【人工智能】—基于成都市各区（市）县租房价格预测建模研究

引言

随着城市化进程的加速，人口流动日益频繁，租房市场作为城市生活的重要组成部分，其价格波动对居民生活质量和城市经济发展具有显著影响。成都市，作为中国西部地区的经济、文化、交通和科技中心，近年来吸引了大量人才和企业，租房需求持续增长。然而，租房价格的不确定性给租户和房东带来了诸多不便。为了更好地理解租房市场的动态，预测租房价格成为一项重要的研究课题。

研究方法

本文将采用多种数据分析方法，包括统计分析、机器学习等，以确保模型的准确性和可靠性。

研究目标

本文旨在通过构建基于成都市各区（市）县的租房价格预测模型，分析影响租房价格的关键因素。

数据信息

数据源自某租房平台网站，数据为公开数据，通过整合形成表格，本数据需要进行清洗，没有国外数据好用。

过程……

读入数据：

import matplotlib.pylab as plt
import re
import numpy as np
import seaborn as sns
import pandas as pd
plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示
plt.rcParams['axes.unicode_minus'] = False   #解决符号无法显示
import warnings
warnings.filterwarnings('ignore')
# 导入plotly库，这是一个基于Web的交互式图表库，允许创建丰富的、交互式的数据可视化图表。  
import plotly as py    
# 导入cufflinks库，这是一个用于Pandas DataFrame的Plotly绘图接口，可以让Pandas DataFrame直接通过cufflinks的API绘制Plotly图表。  
import plotly.express as px
import plotly.graph_objects as go  df = pd.read_csv('成都.csv')
df.tail()

原始数据长下面这样，显示后5行：

我们先看下数据信息、重复值、缺失值情况：
有4列存在缺失值情况，181行数据重复。

# 删除缺失值
df.dropna(inplace=True)
# 删除重复值
df.drop_duplicates(inplace=True)
df.shape

删完剩余2786行, 8列。

数据清洗：

# 定义一个函数，用于从字符串中提取括号前的中文部分  
def extract_chinese_before_brackets(s):  # 检查传入的参数s是否为字符串类型  if isinstance(s, str):  # 使用正则表达式搜索字符串s，查找从开头到第一个全角左括号（之前的所有内容  match = re.search(r'^(.*?)（', s)  # 如果找到了匹配项  if match:  # 返回匹配到的内容（即括号前的所有字符）  return match.group(1)  else:  # 如果没有找到匹配项（即没有括号或括号前没有内容），返回空字符串  return ''  else:  # 如果传入的参数s不是字符串类型，直接返回空字符串  return ''  # 应用上面定义的函数到DataFrame的'楼层'列  
# 使用apply方法，将函数应用于'楼层'列的每一个元素  
# 并将函数的返回值（即每个元素括号前的中文部分）存储在新的列'楼层类型'中  
df['楼层类型'] = df['楼层'].apply(extract_chinese_before_brackets)  df.tail()

上面定义一个函数，用于提取“楼层”列最左边的中文文字，存储于新建列“楼层类型”列并显示后5行，详见下图：

# 使用str.extract方法从'楼层'列的每个字符串中提取括号内的数字（\d+）  
# 这里的正则表达式'（(\d+)层）'用于匹配全角左括号'（'后跟着一个或多个数字'\d+'，然后是全角右括号和'层'字  
# 提取的数字（即括号内的内容）将被存储在新的列'楼房层数'中  
df['楼房层数'] = df['楼层'].str.extract(r'（(\d+)层）')    
# 使用drop方法删除原始的'楼层'列  
# 参数columns='楼层'指定了要删除的列名  
# inplace=True表示在原地修改DataFrame，而不是返回一个新的DataFrame  
df.drop(columns='楼层', inplace=True)    
# 使用head方法查看修改后的DataFrame的前几行（默认是前5行）  
# 这有助于验证'楼房层数'列是否已正确添加，并且'楼层'列是否已被删除  
df.head()

再利用正则表达式，提取出括号内的数字，也就是楼层并存储于新列，显示前5行数据，详见下图：

# 提取的结果将被分配到新的列'卧室间数'、'客厅间数'和'卫生间数'
df[['卧室间数', '客厅间数', '卫生间数']] = df['户型'].str.extract(r'(\d+)室(\d+)厅(\d+)卫', expand=True)  
df.drop(columns='户型', inplace=True)
df.head()

