決定房?jī)r(jià)高低的關(guān)鍵性因素分析

房?jī)r(jià)數(shù)據(jù)從采集到建模的詳細(xì)過(guò)程

以寧波為例

作? ? ? 者：數(shù)字567作者簡(jiǎn)介：作者本人是CDA數(shù)據(jù)科學(xué)家，同時(shí)也是寧波校區(qū)的副校長(zhǎng)本文共計(jì)6000字左右，如果不喜歡技術(shù)過(guò)程，可以直接閱讀文末分析結(jié)論。房?jī)r(jià)一直以來(lái)是全國(guó)老百姓熱議的話題，總結(jié)起來(lái)，無(wú)論對(duì)于剛需者還是投資者，無(wú)非關(guān)注兩方面的問(wèn)題：(1)房?jī)r(jià)的發(fā)展趨勢(shì)是跌還是漲？這就需要對(duì)房?jī)r(jià)的時(shí)間發(fā)展趨勢(shì)進(jìn)行分析預(yù)判。(2)哪個(gè)區(qū)域的房子更具投資價(jià)值？這個(gè)問(wèn)題可以理解為某個(gè)時(shí)間節(jié)點(diǎn)下的數(shù)據(jù)挖掘問(wèn)題。本文探索和回答的是第二個(gè)問(wèn)題，圍繞這個(gè)目標(biāo)567做了一件很多人喜聞樂(lè)見(jiàn)的事，展示了如何利用爬蟲(chóng)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析的全流程。需要說(shuō)明的是，雖然大部分人對(duì)于房?jī)r(jià)的影響因素都有所了解，但是哪些因素是關(guān)鍵的？關(guān)鍵因素對(duì)于房?jī)r(jià)的作用到底是如何促進(jìn)和抑制的？像這類問(wèn)題是大部人沒(méi)法回答的，這也就體現(xiàn)了數(shù)據(jù)分析的價(jià)值所在。因此，本文將回答兩方面的問(wèn)題：(1)影響房?jī)r(jià)高低的因素中哪些是關(guān)鍵的；(2)這些關(guān)鍵因素哪些是制約因素，哪些是促進(jìn)因素。

1.數(shù)據(jù)采集

1.1 數(shù)據(jù)獲取

本人最怕浪費(fèi)時(shí)間，所以直接用現(xiàn)成工具進(jìn)行采集，共獲得3000多條數(shù)據(jù)(僅用于研究和學(xué)習(xí)，不用于任何商業(yè)目的)。數(shù)據(jù)導(dǎo)出為csv格式，方便各種工具調(diào)用和分析。

1.2空間坐標(biāo)補(bǔ)全

原始數(shù)據(jù)最大的問(wèn)題是沒(méi)有空間坐標(biāo)信息，但是不同區(qū)域的房?jī)r(jià)一般存在顯著差異，比如限購(gòu)圈內(nèi)的房子很可能就比限購(gòu)圈外貴，所以補(bǔ)充坐標(biāo)信息，以反映房子所在區(qū)位情況是必不可少的一步。同樣，為了節(jié)約時(shí)間，簡(jiǎn)單地百度關(guān)鍵詞“python獲取百度坐標(biāo)”，熟練地使用復(fù)制粘貼技能，并對(duì)代碼稍作更正，就能實(shí)現(xiàn)坐標(biāo)獲取的目的。以下代碼定義了一個(gè)函數(shù)，用于坐標(biāo)的獲取：import json,urllib,math# 根據(jù)地址獲取經(jīng)緯度def getlnglat(address): url = 'http://api.map.baidu.com/geocoder/v2/' output = 'json' ak = 你的百度密鑰 # 瀏覽器端密鑰 address =urllib.parse.quote(address) # 由于本文地址變量為中文，為防止亂碼，先用quote進(jìn)行編碼 uri = url + '?' + 'address=' + address + '&output=' + output + '&ak=' + ak try: req = urllib.request.urlopen(uri) res = req.read().decode() temp = json.loads(res) # 緯度 lat = temp['result']['location']['lat'] # 經(jīng)度 lng = temp['result']['location']['lng'] # 地址查找失敗 if math.isclose(lat,39.910925,rel_tol=1e-5): lat = None if math.isclose(lng, 116.413384, rel_tol=1e-5): lng = None except Exception as e: print(e) lng = None lat = None????return?lng,?lat有了上面這段代買(mǎi)，我們就可以根據(jù)小區(qū)名稱獲取對(duì)應(yīng)的百度坐標(biāo)了。將小區(qū)名稱另存為文本，在Python中簡(jiǎn)單2行代碼即可搞定！f=open('./小區(qū)名稱.txt').readlines()xy=[[getlnglat('寧波'+addr.split('\n')[0])[0],getlnglat('寧波'+addr.split('\n')[0])[1]] for addr in f]with open('result.csv','a') as res: for each in xy:????????res.writelines(str(each[0])+','+str(each[1])+'\n')

