python数据分析项目：链家二手房分析
数据来源：爬虫获取
数据内容：北京二手房数据
数据特征：11个特征变量 ， 1个目标变量 Price
Direction : 房屋位置所处的方向
District : 房屋位置
Elevator : 电梯
Floor : 楼层
Garden : 小区名字
Id : 房屋编号
Layout：户型
Price : 价格
Region : 区域
Renovation : 装修程度
Size : 房屋面积
Year ： 房屋年份
1、数据准备
#导入数据包 import numpy as np import pandas as pd #导入画图包 import matplotlib.pyplot as plt import missingno as msno import seaborn as sns sns.set() sns.set_style({'font.sans-serif':['simhei','Arial']}) #jupyter notebook绘图设置 %matplotlib inline %config InlineBack.figure_format="retina" #读取数据 lianjia_df = pd.read_csv("E:/数据分析/数据分析项目实战/python分析链家二手房数据/lianjia.csv") lianjia_df.head(5)
初步观察，Elvator字段中存在缺失值。
下一步检查缺失情况，有两种方式。
# 检查缺失值情况 lianjia_df.info()
#可视化查询缺失值 msno.matrix(lianjia_df,figsize=(12,5))
由此可见，Elvator字段中缺失大量的值。
lianjia_df.describe()
上面结果给出了特征值是数值的一些统计值，包括平均数，标准差，中位数，最小值，最大值，25%分位数，75%分位数。这些统计结果简单直接，对于初始了解一个特征好坏非常有用，比如我们观察到 Size 特征 的最大值为1019平米，最小值为2平米，那么我们就要思考这个在实际中是不是存在的，如果不存在没有意义，那么这个数据就是一个异常值，会严重影响模型的性能。
# 添加新字段 # 房屋均价 df = lianjia_df.copy() df["PerPrice"] = lianjia_df["Price"]/lianjia_df["Size"]
#重新摆放列位置 columns = ['Region', 'District', 'Garden', 'Layout', 'Floor', 'Year', 'Size', 'Elevator', 'Direction', 'Renovation', 'PerPrice', 'Price'] df = pd.DataFrame(df,columns = columns) df.head()
这里添加了新的特征 “PerPrice”，特征的顺序也进行了调整，Id没什么分析意义，将其移除。
2、数据分析
# Region特征分析
对于区域特征，可以分析不同区域房价（总价和单价）和 数量的对比。
# 对二手房区域分组对比二手房数量和每平米房价 df_house_count = df.groupby('Region')['Price'].count().sort_values(ascending=False).to_frame().reset_index() df_house_mean = df.groupby('Region')['PerPrice'].mean().sort_values(ascending=False).to_frame().reset_index() f, [ax1,ax2,ax3] = plt.subplots(3,1,figsize=(20,15)) sns.barplot(x='Region', y='PerPrice', palette="Blues_d", data=df_house_mean, ax=ax1) ax1.set_title('北京各大区二手房每平米单价对比',fontsize=15) ax1.set_xlabel('区域') ax1.set_ylabel('每平米单价') sns.barplot(x='Region', y='Price', palette="Greens_d", data=df_house_count, ax=ax2) ax2.set_title('北京各大区二手房数量对比',fontsize=15) ax2.set_xlabel('区域') ax2.set_ylabel('数量') sns.boxplot(x='Region', y='Price', data=df, ax=ax3) ax3.set_title('北京各大区二手房房屋总价',fontsize=15) ax3.set_xlabel('区域') ax3.set_ylabel('房屋总价') plt.show()
可以看出：
- 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。
# Size特征分析
f, [ax1,ax2] = plt.subplots(1, 2, figsize=(15, 5)) # 建房面积的分布情况 sns.distplot(df['Size'], bins=20, ax=ax1, color='r') sns.kdeplot(df['Size'], shade=True, ax=ax1) # 建房面积和出售价格的关系 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"]<10]
经过查看发现这组数据是别墅，出现异常的原因是由于别墅结构比较特殊（无朝向无电梯），
字段定义与二手商品房不太一样导致爬虫爬取数据错位。
也因别墅类型二手房不在我们的考虑范围之内，故将其移除再次观察Size分布和Price关系。
df.loc[df['Size']>1000]
经观察这个异常点不是普通的民用二手房，很可能是商用房，所以才有1房间0厅确有如此大超过1000平米的面积，这里选择移除。
df = df[(df['Layout']!='叠拼别墅')&(df['Size']<1000)] f,[ax1,ax2] = plt.subplots(1,2,figsize=(15,5)) # 建房面积的分布情况 sns.distplot(df['Size'], bins=20, ax=ax1, color='r') sns.kdeplot(df['Size'], shade=True, ax=ax1) # 建房面积和出售价格的关系 sns.regplot(x='Size', y='Price', data=df, ax=ax2) plt.show()
