea como un número de registro de 3 a 5 cifras
Vicente's avatar
Vicente committed
118 119 120 121 122 123
datos2 <- datos2 %>% mutate(legal_note1 = ifelse(is.na(str_extract(notes,"[:punctuation:]?[:blank:]?\\d{3,5}")),"","Con licencia"))
datos2 <- datos2 %>% mutate(legal_note2 = ifelse(is.na(str_extract(name,"[:punctuation:]?[:blank:]?\\d{3,5}")),"","Con licencia"))
datos2 <- datos2 %>% mutate(legal_note3 = ifelse(is.na(str_extract(summary,"[:punctuation:]?[:blank:]?\\d{3,5}")),"","Con licencia"))
datos2 <- datos2 %>% mutate(legal_note4 = ifelse(is.na(str_extract(description,"[:punctuation:]?[:blank:]?\\d{3,5}")),"","Con licencia"))
datos2 <- datos2 %>% mutate(legal_note5 = ifelse(is.na(str_extract(space,"[:punctuation:]?[:blank:]?\\d{3,5}")),"","Con licencia"))

124 125 126
# Recopila los que tengan número de registro en algún apartado
datos2 <- datos2 %>% mutate(legal_note = ifelse(legal=="Con licencia" | legal_note1=="Con licencia" | legal_note2=="Con licencia" | 
                                                  legal_note3=="Con licencia" | legal_note4=="Con licencia" | legal_note5=="Con licencia",
Vicente's avatar
Vicente committed
127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154
                                                "Con licencia", "Sin licencia"))
datos2 %>% group_by(legal) %>% count()
datos2 %>% group_by(legal_note) %>% count()

write.csv(datos2,"datos_licencias.csv")

# grafico anterior girando ejes
ggplot(datos2,aes(neighbourhood,fill=legal_note)) +
  geom_bar() +
  labs(title="Distribución de licencias revisadas por barrio",
       x= "Licencias revisadas",
       y="Neighbourhood") +
  geom_text(stat='count',aes(label=..count..),
            position = "stack",
            vjust=1,
            hjust=1,
            size=3,
            color="black") +
  coord_flip()

# grafico anterior sobre 100% cada barra
ggplot(datos2,aes(neighbourhood)) +
  geom_bar(aes(fill=legal_note),position="fill") +
  labs(title="Distribución de licencias revisadas por barrio",
       x= "Licence revisadas",
       y="Neighbourhood") +
  coord_flip()

155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191
# comprobando si funciona
# test <- datos2[!datos2$legal_note1=="",c("notes","legal_note1")]
# test <- datos2[!datos2$legal_note2=="",c("name","legal_note2")]
# test <- datos2[!datos2$legal_note3=="",c("summary","legal_note3")]
# test <- datos2[!datos2$legal_note4=="",c("description","legal_note4")]
# test <- datos2[!datos2$legal_note5=="",c("space","legal_note5")]

# Mejora de sistema de detección---------------------------------------------------------------------------------------------
# Este sistema es demasiado permisivo y detecta números de 3 cifras y 4 que nos son números de registro

# guarda los números de registro en una variable. Ahora forzamos a que sean 5 cifras seguidas.
datos2$registro.detect <- str_extract(datos2$notes,"[:punctuation:]?[:blank:]?\\d{5}")
# solamente guarda donde esté vacío
datos2[is.na(datos2$registro.detect),]$registro.detect <- str_extract(datos2[is.na(datos2$registro.detect),]$name,"[:punctuation:]?[:blank:]?\\d{5}")
datos2[is.na(datos2$registro.detect),]$registro.detect <- str_extract(datos2[is.na(datos2$registro.detect),]$summary,"[:punctuation:]?[:blank:]?\\d{5}")
datos2[is.na(datos2$registro.detect),]$registro.detect <- str_extract(datos2[is.na(datos2$registro.detect),]$description,"[:punctuation:]?[:blank:]?\\d{5}")
datos2[is.na(datos2$registro.detect),]$registro.detect <- str_extract(datos2[is.na(datos2$registro.detect),]$space,"[:punctuation:]?[:blank:]?\\d{5}")
# guarda el campo licencia en los lugares donde este vacio
datos2[is.na(datos2$registro.detect),]$registro.detect <- as.character(datos2[is.na(datos2$registro.detect),]$license)

