《安家》熱播，我用Python對(duì)北京房?jī)r(jià)進(jìn)行了分析，結(jié)果……

關(guān)注統(tǒng)計(jì)與數(shù)據(jù)分析實(shí)戰(zhàn)，帶你飛

今天，讓我們通過一個(gè)小案例快速了解一下數(shù)據(jù)分析的常規(guī)流程。

分析背景

現(xiàn)有一份北京二手房市場(chǎng)近幾年交易情況的數(shù)據(jù)集，我們希望通過對(duì)數(shù)據(jù)集的分析對(duì)北京二手房市場(chǎng)相關(guān)信息有一個(gè)總體了解，能夠?yàn)樵诒本┵I房做出一定的數(shù)據(jù)指導(dǎo)。

分析思路與方法

接下來，讓我們根據(jù)以上數(shù)據(jù)集的維度，整理分析思路，看看哪些信息對(duì)我們?cè)诒本┵I房比較有幫助！

首先，需要了解“價(jià)格”信息，例如：

1. 市場(chǎng)近幾年的整體價(jià)格趨勢(shì)是什么情況？
   

2. 房源在不同價(jià)格區(qū)間的大致分布狀態(tài)是什么樣子的？

然后，可以看看“交易數(shù)量與熱度”，例如：

1. 通過不同時(shí)間的交易數(shù)量可以大致判斷有沒有明顯的交易淡旺季？

2. 通過關(guān)注人數(shù)可以了解哪些房源比較受歡迎，然后觀察一下他們的價(jià)格及其他特征。

   
   

針對(duì)以上我們準(zhǔn)備了解的信息，本次分析主要會(huì)使用描述性統(tǒng)計(jì)方法，然后對(duì)分析結(jié)果進(jìn)行可視化展示。

分析過程（及微觀方法）

數(shù)據(jù)導(dǎo)入及整體信息查看：

首先，導(dǎo)入我們的“數(shù)分三劍客”，

import pandas as pdimport numpy as npimport matplotlib as plt

載入數(shù)據(jù)，

我們看到，給出了數(shù)據(jù)類型警告，方便起見，將以上幾個(gè)字段全部定義為str，在處理過程中根據(jù)需要再進(jìn)行修改，

df?=?pd.read_csv('./test_data/beijing_houst_price.csv',dtype={'id':'str',?'tradeTime':'str','livingRoom':'str','drawingRoom':'str','bathRoom':'str'})

查看一下數(shù)據(jù)的整體信息，

df.shapedf.head(10)df.describe()df.count()

大約32萬條數(shù)據(jù)，19個(gè)字段

查看數(shù)據(jù)前10行，各字段信息如下

數(shù)值類列的常用統(tǒng)計(jì)值

查看各列非空值數(shù)量

數(shù)據(jù)清洗及預(yù)處理：

每個(gè)編號(hào)對(duì)應(yīng)一筆交易，看下是否有重復(fù)數(shù)據(jù)，

df[df['id'].duplicated()]

由于是橫跨好幾年的數(shù)據(jù)，有些年份可能數(shù)據(jù)會(huì)比較少，先看看每年數(shù)據(jù)的總量，確定一下是否需要?jiǎng)h除數(shù)據(jù)少的年份，我們從時(shí)間維度對(duì)數(shù)據(jù)進(jìn)行一次清洗，使用tradeTime字段，

先將字符串轉(zhuǎn)為日期格式，方便提取

df['tradeTime'] = pd.to_datetime(df['tradeTime'])#?df.dtypes????#?可以查看當(dāng)前的數(shù)據(jù)類型

統(tǒng)計(jì)下每年的數(shù)據(jù)量

df['tradeTime'].dt.year.value_counts()

其中有幾個(gè)年份數(shù)據(jù)量太少，我們?cè)谶@里選擇2012-2017年的數(shù)據(jù)比較合適

df.drop(df[df['tradeTime'].dt.year < 2012].index, inplace=True)df.drop(df[df['tradeTime'].dt.year?>?2017].index,?inplace=True

接下來再看每年的數(shù)據(jù)量

好了，現(xiàn)在我們拿到了合適時(shí)間范圍的數(shù)據(jù)。剛才在查看常用統(tǒng)計(jì)值時(shí)，我們看到在totalPrice和price兩個(gè)字段中存在像0.1或者1這樣不正常的值，接下來我們從價(jià)格維度再清洗一次數(shù)據(jù)，分別使用totalPrice,price和communityAverage三個(gè)字段，

根據(jù)四分位數(shù)的分布范圍，在totalPrice字段中暫取小于50萬和小于100萬這兩個(gè)范圍先分別查看一下各自對(duì)應(yīng)多少條數(shù)據(jù)，

df[df['totalPrice'] < 50]df[df['totalPrice'] < 100]

總價(jià)小于50萬

總價(jià)小于100萬

根據(jù)我們剛才清洗后的樣本數(shù)據(jù)量（約31萬），這里可以直接刪除總價(jià)在100萬以下的數(shù)據(jù)了，然后同樣的方法再用price字段進(jìn)行一次清洗，這里選擇刪除單價(jià)在10000以下的數(shù)據(jù)，現(xiàn)在我們可以再看一下常用統(tǒng)計(jì)值，

df.drop(df[df['totalPrice'] < 100].index, inplace=True)df.drop(df[df['price'] < 10000].index, inplace=True)

df.drop(df[df['communityAverage'].isnull()].index, inplace=True)

communityAverage最大值和最小值合理，不過有空值，大約只有400條數(shù)據(jù)，這里我們直接刪掉（也可以選擇填充），最后再看一下square列，值都在合理的范圍內(nèi)，并且也沒有空值，現(xiàn)在，數(shù)據(jù)清洗就已經(jīng)完成了，接下來可以開始分析。

