租房信息已經(jīng)有了，為了能對(duì)北京目前的租房市場(chǎng)有個(gè)直觀認(rèn)識(shí)，我對(duì)數(shù)據(jù)進(jìn)行深度分析，并進(jìn)行可視化展示

從分析結(jié)果中，我得到了哪些位置房源多、各區(qū)租房平均價(jià)格以及心儀價(jià)格地理位置分布等重要信息，為幫助我租房提供重要依據(jù)

下面帶大家一起看一下整個(gè)分析過程:

很多人學(xué)習(xí)python，不知道從何學(xué)起。
很多人學(xué)習(xí)python，掌握了基本語法過后，不知道在哪里尋找案例上手。
很多已經(jīng)做案例的人，卻不知道如何去學(xué)習(xí)更加高深的知識(shí)。
那么針對(duì)這三類人，我給大家提供一個(gè)好的學(xué)習(xí)平臺(tái)，免費(fèi)領(lǐng)取視頻教程，電子書籍，以及課程的源代碼！
QQ群：1156465813

1.分析各行政區(qū)房源數(shù)量及單價(jià)

import pandas as pd beijing_daname=['朝陽區(qū)', '豐臺(tái)區(qū)', '海淀區(qū)', '大興區(qū)', '通州區(qū)', '昌平區(qū)', '東城區(qū)', '西城區(qū)', '順義區(qū)'] data=pd.read_csv('租房數(shù)據(jù)加經(jīng)緯度.csv',encoding='gbk') areas=list(set(list(data['行政區(qū)']))) area_sums={} for area in areas:area_sums[area]=list(data['行政區(qū)']).count(area) from pyecharts import options as opts from pyecharts.charts import Bar import random hotel_num=[area_sums[i] for i in beijing_daname] bar = (Bar().add_xaxis(beijing_daname).add_yaxis("", hotel_num).set_global_opts(title_opts=opts.TitleOpts(title="北京各區(qū)房源數(shù)量")).set_series_opts(label_opts=opts.LabelOpts(is_show=True),markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="min", name="最小值"),opts.MarkLineItem(type_="max", name="最大值"),opts.MarkLineItem(type_="average", name="平均值"),]),) ) bar.render_notebook()

從上圖可以得出以下結(jié)論：

朝陽區(qū)的房源數(shù)量最多，有1877套順義區(qū)的房源數(shù)量最少，有272套9個(gè)區(qū)平均房源數(shù)量為611套。

各城區(qū)房源單價(jià)情況（每平米單價(jià)*30平米為例）

?

unit_price={} for i in list(data.groupby('行政區(qū)')):if i[0] in beijing_daname:unit_price[i[0]]=int(i[1]['價(jià)格'].sum()/i[1]['面積'].sum())*30 unit_price bar = (Bar().add_xaxis(list(unit_price.keys())).add_yaxis("", [unit_price[i] for i in list(unit_price.keys())]).set_global_opts(title_opts=opts.TitleOpts(title="北京各區(qū)租房均價(jià)（每平米單價(jià)*30平米為例）")).set_series_opts(label_opts=opts.LabelOpts(is_show=True),markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="min", name="最小值"),opts.MarkLineItem(type_="max", name="最大值"),opts.MarkLineItem(type_="average", name="平均值"),]),) ) bar.render_notebook()

?

以30平米為例：???????

西城區(qū)的住房?jī)r(jià)格最高，為4350元通州區(qū)的租房?jī)r(jià)格最低，為1620元價(jià)格差距還是很大的。

2.分析分析各戶型占比及價(jià)格分布

layouts=list(set(data['戶型'])) layout=data.loc[:,'戶型'].value_counts() from pyecharts import options as opts from pyecharts.charts import Pie print(list(layout.index)[:10]) values=[int(i) for i in list(layout.values)[:10]] pie = (Pie().add("",[(i,j)for i,j in zip(list(layout.index)[:10],values)],radius=["30%", "75%"],center=["40%", "50%"],rosetype="radius",label_opts=opts.LabelOpts(is_show=False),).set_global_opts(title_opts=opts.TitleOpts(title="北京市各區(qū)出租房戶型占比"),legend_opts=opts.LegendOpts(type_="scroll", pos_left="85%", orient="vertical"),).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c},ozvdkddzhkzd%")) ) pie.render_notebook()

由于戶型種類比較多，所以我只選了前10種，從圖中可以看出，房源主流是1室1廳1衛(wèi)，占比41.86%,其次分別是是2室1廳1衛(wèi)、1室0廳1衛(wèi)，各占比30.58%和11.02%

cut_n=list(range(0,12000,1000)) income=pd.cut(data["價(jià)格"],cut_n) price_cut=data['價(jià)格'].groupby(income).count() index=list(price_cut.index) index=[str(i) for i in list(price_cut.index)] values=[int(i) for i in list(price_cut.values)] pie = (Pie().add("",[(i,j)for i,j in zip(index,values)],radius=["30%", "75%"],center=["40%", "50%"],rosetype="radius",label_opts=opts.LabelOpts(is_show=False),).set_global_opts(title_opts=opts.TitleOpts(title="北京市各區(qū)出租房戶型占比"),legend_opts=opts.LegendOpts(type_="scroll", pos_left="85%", orient="vertical"),).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}, ozvdkddzhkzd%")) ) pie.render_notebook()

?

?

目前，主流的租房?jī)r(jià)格在3000至6000元，占比50%左右，最便宜有1000元以下的,位置相對(duì)較偏，且面積在20平以內(nèi)；貴的有1萬多的,這種一般面積在100平以上，位置在主城區(qū)。

3.房子位置分布

根據(jù)上述分析情況和我的預(yù)算，我決定在朝陽區(qū)找一套合適的房子，取出價(jià)格在4000至6000元的數(shù)據(jù)，另存表格，并將表格導(dǎo)入水經(jīng)注地圖下載器中

com_data=data[data['價(jià)格'].le(6000)] com_data=com_data[com_data['價(jià)格'].ge(3000)] com_data=com_data[com_data['行政區(qū)']=='朝陽區(qū)'] com_data.to_csv('心儀房子.csv',encoding='gbk')

結(jié)果展示如下:

下面紅色數(shù)字為租房?jī)r(jià)格，這樣找起房子來就更方便了

在這里還是要推薦下我自己建的Python開發(fā)學(xué)習(xí)群:1156465813，群里都是學(xué)Python開發(fā)的，如果你正在學(xué)習(xí)Python ，歡迎你加入，大家都是軟件開發(fā)黨，不定期分享干貨（只有Python軟件開發(fā)相關(guān)的），包括我自己整理的一份2020最新的Python進(jìn)階資料和高級(jí)開發(fā)教程，歡迎進(jìn)階中和進(jìn)想深入Python的小伙伴！
?

總結(jié)

以上是生活随笔為你收集整理的python分析北京租房现状，最后的价格分布地图亮了的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。