房價數據分析

數據簡單清洗

data.csv

數據顯示

# 導入模塊 import pandas as pd # 導入數據統計模塊 import matplotlib # 導入圖表模塊 import matplotlib.pyplot as plt # 導入繪圖模塊# 避免中文亂碼 matplotlib.rcParams['font.sans-serif'] = ['SimHei'] # 設置字體為SimHei顯示中文 matplotlib.rcParams['axes.unicode_minus'] = False # 設置正常顯示字符，使用rc配置文件來自定義 # 簡單清洗 data = pd.read_csv('data.csv') # 讀取csv數據 del data['Unnamed: 0'] # 將索引列刪除 data.dropna(axis=0, how='any', inplace=True) # 刪除data數據中的所有空值 data['單價'] = data['單價'].map(lambda d: d.replace('元/平米', '')) # 將單價“元/平米”去掉 data['單價'] = data['單價'].astype(float) # 將房子單價轉換為浮點類型，float（data['',單價]）data['總價'] = data['總價'].map(lambda d: d.replace('萬', '')) # 將總價“萬”去掉 data['總價'] = data['總價'].astype(float) # 將房子總價轉換為浮點類型，float（data['',單價]）data['建筑面積'] = data['建筑面積'].map(lambda p: p.replace('平米', '')) # 將建筑面積“平米去掉” data['建筑面積'] = data['建筑面積'].astype(float) # 將將建筑面積轉換為浮點類型

各區均價分析

# 獲取各區二手房均價分析，根據需求，，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理 def get_average_price():group = data.groupby('區域') # 將房子區域分組average_price_group = group['單價'].mean() # 計算每個區域的均價，average_price_group字典x = average_price_group.index # 區域y = average_price_group.values.astype(int) # 區域對應的均價a =['t':'123'] a.keys()return x, y # 返回區域與對應的均價，region二關 average_price均價# 顯示均價條形圖 def average_price_bar(x, y, title):plt.figure() # 圖形畫布plt.bar(x, y, alpha=0.8) # 繪制條形圖plt.xlabel("區域") # 區域文字plt.ylabel("均價") # 均價文字plt.title(title) # 表標題文字# 為每一個圖形加數值標簽for x, y in enumerate(y):plt.text(x, y + 100, y, ha='center')plt.show()if __name__ == '__main__':x, y = get_average_price()title = '各區均價分析'average_price_bar(x, y, title)

運行如圖

全市二手房裝修程度分析

# 獲取各區二手房均價分析，根據需求，，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理 def get_decorate_sum():group = data.groupby('裝修') # 將房子區域分組# decorate_sum_group = group['裝修'].count() # 計算每個區域的均價，average_price_group字典decorate_sum_group = group.size() # 計算每個區域的均價，average_price_group字典x = decorate_sum_group.index # 區域y = decorate_sum_group.values.astype(int) # 區域對應的均價a =['t':'123'] a.keys()return x, y # 返回區域與對應的均價，region二關 average_price均價# 顯示均價條形圖 def average_price_bar(x, y, title):plt.figure() # 圖形畫布plt.bar(x, y, alpha=0.8) # 繪制條形圖plt.xlabel("裝修類型") # 區域文字plt.ylabel("數量") # 均價文字plt.title(title) # 表標題文字# 為每一個圖形加數值標簽for x, y in enumerate(y):plt.text(x, y + 100, y, ha='center')plt.show()if __name__ == '__main__':x, y = get_decorate_sum()title = '全市二手房裝修程度分析'average_price_bar(x, y, title)

各區二手房數量所占比比例

# 獲取各區二手房各區比例數量，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理 def get_proportional_quantity():area = data['區域'].groupby(data['區域']).count() # 將房子區域分組比例數量areaName = (area).index.values # 將房子區域分組比例取名return area, areaName# 顯示均價條形圖 def proportional_quantity_pie(area, areaName, title):plt.figure() # 圖形畫布plt.pie(area, labels=areaName, labeldistance=1.1, autopct='%.1f%%',shadow=True, startangle=90, pctdistance=0.7)plt.title(title, fontsize=24) # 表標題文字plt.legend(bbox_to_anchor=(-0.1, 1)) # 作者標題plt.show()if __name__ == '__main__':# 對應x，yarea, areaName = get_proportional_quantity()title = '各區二手房數量所占比比例'proportional_quantity_pie(area, areaName, title)

熱門戶型均價分析

# 獲取各區熱門戶型分析，根據需求，，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理 def get_hot_portal():# 另外一種方法獲取并取值"""group = data.groupby('戶型').size # 將房子區域分組sort_data = group.sort_values(ascending=False) # 將戶型分組數量進行降序five_data = sort_data.head() # 提取前5組戶型數據house_type_mean = data.groupby('戶型')['單價'].mean().astype(int) # 計算每個戶型的均價x = house_type_mean[five_data.index].index # 戶型y = house_type_mean[five_data.index].value # 戶型對應的均價"""group = data.groupby('戶型') # 將房子區域分組a = group['戶型'].count().sort_values(ascending=False).head() # 計算每個戶型的均價 字典b = group['單價'].mean()[a.index] # 區域對應的均價a =['t':'123'] a.keys()x = b.indexy = b.values.astype(int)return x, y # 返回區域與對應的均價，region二關 average_price均價# 顯示均價橫條形圖 def hot_portal_barh(x, y, title):plt.figure() # 圖形畫布plt.barh(x, y, alpha=0.9, color='red') # 繪制條形圖plt.xlabel("均價") # 區域文字plt.ylabel("戶型") # 均價文字plt.title(title) # 表標題文字plt.xlim(0, 15000) # X軸的大小# 為每一個圖形加數值標簽for y, x in enumerate(y):plt.text(x + 100, y, str(x) + '元', ha='left')plt.show()if __name__ == '__main__':x, y = get_hot_portal()title = '熱門戶型均價分析'hot_portal_barh(x, y, title)

前面三個圖較簡單，最后相對于前面三個較為麻煩

先獲取得到熱門戶型前五名，通過戶型得到對應的戶型的平均值

GitHub下載地址

CrawlerPractice

總結

以上是生活随笔為你收集整理的Python某地区二手房房价数据分析的全部內容，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。