數(shù)據(jù)分析（提取、篩選、匯總、統(tǒng)計(jì)）：

我們回到最開始提出的幾個(gè)問題，現(xiàn)在從數(shù)據(jù)中找到它們的答案。

市場(chǎng)近幾年的整體價(jià)格趨勢(shì)是什么情況？

從均價(jià)一般可以看出市場(chǎng)的整體水平，這里我們統(tǒng)計(jì)一下每日所有房源的平均單價(jià)，

數(shù)據(jù)可視化展示：

上圖可以看出近幾年北京房?jī)r(jià)的一個(gè)整體上漲趨勢(shì)，其中有個(gè)別偏離度較大的極值，可能是房?jī)r(jià)受一些短期因素的影響或者當(dāng)日成交房源的價(jià)格中有偏離度極大的值造成的，這里不用過多考慮。

房源在不同價(jià)格區(qū)間的大致分布狀態(tài)是什么樣子？

通過之前對(duì)整體價(jià)格趨勢(shì)的分析，可以看到在有些年份房?jī)r(jià)的漲幅非常明顯，考慮到這一點(diǎn)，我們?nèi)绻捶吭磧r(jià)格區(qū)間的分布，最好設(shè)定一個(gè)時(shí)間范圍，這里我們選擇以年為單位分別進(jìn)行統(tǒng)計(jì)，下面以成交量最大的2016年為例，其他年份可以按照同樣的方法進(jìn)行類比，取出2016年的所有數(shù)據(jù)，我們以總價(jià)的最大值和最小值為整體范圍，按50萬的區(qū)間距離，先畫一個(gè)粗略的直方圖，

可以看到，總價(jià)在2000萬以上的房子幾乎都沒有了，為了更好地表示區(qū)間分布情況，調(diào)整一下取值范圍，在最小值到2000萬的范圍內(nèi)重新統(tǒng)計(jì)，

好了，現(xiàn)在可以明顯地看出來，在2016一整年里，250萬到300萬之間成交的房源數(shù)量是最多的。當(dāng)然，這里價(jià)位區(qū)間的間距可以根據(jù)需要再放大或縮小，其他年份的統(tǒng)計(jì)方法以此類推，就不再贅述了。

判斷一下有沒有明顯的交易淡旺季？

可以通過每個(gè)月的交易數(shù)量來判斷一下交易淡旺季，然后我們把這幾個(gè)年份放在一起進(jìn)行下對(duì)比，看看有沒有比較明顯的規(guī)律。

上圖反映了交易量隨月份變化的情況，通過連續(xù)六年的對(duì)比，我們可以看出在大多數(shù)年份，3月左右房子交易會(huì)有一個(gè)小高峰，12月左右，交易量也有明顯上升趨勢(shì)。

哪些房源比較受歡迎，它們有什么特點(diǎn)？

考慮到時(shí)間因素的影響，房子價(jià)格等信息或許有較大變化，為了分析結(jié)果更加精細(xì)，我們還是取單一年份分別統(tǒng)計(jì)，這里以交易量最大的2016年為例。共有約9萬條數(shù)據(jù)，因?yàn)檫€有很多關(guān)注人數(shù)為0的數(shù)據(jù)，預(yù)先查看后，這里取關(guān)注人數(shù)最多的前3%的數(shù)據(jù)，做一個(gè)樣本集，我們看下這個(gè)樣本集的房源價(jià)格、房子面積等屬性呈現(xiàn)怎樣的特征。

以上房源的關(guān)注人數(shù)都在百人以上，最高達(dá)1000人，我們看下這些房子都有什么特點(diǎn)？

上面兩張圖分別是這些房源的總價(jià)及單價(jià)分布情況，下面兩張圖分別是房源是否滿5年和房源面積的占比情況。可以看出，這些最受歡迎的房源總價(jià)大多在200到300萬之間，有7成左右都是滿5年的，并且面積在30到90平米之間的居多。如果你打算在北京買房，這些房源可以考慮考慮哦。

分析結(jié)論及建議

最后我們來總結(jié)一下，看看數(shù)據(jù)說了些什么。市場(chǎng)的總體價(jià)格趨勢(shì)是持續(xù)上漲，在16年有一個(gè)較大的增幅，17年略有回落；以16年為例，我們看到圍繞200到300萬這個(gè)范圍房源是最多的；通過連續(xù)6年的對(duì)比，在3月和12月附近有較為明顯的交易小高峰；最受歡迎的房源都在200-300萬之間，和全部房源的數(shù)量分布情況十分吻合，并且這些受歡迎的房子多在30到90平米，大多數(shù)都是5年以上的房子。這個(gè)案例就不給大家分析意見了，如果一定說一條，那就是：好好掙錢！！！畢竟這些價(jià)格都已經(jīng)是幾年前的咯。

如果你已經(jīng)看到了這里，非常感謝閱讀，順便收下我的膜拜，哈哈哈！

如果有機(jī)會(huì)在北京買了房，勿相忘哦！

記得點(diǎn)在看，么么噠~