《数据挖掘》- 房价数据分析

采用的技术

链家网有反爬机制，频繁请求可能会被封IP

1. Python编程语言

作用：Python是一种高级、解释型、通用的编程语言，以其简洁的语法和强大的生态系统著称。
特点：
易读性：Python代码接近自然语言，适合快速开发和维护。
丰富的库支持：拥有大量第三方库（如aiohttp、requests、parsel），适合各种应用场景。
跨平台：可在Windows、Linux、macOS等系统上运行。
适用场景：数据抓取、数据分析、Web开发、自动化脚本等。

2. 网络爬虫库

网络爬虫库是专门用于从网页上提取数据的工具。本项目使用了以下库：

• a) aiohttp
  作用：基于asyncio的异步HTTP客户端/服务器框架，用于高效发送HTTP请求和处理响应。
  特点：
  异步非阻塞：支持高并发请求，适合大规模爬取。
  轻量级：比requests更高效，但学习曲线稍陡。
  支持WebSocket：可用于实时数据抓取。
  适用场景：需要高并发、高性能的爬虫项目。
• b) requests
  作用：简单易用的HTTP库，用于发送同步HTTP请求。
  特点：
  同步阻塞：每次请求需等待响应，不适合高并发。
  API友好：代码简洁直观，适合初学者。
  功能全面：支持会话（Session）、Cookie、代理等。
  适用场景：小规模爬取或简单API调用。
• c) parsel
  作用：基于lxml和cssselect的HTML/XML解析库，用于从网页中提取结构化数据。
  特点：
• CSS选择器/XPath：支持两种方式定位元素，灵活性强。
  高性能：底层依赖lxml，解析速度快。
  Scrapy兼容：与Scrapy框架的Selector API一致。
  适用场景：需要精确提取网页数据的场景。

技术点对比与区别

项目技术栈的协同工作流程

发起请求：
使用aiohttp（异步）或requests（同步）获取网页HTML。
解析数据：
通过parsel的CSS选择器/XPath提取目标数据。
并发控制：
利用asyncio管理多个爬取任务，避免阻塞。
数据处理：
将提取的数据存储到列表或数据库（如Pandas、SQLite）。

代码解析

1. 导入头文件

%matplotlib inline
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
# 设置matplotlib的字体为支持中文的字体
plt.rcParams['font.sans-serif'] = ['SimHei']  # 黑体
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

• %matplotlib inline：魔术命令，用于在 Notebook 中内嵌显示 matplotlib 图形。
• pandas：数据处理库（通常用于数据清洗和分析）。
• matplotlib.pyplot：Python 最基础的绘图库，plt 是约定俗成的别名。
• seaborn：基于 matplotlib 的高级统计可视化库，默认风格更美观。
• rcParams 是 matplotlib 的全局参数配置字典。

2. 读取原始数据

data = pd.read_csv("./data/二手房数据.csv")
data.head()

这一部分就比较简单，所以就不多赘述

3. 清洗数据

我们获取到的野生数据也会出现重复或者缺失值，所以在开始统计之前我们需要清洗数据

清洗前：

# 缺失值统计
data.isnull().sum()# 重复值统计
data.duplicated().sum()# 获取数值型数据的统计摘要(计数、均值、标准差、最小值、四分位数、最大值)
data.describe()

# 删除关键数值缺失的行
data = data.dropna(subset=['单价（元/平米）', '总价（万）'])  # 删除区和位置都缺失的行（地理位置信息很重要）
data = data.dropna(subset=['区', '位置'])
data = data.dropna(subset=['房屋信息'])

4. 数据分割

原始数据中某一列可能包含多个信息，将复杂或复合型数据拆解为结构化字段，以便后续分析和建模

4.1 统计房屋信息的分段数量

统计 房屋信息 列中每条记录通过 | 分割后的字段数量

# 统计房屋信息的分段数量
nrec = data.房屋信息.map(lambda x: len(x.split('|')))
print(nrec.value_counts())

• map(lambda x: …)：对 房屋信息 列的每个元素应用函数。
• x.split(‘|’)：按 | 分割字符串，返回列表。
• len()：计算列表长度（即分段数量）。
• value_counts()：统计不同分段数量的出现次数。
  
