北京二手房价格 数据分析实战—北京二手房房价分析

来自:Python数据科学(微信号:Python _蜘蛛侠)

北京二手房价格分析与预测

目的:本文介绍了一个数据分析的初步项目，旨在了解如何使用Python进行简单的数据分析。

数据来源:博主通过爬虫收集的全链家网北京二手房数据(后台回复0022即可获得)。

数据的初步研究

一开始是导入科学计算包numpy，熊猫，visual matplotlib，seaborn，机器学习包sklearn。

进口熊猫aspd

importnumpy asnp

importseaborn assns

importmatplotlib asmpl

importmatplotlib.pyplot asplt

from ipython . display import display

PLT . style . use(" five 30 yeah ")

SNS . set _ style({ ' font . sans-serif ':[' sim hei '，' Arial']})

%matplotlib内联

#检查Python版本

fromsys importversion_info

ifversion_info.major！= 3:

RaiseException('请使用Python 3完成此项目')

然后导入数据，进行初步观察，包括了解缺失值、异常值和数据特征的近似描述性统计。

#导入链家二手房数据

贾立安_df = pd.read_csv('lianjia.csv ')

显示器(贾立安_df.head(n=2))

初步观察有11个特征变量，价格是我们这里的目标变量，然后我们继续深入观察。

#检查缺失值

贾立安_df.info()

找到了一个公共数据集

23677

数据，其中

升降机

特征有明显的缺失值。

贾立安_ df . description()

上述结果给出了特征值为数值的一些统计值，包括均值、标准差、中值、最小值、最大值、25%分位数和75%分位数。这些统计结果简单直接，对于一个特征的初步理解非常有用。比如我们观察到Size特征的最大值是1019平方米，最小值是2平方米，那么我们就要思考这个在实际中是否存在。如果不存在，那么这个数据就是一个离群值，会严重影响模型的性能。

当然，这只是初步观察。未来，我们将使用数据可视化来清晰地显示和确认我们的猜测。

#增加新功能平均房价

df=贾立安_df.copy()

df['PerPrice'] =贾立安_ df[' Price ']/贾立安_df['Size']

#重新定位列

栏目= ['地区'，'小区'，'花园'，'布局'，'楼层'，'年份'，'大小'，'电梯'，'方向'，'改造'，'价格'，]

df = pd。数据帧(df，列=列)

#重新检查数据集

显示器(df.head(n=2))

我们发现Id特性没有实际意义，就去掉了。由于房子的单价很容易分析，并且可以简单地通过使用总价/面积来获得，所以增加了一个新的特征PerPrice(仅用于分析，不用于预测)。另外，功能的顺序也做了调整，看起来很舒服。

数据可视化分析

区域特征分析

至于地域特点，可以分析不同地区房价和数量的对比。

#将二手房面积分组，对比二手房数量和每平方米价格

df _ house _ count = df . group by(' Region ')[' Price ']。计数()。sort_values(升序=False)。to_frame()。reset_index()

df _ house _ mean = df . group by(' Region ')[' Perprice ']。平均值()。sort_values(升序=False)。to_frame()。reset_index()

f，[ax1，ax2，ax3]= PLT . subtracts(3，1，figsize=(20，15))

sns.barplot(x='Region '，y='PerPrice '，palette="Blues_d "，data=df_house_mean，ax=ax1)

Ax1.set_title('北京不同地区二手房每平方米单价对比'，fontsize=15)

Ax1.set_xlabel ('zone ')

Ax1.set_ylabel('每平方米单价')

sns.barplot(x='Region '，y='Price '，palette="Greens_d "，data=df_house_count，ax=ax2)

Ax2.set_title('北京不同地区二手房数量对比'，fontsize=15)

Ax2.set_xlabel ('zone ')

Ax2.set_ylabel('数量')

sns.boxplot(x='Region '，y='Price '，data=df，ax=ax3)

Ax3.set_title('北京各地区二手房总价'，fontsize=15)

Ax3.set_xlabel ('zone ')

Ax3.set_ylabel('总房价')

plt.show()

