數據集及源代碼鏈接：https://github.com/roberpan/python/tree/master/test/dataanalyse/houseprice

一、統計北京各區二手房單價排名，并分析高端小區(排名前10/50/100的小區)，各區占有量

# -*- coding: utf-8 -*-

# 根據安居客數據來源，對二手房信息進行統計

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

data = pd.read_csv('data/anjuke.csv')

get_region = lambda x: x.split('-')[0]

address = data['Region'].apply(get_region)

data['District'] = address

data['Unit_price'] = data['Price'] / data['Size']

plt.figure(figsize=(12,8)) #設置畫布大小

grid=plt.GridSpec(2,3) #劃分畫布，這樣可以調節每個子圖的大小

#繪制北京各行政區房價排名

fig1=plt.subplot(grid[0,0:3])

datagroup1 = data.groupby(['District'], as_index=False)

unit_price_mean=datagroup1.Unit_price.mean().sort_values(by='Unit_price',ascending=False)

sns.barplot(x='District',y='Unit_price',data=unit_price_mean)

plt.suptitle('北京各行政區房價排名')

#繪制總價排前列小區中，各個行政區的擁有量

datagroup2 = data.groupby(['District','Garden'], as_index=False)

price_mean = datagroup2.Price.mean()

price_mean = price_mean.sort_values(by='Price', ascending=False)

max_data1 = price_mean[:10]

max_data2 = price_mean[:50]

max_data3 = price_mean[:100]

sns.set()

fig2=plt.subplot(grid[1,0])

sns.countplot(x='District', data=max_data1).set_title('總價排名前10小區各行政區占有量')

fig3=plt.subplot(grid[1,1])

sns.countplot(x='District', data=max_data2).set_title('總價排名前50小區各行政區占有量')

fig4=plt.subplot(grid[1,2])

sns.countplot(x='District', data=max_data3).set_title('總價排名前100小區各行政區占有量')

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.show()

以上執行結果如下圖所示：

從以上結果可以看出：

1、從二手房單價維度看：西城最高，東城和海淀分別列第二、第三名，最低的區縣是平谷

2、從二手房總價排名前列的小區看：朝陽區遙遙領先，海淀、西城、順義也排名較為靠前

以上結果可以說明：

1、西城、東城、海淀單價高，應該與此三個區學區較好、較多有關，與地理位置也有一定關系，但學區影響應該遠大于地理位置影響，因為朝陽區、豐臺區位置都靠近市中心，但價格不明顯

2、朝陽區應該是富人最多的區域，再加上地理位置加成，其豪宅小區基本上占整個北京豪宅小區的一半以上，這也與朝陽區商業發達高度相關。另外比較意外的有兩個：一個是順義區豪宅小區也較多，應該與其擁有多個別墅小區、以及靠近朝陽區有關系；二是東城區豪宅數量很少(前100名豪宅小區數還不如昌平，跟大興差不多)，應該與東城小區老舊，單個二手房面積小有關系

二、顯示北京二手房單價排名前十小區

# -*- coding: utf-8 -*-

# 根據安居客數據來源，對二手房信息進行統計

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

data = pd.read_csv('data/anjuke.csv')

get_region = lambda x: x.split('-')[0]

address = data['Region'].apply(get_region)

data['District'] = address

data['Unit_price'] = data['Price'] / data['Size']

gardengp=data.groupby('Garden',as_index=False)

gardenmean=gardengp.Unit_price.mean().sort_values(by='Unit_price',ascending=False)

sns.barplot(x='Garden',y='Unit_price',data=gardenmean[:10],palette='Spectral_r')

plt.rcParams['font.sans-serif'] = ['SimHei']

plt.show()

顯示結果如下：

總結

以上是生活随笔為你收集整理的python北京房价预测_python数据分析——北京房价分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。