该数据是从Booking.com上抓取的。文件中的所有数据已经公开提供给所有人。数据最初由Booking.com拥有。如果您想在其他地方使用此数据集，请通过可思数据注明来源并仅用于学习及研究为目的。
数据介绍：
该数据集包含515,000条客户评论以及欧洲1493家豪华酒店的评分。同时，还提供了酒店的地理位置以供进一步分析。
资料内容：
csv文件包含17个字段。每个字段的说明如下：
- Hotel_Address：酒店地址。
- Review_Date：评论者发布相应评论的日期。
- 平均得分：酒店的平均得分，根据去年的最新评论计算得出。
- Hotel_Name：酒店名称
- 审稿人_国籍：审稿人国籍
- Negative_Review：评论者对酒店的负面评论。如果审稿人未给出否定的评论，则应为：“否定的否定”
- 评论否定词总数：否定评论中的词总数。
- Positive_Review：审阅者对酒店的正面评价。如果审稿人没有给出负面评价，则应为：“无正面评价”
- 审核总积极词数：积极评论中的单词总数。
- Reviewer_Score：点评者根据其经验给酒店的分数
- 总人数的评论审阅已考虑：一些审查的评审，在过去给了。
- 总人数 of_Reviews：有效审查的酒店总数。
- 标签：标签评论者给了酒店。
- 天，因为审查的日期和刮日期之间的时间：审查。
- 计分的额外数量：也有一些客人只是对服务进行了评分，而不是进行评论。该数字指示其中有多少有效分数，而无需查看。
- 纬度：酒店的纬度
- lng：酒店的经度
数据集较大且内容丰富，可以进一步激发挖掘新研究科目！
- 在评论和得分上拟合回归模型，以查看哪些词更能指示更高/更低的得分
- 对评论进行情感分析
- 查找审阅者的国籍和分数之间的相关性。
- 数据集上美丽而信息丰富的可视化。
- 根据评论对酒店进行聚类
- 简单的推荐引擎给喜欢酒店特色的客人。
