Drive Data Analytics Dataset

该数据集包含8列和2,381行，描述了来自肯尼亚的汽车数据。列包括汽车名称、变速器类型、发动机尺寸、使用来源、制造年份、价格、制造商、型号、车龄和价格范围。

This dataset contains 8 columns and 2,381 rows, describing automotive data from Kenya. The columns include Vehicle Name, Transmission Type, Engine Displacement, Usage Source, Manufacturing Year, Price, Manufacturer, Model, Vehicle Age, and Price Range.

原始信息汇总

Drive Data Analytics 数据集概述

数据集概述

数据来源

• 数据从 Kai and Karo 网站上抓取。

数据集结构

• 数据集包含 8 列和 2,381 行。
• 列名及描述：
  • Name: 汽车名称
  • Transimission_Type: 传动类型（自动或手动）
  • Engine_Size: 发动机尺寸（以立方厘米为单位）
  • Usage_Origin: 使用来源（肯尼亚本地使用或外国使用）
  • Year: 制造年份
  • Price: 汽车价格
  • Make: 汽车品牌（如丰田）
  • Model: 汽车型号（如奔驰的 C200）
  • Car_Age: 汽车年龄
  • Price_Range: 价格类别

数据集链接

• 数据集链接

数据处理

• 数据集中删除了 64 条重复数据。
• 数据不一致性已修正。
• 数据预处理代码链接：预处理文件

特征工程

• 从原始特征中添加了 4 个新特征：
  • Make 和 Model 从 Name 列中提取。
  • Car_Age 从 Year 列中提取。
  • Price_Range 从 Price 列中提取。

探索性数据分析（EDA）

• EDA 文件链接：EDA 文件

主要发现

• 最新车型通常比旧车型价格更高。
• 现代车辆通常具有更大的发动机排量。
• 发动机尺寸与车辆成本呈反比关系。
• 2024 年制造的车辆均为外国使用，价格超过 1000 万肯尼亚先令。
• 进口车辆通常比本地使用的肯尼亚车辆价格更高。

Tableau 仪表盘

• 仪表盘链接：Tableau 仪表盘

搜集汇总

数据集介绍

构建方式

该数据集通过网络爬虫技术从Kai and Karo网站上抓取汽车数据构建而成。利用Python和BeautifulSoup库，项目实现了对汽车名称、变速器类型、发动机尺寸、使用来源、制造年份、价格、品牌、型号和车龄等信息的提取。数据存储在MySQL数据库中，并通过Pandas进行清洗和预处理，确保数据的准确性和一致性。此外，通过特征工程，从原始数据中提取了汽车年龄和价格范围等新特征，增强了数据集的分析能力。

特点

该数据集具有多维度的特征，包括汽车的基本信息、技术规格以及市场价格等。其特点在于数据的实时性和全面性，涵盖了2,381条记录，每条记录包含8个关键字段。此外，数据集经过精心处理，去除了重复项并修正了数据不一致性，确保了分析结果的可靠性。通过Tableau创建的交互式仪表盘，用户可以直观地探索价格趋势和市场行为。

使用方法

用户可以通过访问GitHub链接下载数据集，使用Python和Jupyter Notebook进行进一步的分析。数据集的预处理和特征工程代码可供参考，帮助用户理解数据的清洗和增强过程。此外，Tableau仪表盘提供了直观的可视化界面，用户可以通过筛选器自定义数据展示，深入分析价格范围和制造年份等因素对汽车市场的影响。为了运行该项目，用户需确保安装Python、Jupyter Notebook、MySQL、Git和Tableau等必要工具，并按照README文件中的步骤进行操作。

背景与挑战

背景概述

Drive Data Analytics Dataset是由Mithamo Morgan创建的一个专注于肯尼亚汽车市场价格趋势分析的数据集。该数据集的核心研究问题在于通过从Kai and Karo网站抓取汽车数据，存储于数据库中，并进行深入的分析，以揭示肯尼亚汽车市场的价格动态和车辆可用性。这一研究不仅填补了该领域数据透明度的空白，还为买家和卖家提供了宝贵的市场洞察。通过创建一个交互式的Tableau仪表板，用户可以进行探索性数据分析（EDA），从而更好地理解影响汽车价格的各种因素。

当前挑战

Drive Data Analytics Dataset在构建过程中面临多个挑战。首先，数据抓取和存储过程中需要处理大量的网页数据，确保数据的准确性和完整性。其次，数据处理阶段需要识别并纠正数据中的不一致性和重复项，以确保分析结果的可靠性。此外，特征工程阶段需要从原始数据中提取有意义的特征，如车辆品牌、型号和价格范围，这要求对数据有深入的理解和处理技巧。最后，创建交互式仪表板需要整合多种工具和技术，以确保用户能够直观地探索数据并得出有价值的见解。

常用场景

经典使用场景

在汽车市场的数据分析领域，Drive Data Analytics Dataset 提供了一个经典的使用场景，即通过分析肯尼亚汽车市场的价格趋势，帮助买家和卖家更好地理解市场动态。该数据集通过从 Kai and Karo 网站抓取汽车数据，存储在数据库中，并利用 Tableau 创建交互式仪表盘，使用户能够进行探索性数据分析（EDA），从而深入了解影响汽车价格的各种因素。

衍生相关工作

基于 Drive Data Analytics Dataset，许多相关工作得以展开。例如，研究人员可以利用该数据集进行预测建模，以预测未来的汽车价格趋势。此外，数据集的自动化数据抓取和清理过程可以进一步优化，利用 Apache Airflow 等工具实现实时数据处理。未来，还可以开发用户友好的 Streamlit 应用程序，提供更便捷的预测和分析功能。

数据集最近研究

最新研究方向

在汽车数据分析领域，Drive Data Analytics Dataset的最新研究方向主要集中在通过数据挖掘和机器学习技术，深入分析肯尼亚汽车市场的价格趋势和市场行为。研究者们利用该数据集进行特征工程，提取诸如车辆年龄、引擎大小和价格范围等关键特征，并通过探索性数据分析（EDA）揭示这些特征之间的复杂关系。此外，研究还致力于开发交互式仪表盘，以提供用户友好的市场趋势分析工具，从而帮助买家和卖家更好地理解市场动态。未来，该领域的研究将进一步扩展到预测建模和自动化数据处理，以实现更高效和实时的市场分析。