# datos2[!is.na(datos2$registro.detect),]$registro.detect

# test2 <- datos2[,c("license","registro.detect")]
# datos2[197,c("summary","description","space")]

library(gsubfn) # select text in the parenthesis with regex
# Extrae las 5 cifrasa nueva vaiable
datos2$registro.num <-as.character( strapplyc( datos2$registro.detect, ".*(\\d{5}).*", simplify = TRUE))
datos2[datos2$registro.detect=="" & datos2$license=="",]$registro.num <- "no tiene"

# test2 <- datos2[,c("license","registro.detect","registro.num")]
# Convierte los characcter(0) en NA
# test2[test2$registro.detect=="" & test2$license=="",]$registro.num <- "no tiene"
# test2$registro.num <- as.character(test2$registro.num)
# table(as.factor(test2$registro.num))

datos2 <- datos2 %>% mutate(legal_number = ifelse(registro.num =="no tiene","Sin licencia","Con licencia"))
Vicente's avatar
Vicente committed
192

193 194 195
datos2 %>% group_by(legal) %>% count() # 2457 sin licencia
datos2 %>% group_by(legal_note) %>% count() # 1585 sin licencia, pero el valor es erróneo
datos2 %>% group_by(legal_number) %>% count() # 2325 sin licencia, valor más ajustado
Vicente's avatar
Vicente committed
196

197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253

# plots barras -----------------
# reorder levels of factor
datos2$legal_number <- as.factor(datos2$legal_number)
levels(datos2$legal_number)

datos2$legal_number <- factor(datos2$legal_number, levels= c("Sin licencia","Con licencia" ))
levels(datos2$legal_number)

png(filename=paste("images/airbnb/registrados/anuncios-por-distrito-valencia-con-licencia-filtro2.png", sep = ""),width = 900,height = 600)
datos2 %>% group_by(neighbourhood,legal_number) %>% summarise( anuncios = n()) %>%
  ggplot(aes(reorder(neighbourhood,anuncios),anuncios,fill=legal_number)) +
  geom_col()+  # geom_col(position = "fill")+
  geom_text(data = datos2 %>% group_by(neighbourhood,legal_number) %>% summarise( anuncios = n()) %>% filter(anuncios > 45),
            aes(label =  anuncios, group=legal_number),
            position = position_stack(vjust = 0.5), hjust = 0.4,
            size=4,color="#FFFFFF") +
  coord_flip() +
  labs(title="Anuncios de viviendas completas con número de registro publicado por distrito",
       subtitle = paste("Airbnb en ", local_activo_name, ". ",fecha_simple,". Filtrado 2.",sep=""),
       x="distrito",
       y="anuncios",
       caption = caption_1,
       fill="") +
  theme_minimal(base_family = "Roboto Condensed", base_size = 18) +
  theme(
    panel.grid.minor.y = element_blank(),
    panel.grid.major.y = element_blank(),
    legend.position = "top"
  ) 
dev.off()