這樣坐標(biāo)的問(wèn)題就解決了。

1.4數(shù)據(jù)清洗

原始數(shù)據(jù)準(zhǔn)備就緒，但是接踵而至的問(wèn)題很多：(1)數(shù)據(jù)是不是直接可用？顯然不是；(2)哪些數(shù)據(jù)是重要的，哪些是不重要的？這個(gè)判斷有利于減少工作量；(3)坐標(biāo)怎么利用？等。

1.4.1坐標(biāo)修正

坐標(biāo)不對(duì)，分析結(jié)論和實(shí)際情況很可能大相徑庭！因此，懷著對(duì)百度的不信任，需要人工復(fù)查一遍坐標(biāo)。打開(kāi)arcgis，將小區(qū)可視化在地圖上。總體上來(lái)看，采集的數(shù)據(jù)點(diǎn)分布比較符合實(shí)際情況，呈現(xiàn)“中心密、郊區(qū)疏“的分布，且與各區(qū)縣的經(jīng)濟(jì)發(fā)展情況大體一致。但是明顯可以看到有些點(diǎn)已經(jīng)超出了寧波市域范圍，需要手動(dòng)修正。

于是，我們可以初步觀察下高房?jī)r(jià)都集中在哪些區(qū)域。圖中比較亮的連片的區(qū)域事實(shí)上就是寧波的那些核心片區(qū)了。如天一附近、東部新城、南部新城等。均價(jià)熱力圖分布

1.4.2增加經(jīng)驗(yàn)性決策因素

從采集的原始數(shù)據(jù)字段來(lái)看，數(shù)據(jù)集并未體現(xiàn)很多我們關(guān)心的房?jī)r(jià)影響因素，這些因素有政策層面的、區(qū)位層面的、以及周邊開(kāi)發(fā)層面的等。因此我們需要進(jìn)一步進(jìn)行數(shù)據(jù)加工。首先，567找到了寧波的限購(gòu)圈范圍，據(jù)此在arcgis中標(biāo)志出小區(qū)是否在限購(gòu)圈內(nèi)，下圖(右)中的藍(lán)色點(diǎn)表示在限購(gòu)圈內(nèi)，以此反映限購(gòu)政策對(duì)房?jī)r(jià)的影響。

其次，為了分析地鐵站對(duì)房?jī)r(jià)的影響，需要識(shí)別小區(qū)對(duì)應(yīng)的最近地鐵站點(diǎn)，進(jìn)而計(jì)算小區(qū)與地鐵站的距離。567使用了arcgis中的空間關(guān)聯(lián)方法實(shí)現(xiàn)了此步操作。最后，為了體現(xiàn)小區(qū)的區(qū)位(核心區(qū)、郊區(qū)、城鄉(xiāng)結(jié)合部等)，567假設(shè)周邊設(shè)施種類越多且設(shè)施數(shù)量越多則區(qū)位能級(jí)越高。為了補(bǔ)充這個(gè)數(shù)據(jù)，需要采集電子地圖上的POI數(shù)據(jù)，這個(gè)有點(diǎn)小麻煩。同樣，為了節(jié)約時(shí)間，567直接花了百來(lái)塊大洋買(mǎi)了一份。這里567使用的是網(wǎng)格匹配法，將小區(qū)和POI均關(guān)聯(lián)至所在網(wǎng)格(1000米X1000米)，以網(wǎng)格聚合數(shù)據(jù)作為小區(qū)的POI數(shù)量和POI類型數(shù)。POI數(shù)據(jù)樣表網(wǎng)格匹配