  这里返回的意思是：分成7段的数据有43878条；分成6段的数据有1263条（可能缺失数据）；以此类推。那么为了后续的统计，我们就只保留分成7段的所有数据即可

# 只保留字段书数量为7的数据行
data = data[nrec == 7]
data.info()

4.2 将房屋信息拆分为独立列

将 房屋信息 列按 | 分割为7个独立字段，并赋值到新列

data['户型'] = data.房屋信息.map(lambda x: x.split(' | ')[0])
data['面积(平米)'] = data.房屋信息.map(lambda x: x.split(' | ')[1])
data['朝向'] = data.房屋信息.map(lambda x: x.split(' | ')[2])
data['装修类型'] = data.房屋信息.map(lambda x: x.split(' | ')[3])
data['楼层'] = data.房屋信息.map(lambda x: x.split(' | ')[4])
data['建成时间'] = data.房屋信息.map(lambda x: x.split(' | ')[5])
data['结构'] = data.房屋信息.map(lambda x: x.split(' | ')[6])
data.head()

4.3 处理面积字段

在后面制图表需要用到房屋面积的数值，但是有些数据里面会出现 xxx.xx平米 在后缀有中文的情况下是不能识别出来的，所以下一步需要将后缀的中文删除

data['面积(平米)'] = data['面积(平米)'].apply(lambda x: float(x.split('平米')[0]))

• x.split(‘平米’)[0]：按 “平米” 分割字符串，取第一部分（数字）。
• float()：将字符串转为数值类型。

4.4 删除原始房屋信息列

删除已拆分完毕的原始列 房屋信息，避免数据冗余。

data.drop(labels='房屋信息', axis=1, inplace=True)

• labels=‘房屋信息’：指定要删除的列名。
• axis=1：表示按列删除（axis=0 为行）。
• inplace=True：直接修改原DataFrame，不返回新对象。

5. 可视化分析

• plt.figure() 用于创建一个新的图形/画布
• figsize=(10, 6) 设置图形的宽度为10英寸，高度为6英寸
• dpi=150 设置图形分辨率为150 dots per inch (每英寸点数)

5.1 房屋户型数量统计

👉条形图绘制

sns.barplot(x=house_layout_counts.index, y=house_layout_counts.values)

• sns.barplot() 是 seaborn 库中绘制条形图的函数
• x 参数指定条形图的x轴数据（户型类别）
• y 参数指定条形图的高度（各户型数量）
• seaborn 是基于 matplotlib 的高级可视化库，提供更美观的默认样式和更简洁的API

👉坐标轴调整
✈当x轴标签较长或较多时，旋转可以避免标签重叠

plt.xticks(rotation=90, horizontalalignment='right')

• plt.xticks() 用于自定义x轴刻度标签
• rotation=90 将x轴标签旋转90度（垂直显示）
• horizontalalignment=‘right’ 设置标签右对齐，使显示更整齐

👉 图表保存

plt.savefig('./image/house_layout_distribution.png', dpi=300, bbox_inches='tight')

• plt.savefig() 用于将图表保存为图像文件
• dpi=300 设置保存图像的分辨率为300dpi（高于显示分辨率）
• bbox_inches=‘tight’ 自动调整边界框，避免标签被截断

给出的图片显示如下：

5.2 房源面积与总价

这段代码主要用于处理和分析二手房数据中的面积与总价关系，并通过散点图进行可视化展示

👉数据类型转换

data['面积(平米)'] = pd.to_numeric(data['面积(平米)'], errors='coerce')
data['总价（万）'] = pd.to_numeric(data['总价（万）'], errors='coerce')

• pd.to_numeric() 是 pandas 中将数据转换为数值类型的函数
• errors=‘coerce’ 参数表示当转换失败时（如遇到非数字字符串），将值设为 NaN（Not a Number）

👉 散点图绘制

sns.scatterplot(x='面积(平米)', y='总价（万）', data=data)

• sns.scatterplot() 是 seaborn 中绘制散点图的函数

5.3 各区二手房平均单价的热力图

👉数据聚合计算

average_price_by_district = data.groupby('区')['单价（元/平米）'].mean().reset_index()
print(average_price_by_district)
districts = average_price_by_district['区'].tolist()
average_prices = average_price_by_district['单价（元/平米）'].tolist()

• groupby() 是 pandas 的分组聚合函数，按’区’列分组
• mean() 计算每个分组的平均值
• reset_index() 将分组结果转换回DataFrame格式
• tolist() 将Series转换为Python列表，便于后续使用

DataFrame是Python中Pandas库的核心数据结构，是一种二维的、表格型的数据结构，类似于Excel表格或SQL数据库中的表

👉数据重构

pd.DataFrame(average_prices, index=districts, columns=['Average Price (Yuan/M^2)'])

• 将列表数据重新构建为DataFrame
• 使用行政区名作为索引(index)
• 单列数据，列名为Average Price (Yuan/M^2)
• 这种结构适合热力图输入要求

👉热力图绘制
✈ 热力图适合展示单变量在不同类别上的数值分布

sns.heatmap(data=...,  # 数据源annot=True,  # 显示数值fmt=".0f",  # 数值格式化为整数cmap="Reds",  # 红色系颜色映射cbar_kws={'label': 'Average Price (元/平米)'}  # 颜色条标签
)