png(filename=paste("images/airbnb/registrados/anuncios-por-distrito-valencia-con-licencia-porcentaje-filtro2.png", sep = ""),width = 900,height = 600)
datos2 %>% group_by(neighbourhood,legal_number) %>% summarise( anuncios = n()) %>%
  ggplot(aes(reorder(neighbourhood,anuncios),anuncios,fill=legal_number)) +
  geom_col(position = "fill")+
  geom_hline(yintercept=0.5,size=0.5,linetype=2) +
  # geom_text(data = datos2 %>% group_by(neighbourhood,legal_number) %>% summarise( anuncios = n()),
  #           aes(label =  anuncios, group=legal_number),
  #           position ="fill", hjust = -0.5,
  #           size=3,color="#000000") +
  coord_flip() +
  labs(title="Proporción de anuncios de viviendas completas con número de registro por distrito",
       subtitle = paste("Airbnb en ", local_activo_name, ". ",fecha_simple,". Filtrado 2.",sep=""),
       x="distrito",
       y="porcentaje",
       caption = caption_1,
       fill="") +
  theme_minimal(base_family = "Roboto Condensed", base_size = 18) +
  theme(
    panel.grid.minor.y = element_blank(),
    panel.grid.major.y = element_blank(),
    legend.position = "top"
  ) 
dev.off()

# Filtrado por activos ----------------------------------------------------------------------------------
Vicente's avatar
Vicente committed
254
# nos quedmos con apartamentos enteros y numero de reviews cero y tasa de respuesta del host 0 (indicadores de apartamento inactivo)
255
# datos3 <- datos2 %>% filter(number_of_reviews!=0 & host_response_rate!=0)
Vicente's avatar
Vicente committed
256 257
datos3 <- datos2 %>% filter(number_of_reviews!=0 & host_response_rate!=0)

258
# datoswwwww <- datos %>% filter(number_of_reviews!=0 & host_response_rate!=0)
Vicente's avatar
Vicente committed
259

260
datos3 %>% group_by(legal_number) %>% count() # 1.905 sin licencia y que están activos
Vicente's avatar
Vicente committed
261 262 263

write.csv(datos3,"datos_licencias_activos.csv")

264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285
# Plots básicos
# # grafico anterior girando ejes
# ggplot(datos3,aes(neighbourhood,fill=legal_note)) +
#   geom_bar() +
#   labs(title="Distribución de licencias activos revisadas por barrio",
#        x= "Licencias revisadas",
#        y="Neighbourhood") +
#   geom_text(stat='count',aes(label=..count..),
#             position = "stack",
#             vjust=1,
#             hjust=1,
#             size=3,
#             color="black") +
#   coord_flip()
# 
# # grafico anterior sobre 100% cada barra
# ggplot(datos3,aes(neighbourhood)) +
#   geom_bar(aes(fill=legal_note),position="fill") +
#   labs(title="Distribución de licencias activos revisadas por barrio",
#        x= "Licence revisadas",
#        y="Neighbourhood") +
#   coord_flip()
Vicente's avatar
Vicente committed
286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325


#### scrapping de licencias

#- scrapping licencias generalitat: http://comunitatvalenciana.com/viaje/alojamiento/viviendas-turisticas
library("rvest")
library("tidyverse")
content <- read_html("http://comunitatvalenciana.com/viaje/alojamiento/viviendas-turisticas?page=1")

body_table <- content %>% html_nodes('body')  %>%
  html_nodes('table') %>%
  html_table(dec = ",") 
my_table <- body_table[[1]]

adress <- "http://comunitatvalenciana.com/viaje/alojamiento/viviendas-turisticas?page="

#- hay 3642 paginas
my_names <-names(my_table)

#- 76 peta x Error in match.names(clabs, names(xi)) :   names do not match previous names
n_pags  <- 3642
for (ii in 2:n_pags){   #- n_pags
  adress_n <- paste0(adress, ii)
  content_n <- read_html(adress_n)
  
  body_table_n <- content_n %>% html_nodes('body')  %>%
    html_nodes('table') %>%
    html_table(dec = ",") 
  my_table_n <- body_table_n[[1]]
  names(my_table_n) <- my_names
  my_table <- rbind(my_table, my_table_n)
  print(ii)
  
  #   Esperamos un poco (3 minutos) cada 500 accesos
  if(ii%%500 == 0) {
    cat(ii, 'esperando...')
    Sys.sleep(180)
  } 
}