熊猫的网络透视功能是用来分组排序的。区域特征可视化直接由seaborn完成，使用调色板调色板参数，颜色逐渐变化。描述越轻，解释越少，越反。

可以观察到:

二手房均价：西城区的房价最贵均价大约11万/平，因为西城在二环以里，且是热门学区房的聚集地。其次是东城大约10万/平，然后是海淀大约8.5万/平，其它均低于8万/平。二手房房数量：从数量统计上来看，目前二手房市场上比较火热的区域。海淀区和朝阳区二手房数量最多，差不多都接近3000套，毕竟大区，需求量也大。然后是丰台区，近几年正在改造建设，有赶超之势。二手房总价：通过箱型图看到，各大区域房屋总价中位数都都在1000万以下，且房屋总价离散值较高，西城最高达到了6000万，说明房屋价格特征不是理想的正太分布。

尺寸特征分析

f，[ax1，ax2] = plt .支线剧情(1，2，figsize=(15，5))

#建筑时间分布

sns.distplot(df['Size']，bins = 20，ax=ax1，color='r ')

sns.kdeplot(df['Size']，shade=True，ax=ax1)

#建造时间和销售价格之间的关系

sns.regplot(x='Size '，y='Price '，data=df，ax=ax2)

plt.show()

Size 分布： 通过 distplot 和 kdeplot 绘制柱状图观察 Size 特征的分布情况，属于长尾类型的分布，这说明了有很多面积很大且超出正常范围的二手房。Size 与 Price 的关系： 通过 regplot 绘制了 Size 和 Price 之间的散点图，发现 Size 特征基本与Price呈现线性关系，符合基本常识，面积越大，价格越高。但是有两组明显的异常点：1. 面积不到10平米，但是价格超出10000万；2. 一个点面积超过了1000平米，价格很低，需要查看是什么情况。

df . loc[df[' Size ']& lt；10]

查了一下，发现这组数据是别墅，异常原因是别墅结构特殊(无朝向，无电梯)，场地定义与二手商品房不同，导致爬行数据错位。别墅型二手房不在我们考虑范围内，去掉再观察尺寸分布与价格的关系。

df.loc[df['Size']>1000]

经过观察，这个不正常点不是普通的民用二手房，很可能是商品房，所以只有一室零厅，面积1000多平米，所以我们选择在这里拆迁。

df= df[(df[ 'Layout']！= '重叠别墅')&；(df[' Size ']& lt；1000)]

目测发现后没有明显异常。

布局特征分析

f，ax1 = PLT . subtracts(fig size =(20，20))

sns.countplot(y='Layout '，data=df，ax=ax1)

Ax1.set_title('房屋类型'，fontsize=15)

Ax1.set_xlabel('数量')

Ax1.set_ylabel('公寓类型')

plt.show()

这个特点真的不为人知。有9室3厅4室0厅等奇怪的结构。其中两室一厅占绝大多数，其次是三室一厅、两室两厅。但仔细观察特征分类，有很多不规则的名字，如两室一厅、两室一卫、别墅等，却没有统一的名字。此类特征不能作为机器学习模型的数据输入，应采用特征工程进行相应处理。

翻新特征分析

df['翻新']。value_counts()

精装11345 Lite 8497其他3239空白576

南北20

名称:翻新，数据类型:int64

发现装修特征有南北两种，属于朝向型。可能是因为爬虫进程中的一些信息位置是空，导致此处出现“方向”定向特征，需要清除或替换。

#去掉错误的数据“南北”，因为爬虫进程中的一些信息位置是空，导致此处出现“方向”的特征，需要清除或替换

df['翻新'] = df.loc[(df['翻新']！= '南北')，'改造']

#框架设置

f，[ax1，ax2，ax3]= PLT . subtracts(1，3，figsize=(20，5))

sns.countplot(df['翻新']，ax=ax1)

sns.barplot(x= '翻新'，y= '价格'，数据=df，ax=ax2)

sns.boxplot(x= '翻新'，y= '价格'，数据=df，ax=ax3)

plt.show()

