链家网房源数据

针对抓取到的南京市链家网的房源数据进行一次简单的数据可视化

首先导入必要的库。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

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

读取链家网房源数据的csv文件。

df = pd.read_csv('lianjia.csv', encoding='utf-8')
del df['href']
df.head()

image

原文件中有每一个房源的链接信息，在这里我们不需要，所以就可以直接删除。

上面表格中的列分别是南京市的行政区划，房源名称，房屋设置，面积，朝向，装修情况的描述，电梯与否，楼层高度，建造时间，在网站上眠的注册时间，总价（万），单价（元），地铁情况。

首先来看一下基本我们获得的信息的基本情况。

df.info()

image

可以看到，数据一共是11170条，包括了每个字段的数据类型。

针对以上的数据，我们首先来看一下每个区划房源的平均价格，需要按照行政区划进行分组，在对单价单价进行平均。

mean_price_per_region = df.groupby(df.region)

fig = plt.figure(figsize=(12,7))
ax = fig.add_subplot(111)

ax.set_title('南京各区域二手房平均价格')
mean_price_per_region.unit_price.mean().plot.bar()
plt.savefig('mean_price.jpg')
plt.show()

image

鼓楼区作为南京市的核心地带，拥有众多的购物广场，其均价相对较高。

在来看一下南京市个行政区划房源的平均面积，首选需要将area字段的格式进行一下简单的转换。

df.area = df.area.apply(lambda x: x.replace('平米', ''))
df.area = df.area.astype(np.float)

fig = plt.figure(figsize=(12,7))
ax = fig.add_subplot(111)
df.groupby('region').area.mean().plot.bar()

image

同样的，鼓楼区的平均面积也是最小的。

下面，我们看一下房屋的建造时间，同样的，先要对数据进行格式转换，将对象格式转换成数值类型，我们使用正则表达式，将房屋价格中的数字保留下来，将其余的汉字删除掉。
下面的代码中，我们使用了pandas库里面非常好用并且常用的一个方法apply()来对某一列进行全部应用，并且将将其图形化，由于建造时间五花八门，因此我们只是去其中出现次数最多的前20个进行画图。

import re
def number(x):
    a = re.findall('\d+', x)
    if len(a) == 0:
        return None
    else:
        return a[0]
df['year'] = df.build_year.apply(number)

fig = plt.figure(figsize=(8,8))
ax = fig.add_subplot(111)
ax.set_title('南京地区二手房建造时间分布情况')
df.year.value_counts()[:20].plot.pie(cmap=plt.cm.rainbow)
plt.savefig('建造时间分布饼图.jpg')

image

从以上的结果可以看出，占据绝对数量的建造时间依然是上个世纪九十年代，新建房屋相对偏少。
下面是以上数据直方图的分布情况。

df.year.fillna(df.year.median(), inplace=True)
df.year = df.year.astype(np.int)

fig = plt.figure(figsize=(12,7))
ax = fig.add_subplot(111)
ax.set_title('南京地区二手房建造时间分布直方图')
df.year.plot.hist(bins=8)
plt.xlim((1950,2020))
plt.savefig('建造时间直方图.jpg')

image

下面是建造时间的一个分布情况。

df.year.fillna(df.year.median(), inplace=True)
df.year = df.year.astype(np.int)

fig = plt.figure(figsize=(12,7))
ax = fig.add_subplot(111)
ax.set_title('南京地区二手房建造时间分布直方图')
df.year.plot.hist(bins=8)
plt.xlim((1950,2020))
plt.savefig('建造时间直方图.jpg')

下面是对房屋建造类型的一个描述，我们首先使用正则表达式将数字等信息删除，目的是保留房屋的结构类型，比如是楼板房还是平房这样的信息。

def clean_build(x):
    x = re.sub('\d+', '', x)
    a = x.replace('年', '').replace('建', '')
    return a 

df['build_type'] = df.build_year.apply(clean_build)
build_type = df.build_type.value_counts()
del build_type['无']

fig = plt.figure(figsize=(6,6))
ax = fig.add_subplot(111)
build_type.plot.pie()

image

板楼类型的房屋是最多的，这也和建造时间有关，毕竟建造时间整体偏向于上个世纪。

下面看一下装修情况。

def strip(x):
    return x.strip()
df.decoration = df.decoration.apply(strip)
df.decoration.unique()

decoration = df.decoration.value_counts()
del decoration['其他']

plt.figure(figsize=(10,6))
decoration.plot.bar()
plt.title('南京地区二手房装修情况')
plt.savefig('装修.jpg')

image

下面看一下哪几个街区的均价是最高的，先对数据做一些预处理。

df.unit_price = df.unit_price.astype(np.int)

unit_price = df.sort_values(by='unit_price', ascending=False)[:10]
unit_price.set_index(unit_price.name, inplace=True)

def clean__(x):
    return x.replace('平米', '')

unit_price.area = unit_price.area.apply(clean__)
unit_price.area = unit_price.area.astype(np.float)

area_price = unit_price['unit_price']
area_price

plt.figure(figsize=(12,7))
area_price.plot.bar()
plt.title('单价最高Top10')
plt.savefig('单价最高前十.jpg')
plt.show()

image

接下来在看一下，房屋整体结构的占比情况。

fig = plt.figure(figsize=(8,8))
ax = fig.add_subplot(111)

df['style'].value_counts()[:6].plot.pie(cmap=plt.cm.rainbow)
plt.title('房屋整体结构占比情况')

image

两室一厅作为标准配置，占比接近一半。

最后再来看一下房源朝向分布情况。

fig = plt.figure(figsize=(12,7))
ax = fig.add_subplot(111)
df.orientation.value_counts()[:10].plot.bar()
plt.title('房源朝向分布情况')

image