• annot=True 在每个单元格中显示数值
• fmt=“.0f” 控制数值显示格式（0位小数）
• cmap=“Reds” 使用红色渐变表示数值大小
• cbar_kws 自定义颜色条属性

5.4 不同户型的占比分布

👉数据统计

house_type_counts = data['户型'].value_counts(normalize=True)

• value_counts() 是 pandas 中统计唯一值出现次数的方法
• normalize=True 参数返回的是比例而非绝对计数
• 结果是一个 Series，索引是户型类别，值是对应的占比（0-1之间）
• 这种统计方式适合展示类别数据的分布比例

👉饼图绘制

plt.pie(house_type_counts,  # 数据labels=house_type_counts.index,  # 标签autopct='%1.1f%%',  # 百分比格式startangle=140,  # 起始角度colors=plt.cm.tab20.colors  # 颜色方案
)

• house_type_counts：占比数据
• labels：每个扇区对应的标签（户型名称）
• autopct=‘%1.1f%%’：在扇区上显示百分比，保留1位小数
• startangle=140：从140度开始绘制第一个扇区（顺时针方向）
• colors=plt.cm.tab20.colors：使用tab20色板的颜色

5.5 不同行政区的修类型分布情况

👉数据统计与透视

total_by_district = data.groupby('区')['装修类型'].value_counts(normalize=True) * 100
pivot_table = total_by_district.unstack(fill_value=0).fillna(0)

• groupby(‘区’)[‘装修类型’] 按行政区对装修类型分组
• value_counts(normalize=True) 计算每种装修类型的占比(0-1)
• *100 将比例转换为百分比(0-100)
• unstack() 将多级索引的Series转换为DataFrame（装修类型变为列）
• fill_value=0和fillna(0)确保没有数据的组合显示为0%

👉折线图绘制

for column in pivot_table:plt.plot(pivot_table.index, pivot_table[column], marker='o', label=column)

• 遍历DataFrame的每一列(每种装修类型)
• plt.plot()绘制折线图，参数包括：
  • x轴数据：区域名称(pivot_table.index)
  • y轴数据：装修占比(pivot_table[column])
  • marker='o’在数据点显示圆形标记
  • label=column设置图例标签

聚类分析

为了自动分类相似属性的房源，揭示市场细分结构，帮助理解不同群体的住房需求，评估房价合理性，为买家、卖家及投资者提供定制化信息和策略指导，同时也能洞察市场趋势，优化资源配置，提升决策效率与服务质量。我们对上海市的二手房数据进行聚类分析。
我们使用sklearn库中的KMeans聚类方法来对数据进行聚类工作。Scikit-learn（通常简称为sklearn）是一个开源的机器学习库，它构建于Python编程语言之上，是Python中最广泛使用的机器学习框架之一。
我们选取单价、总价、面积这三个数值型字段进行作为特征。在这之前，我们还需要对这三个字段的数据进行标准化操作。K-means等基于距离的聚类算法依赖于数据点间的距离计算。如果没有标准化，不同特征的量纲和大小可能导致计算出的距离失去实际意义。

数据准备与标准化

from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScalerfeatures = ['单价（元/平米）', '总价（万）', '面积(平米)']
X = data[features]
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

1. 数据标准化：使用StandardScaler对数据进行标准化处理（均值为0，方差为1）
2. 消除不同特征量纲的影响
3. 使各特征对聚类结果的贡献度相同
4. fit_transform()：计算均值和标准差并立即应用转换

确定最佳聚类数量（肘部法则）

inertias = []
for i in range(1, 11):kmeans = KMeans(n_clusters=i, init='k-means++', random_state=42)kmeans.fit(X_scaled)inertias.append(kmeans.inertia_)

K-means参数：

1. n_clusters：尝试1到10个聚类
2. init=‘k-means++’：智能初始化聚类中心，加速收敛
3. random_state=42：统一随机值，确保结果可复现

结论

本数据分析报告通过深入挖掘上海市二手房市场中的户型、单价、面积、总价以及区域分布，并结合聚类分析，揭示了市场的主要特征和潜在趋势。分析结果显示，上海市二手房市场呈现出明显的层次化和差异化特征，主要可分为三类群体：低价小户型、中价中型房、以及高价大户型，且这些群体在地理位置上也表现出特有的分布规律。

后记

本博客主要的代码参考原csdn付费文章——上海二手房数据分析
加上临近期末，于是把这个项目拆开总结成知识点共初学者学习
可以更好的加深对这门课的理解
所需源代码还请支持原作者！

---

原创不易，还请大家多多支持！