据观察，精装修的二手房数量最多，其次是简单装修，这在我们的日常生活中也很常见。至于价格，空白型最高，精装修次之。

电梯特征分析

当我们探索数据时，我们发现电梯特性中有很多缺失的值，这对我们非常不利。首先，让我们看看有多少缺失值:

misn = len(df.loc[(df['电梯'])。isnull())，‘电梯’])

打印(缺少“电梯是:+str(misn)”值的数量)

缺失电梯值的数量为:8237

那么多缺失值怎么办？这个需要根据实际情况来考虑。常用的方法有均值/中值填充法、直接剔除法或根据其他特征建模预测法。

这里考虑填充方式，但是有没有电梯不是数值，没有平均值，也没有中位数。怎么才能填满？这里我们提供一种思路:根据楼层判断是否有电梯。一般6层以上有电梯，6层以下没有电梯。有了这个标准，剩下的就简单了。

#因为有个别类型的错误，比如平装和精装，特征值放错了，需要去掉

DF ['电梯'] = DF.loc [(DF ['电梯'] = = '带电梯')|(df['电梯'] == '不带电梯')，'电梯']

#填写电梯缺失值

df.loc[(df['Floor']>;6)和amp(df ['电梯']。isnull())，'电梯'] = '有电梯'

df . loc[(df[' Floor ']& lt；=6)和amp(df ['电梯']。isnull())，'电梯'] = '无电梯'

f，[ax1，ax2] = plt .支线剧情(1，2，figsize=(20，10))

sns.countplot(df['电梯']，ax=ax1)

Ax1.set_title('比较带电梯和不带电梯的电梯数量'，fontsize=15)

Ax1.set_xlabel('有电梯吗')

Ax1.set_ylabel('数量')

sns.barplot(x= '电梯'，y= '价格'，数据=df，ax=ax2)

Ax2.set_title('有或没有电梯的价格比较'，fontsize=15)

Ax2.set_xlabel('有电梯吗')

Ax2.set_ylabel('总价')

plt.show()

结果表明，有电梯的二手房数量大多是有的。毕竟高层土地利用率比较高，适合北京庞大的人群，高层需要电梯。相应的，有电梯的二手房价格更高，因为包含了电梯的前期安装和后期维护费用(但这个价格对比只是一个平均概念，比如6层无电梯的豪华住宅小区价格肯定更高)。

年份特征分析

grid= sns。FacetGrid(df，row= '电梯'，col= '翻新'，调色板= '抗震'，size=4)

网格.地图(点散布，“年”，“价格”)

grid.add_legend()

在装修和电梯的分类条件下，利用FaceGrid分析年份特征，观测结果如下:

整个二手房房价趋势是随着时间增长而增长的；2000年以后建造的二手房房价相较于2000年以前有很明显的价格上涨；1980年之前几乎不存在有电梯二手房数据，说明1980年之前还没有大面积安装电梯；1980年之前无电梯二手房中，简装二手房占绝大多数，精装反而很少；

楼层特征分析

f，ax1 = PLT . subtracts(fig size =(20，5))

sns.countplot(x='Floor '，data=df，ax=ax1)

Ax1.set_title('房屋类型'，fontsize=15)

Ax1.set_xlabel('数量')

Ax1.set_ylabel('公寓类型')

plt.show()

可以看出，6楼二手房数量最多，但个别楼层的特点没有意义，因为每个小区的总楼层数是不一样的，所以需要了解楼层的相对含义。此外，楼层和文化之间有一个非常重要的联系。比如中国文化优于别人，七层可能比较受欢迎，房价也比较贵，但是一般不会有四层或者十八层。当然，一般情况下，中楼层受欢迎，价格高，底层和顶层受欢迎程度低，价格相对低。所以楼层是一个很复杂的特征，对房价影响很大。

总结

这个分享的目的是让大家知道如何用Python做一个简单的数据分析，对于刚接触数据分析的朋友来说，无疑是一个很好的练习。然而，这一分析仍有许多问题有待解决，如:

解决爬虫获取的数据源准确度问题；需要爬取或者寻找更多好的售房特征；需要做更多地特征工程工作，比如数据清洗，特征选择和筛选；使用统计模型建立回归模型进行价格预测；

●数字509，直接输入该条的数字