1.4.3數(shù)據(jù)的初步清洗

數(shù)據(jù)的初步清洗是為下一步的分析和建模做準(zhǔn)備，這與建模階段的數(shù)據(jù)清洗有所區(qū)別，你可以理解為粗加工和精加工的區(qū)別。因?yàn)?67超級(jí)喜歡強(qiáng)大的powerquery，所以這里使用powerbi進(jìn)行清洗，主要做了以下工作：?刪除毫無(wú)意義的字段：鏈接、地址、經(jīng)紀(jì)人等；?規(guī)范化數(shù)據(jù)表達(dá)：將帶單位的面積、總價(jià)、建筑面積、首付等轉(zhuǎn)化成數(shù)值類型，建造年份轉(zhuǎn)化為日期等；?奇葩格式規(guī)整：去除數(shù)據(jù)中的空格、換行符、回車(chē)符等。

?統(tǒng)一類別表達(dá)：將五花八門(mén)的房屋朝向表述，統(tǒng)一規(guī)范為東西、南北等。

?去重：去除明顯重復(fù)的數(shù)據(jù)，最后剩下的可用數(shù)據(jù)僅有1300多條。

1.4.4提取彩蛋性決策因素

從采集的數(shù)據(jù)中，我們發(fā)現(xiàn)有很多文本類描述信息，這些信息中非規(guī)范地表達(dá)了很多有用信息，比如學(xué)區(qū)房、在小區(qū)中的位置、采光等。這些在567看來(lái)就是非常重要的“彩蛋“性因素，能利用起來(lái)就能提高模型的分析價(jià)值。為了從文本信息中獲取更多信息，一個(gè)簡(jiǎn)單的思路是對(duì)文本信息進(jìn)行分詞和權(quán)重計(jì)算，據(jù)此提煉新的決策因素。針對(duì)分詞，567直接使用現(xiàn)成jieba包，百度抄一段代碼即可。分詞完還需要統(tǒng)計(jì)各個(gè)詞的詞頻或者權(quán)重，這里利用jieba包自帶的TF/IDF算法計(jì)算了下權(quán)重，原理可以自行拓展閱讀。# -*- coding:utf-8 -*-import jiebaimport jieba.analyse as anls #關(guān)鍵詞提取import codecsimport refrom collections import Counterclass WordCounter(object): def count_from_file(self, file, top_limit=0): with codecs.open(file, 'r', 'utf-8') as f: content = f.read() content = re.sub(r'\s+', r' ', content)#修飾空格 content = re.sub(r'\.+', r' ', content) return self.count_from_str(content, top_limit=top_limit) def count_from_str(self, content, top_limit=0): if top_limit <= 0: top_limit = 100 tags = jieba.analyse.extract_tags(content, topK=1000)#基于TF/IDF 計(jì)算詞的權(quán)重 words = jieba.cut(content) counter = Counter() for word in words: if word in tags: counter[word] += 1 return counter.most_common(top_limit)if __name__ == '__main__': counter = WordCounter() result = counter.count_from_file(r'./文本信息.txt', top_limit=100) with open('詞權(quán)重.csv','a') as wf: for each in result:????????????wf.writelines(each[0]+','+str(each[1])+'\n')