、
重新进行可视化发现就没有明显的异常点了。
#Layout特征分析
f, ax1= plt.subplots(figsize=(20,20)) sns.countplot(y='Layout', data=df, ax=ax1) ax1.set_title('房屋户型',fontsize=15) ax1.set_xlabel('数量') ax1.set_ylabel('户型') plt.show()
这个特征真是不看不知道，各种厅室组合搭配，竟然还有9室3厅，4室0厅等奇怪的结构。
其中，2室一厅占绝大部分，其次是3室一厅，2室2厅，3室两厅。
但是仔细观察特征分类下有很多不规则的命名，比如2室一厅与2房间1卫，还有别墅，没有统一的叫法。
这样的特征肯定是不能作为机器学习模型的数据输入的，需要使用特征工程进行相应的处理。
#Renovation 特征分析
df['Renovation'] = df.loc[(df['Renovation'] != '南北'), 'Renovation'] 精装 11345 简装 8497 其他 3239 毛坯 576 南北 20 Name: Renovation, dtype: int64
发现Renovation装修特征中竟然有南北，它属于朝向的类型，可能是因为爬虫过程中一些信息位置为空，导致“Direction”朝向特征出现在这里，所以需要清除或替换掉。
# 去掉错误数据“南北”，因为爬虫过程中一些信息位置为空，导致“Direction”的特征出现在这里，需要清除或替换 df['Renovation'] = df.loc[(df['Renovation'] != '南北'), 'Renovation'] # 画幅设置 f, [ax1,ax2,ax3] = plt.subplots(1, 3, figsize=(20, 5)) sns.countplot(df['Renovation'], ax=ax1) sns.barplot(x='Renovation', y='Price', data=df, ax=ax2) sns.boxplot(x='Renovation', y='Price', data=df, ax=ax3) plt.show()
观察到，精装修的二手房数量最多，简装其次，也是我们平日常见的。而对于价格来说，毛坯类型却是最高，其次是精装修。
#Elevator 特征分析
初探数据的时候，我们发现 Elevator 特征是有大量缺失值的，这对于我们是十分不利的，首先我们先看看有多少缺失值：
misn = len(df.loc[(df['Elevator'].isnull()), 'Elevator']) print('Elevator缺失值数量为：'+ str(misn))
Elevator 缺失值数量为：8237
这么多的缺失值怎么办呢？这个需要根据实际情况考虑，常用的方法有平均值/中位数填补法，直接移除，或者根据其他特征建模预测等。
这里我们考虑填补法，但是有无电梯不是数值，不存在平均值和中位数，怎么填补呢？这里给大家提供一种思路：就是根据楼层 Floor 来判断有无电梯，一般的楼层大于6的都有电梯，而小于等于6层的一般都没有电梯。有了这个标准，那么剩下的就简单了。
# 由于存在个别类型错误，如简装和精装，特征值错位，故需要移除 df['Elevator'] = df.loc[(df['Elevator'] == '有电梯')|(df['Elevator'] == '无电梯'), 'Elevator'] # 填补Elevator缺失值 df.loc[(df['Floor']>6)&(df['Elevator'].isnull()), 'Elevator'] = '有电梯' df.loc[(df['Floor']<=6)&(df['Elevator'].isnull()), 'Elevator'] = '无电梯' f, [ax1,ax2] = plt.subplots(1, 2, figsize=(20, 10)) sns.countplot(df['Elevator'], ax=ax1) ax1.set_title('有无电梯数量对比',fontsize=15) ax1.set_xlabel('是否有电梯') ax1.set_ylabel('数量') sns.barplot(x='Elevator', y='Price', data=df, ax=ax2) ax2.set_title('有无电梯房价对比',fontsize=15) ax2.set_xlabel('是否有电梯') ax2.set_ylabel('总价') plt.show()
结果观察到，有电梯的二手房数量居多一些，毕竟高层土地利用率比较高，适合北京庞大的人群需要，而高层就需要电梯。相应的，有电梯二手房房价较高，因为电梯前期装修费和后期维护费包含内了（但这个价格比较只是一个平均的概念，比如无电梯的6层豪华小区当然价格更高了）。
#Year 特征分析
grid = sns.FacetGrid(df, row='Elevator', col='Renovation', palette='seismic',size=4) grid.map(plt.scatter, 'Year', 'Price') grid.add_legend()
在Renovation和Elevator的分类条件下，使用 FaceGrid 分析 Year 特征，观察结果如下：
- 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；
#Floor 特征分析
f, ax1= plt.subplots(figsize=(20,5)) sns.countplot(x='Floor', data=df, ax=ax1) ax1.set_title('房屋户型',fontsize=15) ax1.set_xlabel('数量') ax1.set_ylabel('户型') plt.show()
可以看到，6层二手房数量最多，但是单独的楼层特征没有什么意义，因为每个小区住房的总楼层数都不一样，我们需要知道楼层的相对意义。
另外，楼层与文化也有很重要联系，比如中国文化七上八下，七层可能受欢迎，房价也贵，而一般也不会有4层或18层。
当然，正常情况下中间楼层是比较受欢迎的，价格也高，底层和顶层受欢迎度较低，价格也相对较低。
所以楼层是一个非常复杂的特征，对房价影响也比较大。