Análise Exploratória: Airbnb em Barcelona

Sobre o projeto

Esse projeto nasceu de uma pergunta simples: o que determina o preço de uma acomodação no Airbnb em Barcelona?

Usando um dataset público do Kaggle com 300 listagens, realizei uma análise exploratória completa para identificar padrões de preço, entender a distribuição geográfica das acomodações e investigar se avaliações altas realmente influenciam o valor cobrado.

Dataset

• Fonte: Kaggle — Comparative Analysis of Airbnb Prices in Barcelona
• Volume: 300 acomodações
• Variáveis: preço, bairro, tipo de acomodação, avaliações dos hóspedes

Perguntas que guiaram a análise

1. Quais bairros têm os maiores preços médios por diária?
2. Qual é o tipo de acomodação mais comum na cidade?
3. Existe correlação entre a nota dos hóspedes e o preço cobrado?

Principais descobertas

Preço por bairro

Bairros como Eixample lideram em valor médio de diária, refletindo sua localização central e alta demanda turística. A variação de preços entre bairros é significativa — o que mostra que localização é o fator dominante na precificação.

Tipo de acomodação

Quartos individuais representam cerca de 63% das listagens, sendo o tipo mais comum. Isso indica que o mercado de Barcelona é dominado por anfitriões que alugam um cômodo da própria casa, e não propriedades inteiras.

Avaliação vs. Preço

A análise de correlação revelou algo contraintuitivo: avaliações altas não implicam preços altos. A relação entre nota dos hóspedes e valor da diária é fraca, sugerindo que qualidade percebida e preço são dimensões independentes nesse mercado.

Stack utilizada

import pandas as pd
import matplotlib.pyplot as plt
import jupyter

Estrutura do projeto

eda-airbnb-barcelona/
├── data/          # Dataset original do Kaggle
├── notebooks/     # Análises em Jupyter
├── outputs/       # Gráficos e resultados exportados
├── src/           # Funções reutilizáveis
└── requirements.txt

O que aprendi

Esse projeto consolidou minha prática com o ciclo completo de uma EDA:

• Limpeza de dados — tratar valores nulos, padronizar tipos e remover outliers sem perder informação relevante
• Visualização orientada a perguntas — cada gráfico responde uma hipótese específica, não é decorativo
• Interpretação de correlação — a ausência de correlação entre avaliação e preço é tão informativa quanto uma correlação forte

Código