關(guān)鍵詞權(quán)重分布最終獲得了如下關(guān)鍵詞的權(quán)重：權(quán)重(>900)：南北通透權(quán)重(600-700)：精裝權(quán)重(200-400)：樓層、配套、方便、花園、成熟、地段、品質(zhì)、采光、地鐵權(quán)重(<200)：三房、全新、拎包、一表生、方正、滿二、電梯、滿五、毛胚、邊套、唯一住房、洋房、中庭、露臺(tái)、小學(xué)、全亮、視野、素質(zhì)住戶、東首、得房率、急賣(mài)、學(xué)籍、商圈、特價(jià)、車(chē)位、車(chē)棚。結(jié)論1：詞權(quán)重越高，在本數(shù)據(jù)集合里意味著用詞較為頻繁，因此意味著區(qū)分度可能不是很高。反而權(quán)重較小的詞比如一表生、東首、車(chē)位等，更可能體現(xiàn)房子的區(qū)位優(yōu)勢(shì)、小區(qū)中的位置優(yōu)勢(shì)以及性價(jià)比優(yōu)勢(shì)等。結(jié)論2：根據(jù)上述分析，在已有字段基礎(chǔ)上，考慮增加采光程度、是否拎包入住、是否學(xué)區(qū)房、小區(qū)內(nèi)的位置(中庭、東首、邊套等)、是否送車(chē)位、是否送車(chē)棚、得房率高否、是否帶露臺(tái)、是否急賣(mài)等字段。先來(lái)解決簡(jiǎn)單的問(wèn)題，直接從每條記錄的文本中提取關(guān)鍵信息，并轉(zhuǎn)化為字段添加至房?jī)r(jià)數(shù)據(jù)表中，代碼如下。到這里，567認(rèn)為已經(jīng)把公開(kāi)的、輕易就能獲取到的數(shù)據(jù)整理好了，那么就可以進(jìn)行初步的探索和分析了。jieba.load_userdict("關(guān)鍵詞詞典.txt")#需要定義一個(gè)詞典來(lái)存放關(guān)鍵詞f=codecs.open('./文本信息.txt',encoding='utf-8').readlines()txts=[x.split('\t')[1].split('\n')[0] for x in f]ty={"配套是否成熟":['配套','商圈'], "采光程度":['采光佳','采光無(wú)遮擋','采光全天候','采光好','采光充足','采光無(wú)影響','采光溫和'], "是否拎包入住":['拎包'], "是否學(xué)區(qū)房":['一表生','學(xué)籍','讀書(shū)'], "是否有電梯":['電梯'], "小區(qū)位置":['中庭','東首','邊套'], "是否送車(chē)位":['車(chē)位'], "是否送車(chē)棚":['車(chē)棚'], "得房率高否":['得房率'], "是否帶露臺(tái)":['露臺(tái)'], "是否急賣(mài)":['急賣(mài)'] }#注意，txts中的第一個(gè)是字段名稱items=[]item={}for txt in txts: words=jieba.lcut(txt,cut_all=False) item={} for each in words: for i in range(len(ty.values())): vl=list(ty.values())[i]#值 key=list(ty.keys())[i]#key if each in vl: item[key]=each items.append(item)df=pd.DataFrame(items).fillna(0)df.replace({'配套':1,'商圈':1, '采光佳':'好','采光無(wú)遮擋':'好','采光全天候':'好','采光好':'好','采光充足':'充足','采光無(wú)影響':'無(wú)影響','采光溫和':'無(wú)影響', '拎包':1, '一表生':1,'學(xué)籍':1,'讀書(shū)':1, '電梯':1, '車(chē)位':1, '車(chē)棚':1, '得房率':1, '露臺(tái)':1, '急賣(mài)':1 },inplace=True)df['采光程度']=df['采光程度'].replace(0,'無(wú)影響')df['小區(qū)位置']=df['小區(qū)位置'].replace(0,'其他')df.to_csv('增加文本挖掘字段.csv',encoding='gbk')

2.數(shù)據(jù)探索

2.1異常值

利用箱線圖發(fā)現(xiàn)，均價(jià)和面積存在幾個(gè)明顯的異常值，過(guò)于極端的數(shù)據(jù)直接刪除，部分異常值依然保留，留待建模過(guò)程中通過(guò)其他方法進(jìn)行處理。

2.2數(shù)據(jù)探索性分析

為了節(jié)約時(shí)間，這里聚焦分析這一重點(diǎn)，至于作圖規(guī)不規(guī)范、美不沒(méi)關(guān)，請(qǐng)忽略。

2.2.1目標(biāo)變量分布

從下圖可以看出，均價(jià)具有較為明顯的“正態(tài)”分布的特性，因此不需要進(jìn)一步處理。寧波中心城的均價(jià)大概在2.5萬(wàn)/平米~3.0萬(wàn)/平米之間。房?jī)r(jià)頻率分布

2.2.2交叉分析

進(jìn)一步，我們可以分析不同因素對(duì)均價(jià)的影響，這是為了建立起建模前的一條底線，即我們?cè)谧非竽Ｐ偷木葧r(shí)，不能罔顧實(shí)際情況，這就需要有對(duì)實(shí)際情況的大致了解，也就是交叉分析的意義所在，下面舉例說(shuō)明。面積：面積與房?jī)r(jià)有一定關(guān)系，但并非咱們經(jīng)驗(yàn)認(rèn)為的小面等同于高價(jià)，大面積等同于低價(jià)，90~140平米之間存在明顯的低谷。這與寧波首套房要繳納的契稅規(guī)定有關(guān)：140平方米及以上的非普通住宅、商鋪、寫(xiě)字樓，140平方米以下的非家庭唯一住房，繳1.5%；面積90平方米以上140平方米以下的家庭唯一住房，繳0.75%；面積90平方米及以下的家庭唯一住房，繳0.5%。明明面積越大，納稅越高，為什么低谷出現(xiàn)在90~140平米之間呢？567猜測(cè)，賣(mài)得起140平米以上住宅的都基本都是“富人“，房子的品質(zhì)肯定不用說(shuō)了，這點(diǎn)稅對(duì)于他們來(lái)說(shuō)基本可以忽略。我們可以稱140平米以上的區(qū)間是”富人游戲圈“。套型：總體上室/廳比例越高，均價(jià)越高，說(shuō)明市場(chǎng)偏向?qū)嵱眯?#xff0c;用腳想想也能明白，一個(gè)房子里整太多客廳幾乎就意味著空間的浪費(fèi)。另外，這里我們也能得到一個(gè)啟發(fā)，可以構(gòu)造一個(gè)新的字段即室/廳比來(lái)解釋房?jī)r(jià)。是否限購(gòu)：正如預(yù)期，限購(gòu)區(qū)外的房?jī)r(jià)明顯低于限購(gòu)區(qū)內(nèi)的房?jī)r(jià)。與地鐵站的距離：從圖中可以看出，地鐵站對(duì)房?jī)r(jià)的影響還是比較明顯的，總體上離地鐵站越近，均價(jià)越高。是否學(xué)區(qū)房：這個(gè)字段是我們從文本信息中提煉出來(lái)的，可以發(fā)現(xiàn)，學(xué)區(qū)效應(yīng)還是非常明顯的，即學(xué)區(qū)意味著高房?jī)r(jià)。

3.建模

經(jīng)過(guò)以上復(fù)雜的騷操作，我們終于來(lái)到了激動(dòng)人心的建模環(huán)節(jié)。由于這一部分代碼過(guò)于復(fù)雜，567只講思路和結(jié)果，代碼部分就不予展示了。

3.1數(shù)據(jù)清洗

這一步數(shù)據(jù)清洗，就是567前文中提到的精加工，由于數(shù)據(jù)量不大，且數(shù)據(jù)并不復(fù)雜，因此使用到的方法也相對(duì)簡(jiǎn)單，主要工作內(nèi)容包括：?識(shí)別變量類型：數(shù)值型變量和分類型變量需要分別進(jìn)行處理；?缺失值填補(bǔ)：567利用了xgboost進(jìn)行自動(dòng)插值；?異常值處理：567采用的是蓋帽法。

3.2特征選擇

對(duì)于數(shù)值型變量，采用相關(guān)系數(shù)進(jìn)行統(tǒng)計(jì)分析，P值小于0.05的特征予以保留。對(duì)于類別型變量，采用方差檢驗(yàn)判斷特征的重要性，同樣對(duì)于P值小于0.05的特征予以保留。

3.3模型比選和調(diào)參

567使用了pycaret進(jìn)行模型比選，可以發(fā)現(xiàn)Catboost和XGboost整體預(yù)測(cè)效果最好，且兩個(gè)模型效果較為接近，同時(shí)慮到xgb具有良好的兼容性、以及運(yùn)行時(shí)間較短，最終選擇xgb進(jìn)行調(diào)參。567使用了網(wǎng)格搜索法進(jìn)行超參數(shù)調(diào)優(yōu)，調(diào)參后模型預(yù)測(cè)性能明顯提升，模型在測(cè)試集上的解釋能力達(dá)到了75%，這個(gè)結(jié)果還是比較讓人滿意的。initial-train XGB: error=203940.108, r2=0.997initial-test XGB: error=16346142.845, r2=0.755當(dāng)然，以上繁雜的過(guò)程，如dummy等，被省略了。關(guān)鍵的一步，我們還需要驗(yàn)證殘差，發(fā)現(xiàn)殘差具有較好的正態(tài)分布特性。綜上，認(rèn)為模型還是比較合適的。殘差分布圖

3.4模型解釋

這里咱們就回到了本次分析的目的，如果你還記得的話，我們需要回答兩個(gè)問(wèn)題：(1)影響房?jī)r(jià)高低的因素中哪些是關(guān)鍵的；(2)這些關(guān)鍵因素哪些是制約因素，哪些是促進(jìn)因素。因此，模型解釋是建模過(guò)程中非常關(guān)鍵的一步，一般模型自帶的特征分析功能往往不是非常理想，所以567使用了SHAP分析方法對(duì)模型進(jìn)行解釋。針對(duì)第一個(gè)問(wèn)題我們分析了特征的重要性排名，這里567只提下關(guān)鍵因素和重要因素，這些也是建議買(mǎi)房者需要著重考慮的因素。?關(guān)鍵因素：可以發(fā)現(xiàn)在所有可能對(duì)房?jī)r(jià)有影響的因素中，是否限購(gòu)這種政策類因素是最為顯著的，這也就印證了無(wú)數(shù)的事實(shí)，限制意味著爆發(fā)！?重要因素：POI類型數(shù)量、POI數(shù)量體現(xiàn)了小區(qū)周邊開(kāi)發(fā)的成熟度，這兩個(gè)因素對(duì)房?jī)r(jià)影響也較為明顯。此外，樓層數(shù)、與地鐵站距離、面積大小，也是房?jī)r(jià)高低的考慮因素。針對(duì)第二個(gè)問(wèn)題我們給出了SHAP圖，這里567也只撿重要的講一下。?圖怎么看：SHAP圖中每一行代表一個(gè)影響因素，橫坐標(biāo)為SHAP值(值越高說(shuō)明影響越大，正值表示對(duì)房?jī)r(jià)有促進(jìn)作用，負(fù)值表示對(duì)房?jī)r(jià)有抑制作用)。一個(gè)點(diǎn)代表一個(gè)樣本，顏色表示該樣本的影響因素值(紅色高，藍(lán)色低)。需要注意的是，這里的影響因素是經(jīng)過(guò)dummy處理的，所以是否限購(gòu)_0，紅色的點(diǎn)其實(shí)表示的是”是”，藍(lán)色的點(diǎn)表示的是“否“。?關(guān)鍵影響因素：限購(gòu)政策對(duì)于房?jī)r(jià)具有絕對(duì)影響，限購(gòu)圈內(nèi)的房?jī)r(jià)明顯高于限購(gòu)圈外的房?jī)r(jià)；?重要影響因素：(1)周邊配套越成熟能顯著推高房?jī)r(jià)，這里POI類型數(shù)量(反映了業(yè)態(tài)的豐富程度)比POI數(shù)量本省更具有明顯的正向推動(dòng)作用；(2)由于寧波老房子普遍較低，因此在寧波樓層越高，很可能就是那些新開(kāi)的樓盤(pán)；(3)離地鐵站的距離的作用，在SHAP圖中并不明顯，所以后面我們單獨(dú)進(jìn)行分析；(4)房屋面積方面，90-120平米的房?jī)r(jià)會(huì)是比較尷尬的，這個(gè)區(qū)間內(nèi)面積越大，均價(jià)越低；(5)4室的房子對(duì)房?jī)r(jià)拉動(dòng)作用明顯，可以理解為4室的戶型在市場(chǎng)上最符合購(gòu)房者的空間布置需求；(6)房齡越大，價(jià)格竟然越高，這是567沒(méi)有料想到的，但是如果結(jié)合周邊配套進(jìn)行考慮，其實(shí)也能夠理解了，一般房子越老，周邊配套越成熟，也很可能就是你心儀的學(xué)區(qū)房。最后，為了更加清晰地看到軌道站點(diǎn)遠(yuǎn)近對(duì)于房?jī)r(jià)的影響，567繪制了距離與SHAP值得關(guān)系，在各種因素的交互影響(3條線)和目前得軌道線網(wǎng)下，適中的距離對(duì)于房?jī)r(jià)拉動(dòng)作用更為明顯，其中效應(yīng)最明顯是在距離軌道站點(diǎn)1-3公里范圍內(nèi)。這些小區(qū)本身位于鄞州公園、萬(wàn)達(dá)廣場(chǎng)、印象城等附近，休閑娛樂(lè)便利，同時(shí)1-3公里距離是共享單車(chē)、公共自行車(chē)等交通工具接駁的適宜范圍，所以地鐵站進(jìn)一步提升了這些小區(qū)的交通便利性。離軌道越近的小區(qū)價(jià)格提升作用不明顯也比較容易理解，寧波市軌道交通的線站位選擇原則一般盡量避免直穿成熟區(qū)，以減少拆遷成本，所以周邊的配套往往并不完善。

本文出品：注冊(cè)數(shù)據(jù)分析師(ID: cda302)

歡迎加入大數(shù)據(jù)分析交流群學(xué)習(xí)討論

進(jìn)群請(qǐng)?zhí)砑游⑿與da00j，通過(guò)邀請(qǐng)入群

?CDA課程咨詢

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來(lái)咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的如何采集指定年份的poi_房价关键影响因素分析：从数据采集到建模全过程的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。