新建三列’卧室间数’, ‘客厅间数’, '卫生间数’用于存储户型内的如“3室1厅2卫 ”便于后续的机器学习，还是利用正则表达式提取，详见下图：

df[['区（市）县', '地域', '楼盘名称']] = df['位置'].str.split('-', expand=True, n=2)
df.drop(columns='位置', inplace=True)
df.head()

新建’区（市）县’, ‘地域’, '楼盘名称’三列，用于存储“位置”列如“青羊-外光华-凯德风尚 ”用于后续的数据分析，详见下图：

现在我们来看看“朝向”列有哪些不重复的唯一值：
可以看到国内的数据很乱，现在要做的是有“东”或“西”字眼的我们统一把他替换为“东西”，有“南”或“北”字眼的我们统一把他替换为“南北”。继续写个函数来处理数据。

# 定义转换函数  
def transform_direction(direction):  if pd.isna(direction):  # 检查是否为 NaN  return np.nan  # 或者你可以选择返回其他默认值，如 '未知'  if isinstance(direction, str):  # 确保是字符串类型  if '东' in direction or '西' in direction:  return '东西'  elif '南' in direction or '北' in direction:  return '南北'  else:  return direction  # 返回原始字符串（这里可能包含'未知'等）  else:  return np.nan  # 如果不是字符串类型，返回 NaN（或其他默认值）  # 将 '朝向' 列转换为字符串类型，并处理 NaN 值  
df['朝向'] = df['朝向'].astype(str)    
# 应用转换函数到 Series 的每个元素  
df['朝向'] = df['朝向'].apply(transform_direction)  
df.tail()

处理完成，显示后5行，详见下图：

再看下其他列有没有问题：
没啥问题，现在将数字类型的列转为相对应的类型：

df = df.astype({'金额': 'int','楼房层数': 'int','卧室间数': 'int','客厅间数': 'int','卫生间数': 'int'}) # 指定字段转指定类型
df.info()

搞定，进入下一阶段内容。

探索性分析（EDA）

# 使用Plotly绘制箱型图  
fig = go.Figure(data=[go.Box(  y=df['金额'],  # 这里y轴对应你的租金数据  name='房屋租金'    # 图例名称  
)])  # 自定义图表标题和轴标签  
fig.update_layout(title='房屋租金——箱型图',  yaxis_title='租金',  xaxis_title='')  # 箱型图通常不需要x轴标题，除非你有多个箱型图并列  # 显示图表  
fig.show()

从上图可以看出，大部分房屋月租金都比较集中，成都市最高的租金为45000元/月，最小的为500元/月，中位数为2500元/月，还有四分位距、决策边界等内容。

# 对DataFrame按'区（市）县'进行分组，并获取每个组的'房屋租金'数据  
grouped = df.groupby('区（市）县')['金额']  # 创建一个空的图表对象  
fig = go.Figure()  # 遍历每个组，为每个组添加一个箱型图轨迹  
for name, group in grouped:  fig.add_trace(go.Box(  y=group,  name=name,  boxpoints='all',  # 显示所有点  jitter=0.3,       # 点的抖动量，以防重叠  pointpos=-1.8      # 点的位置  ))  # 自定义图表布局  
fig.update_layout(  title='按区（市）县分组的房屋租金——箱型图',  yaxis_title='租金',  xaxis_title='',  xaxis=dict(  type='category',  # 设置x轴为类别轴  categoryorder='array',  # 自定义类别顺序  categoryarray=list(grouped.groups.keys())  # 将dict_keys转换为列表  )  
)  # 显示图表  
fig.show()

分区县绘制的箱型图，我们重点关注一下“三遗”之城都江堰，最高的房租为6000元/月。

from scipy.stats import gaussian_kde  # 假设df是你的DataFrame，且包含'房屋面积'列  # 提取房屋面积数据  
x = df['房子大小'].values  # 计算KDE  
kde = gaussian_kde(x)  
# 生成KDE曲线的x轴数据点（这里假设你想要覆盖的范围是x的最小值到最大值，步长为0.1）  
x_kde = np.linspace(x.min(), x.max(), 300)  
# 计算KDE曲线在这些点上的y值  
y_kde = kde(x_kde)  # 绘制直方图  
fig = go.Figure()  
fig.add_trace(go.Histogram(  x=x,  histnorm='probability density',  # 使得直方图的面积等于1，与KDE曲线可比较  name='直方图'  
))  # 绘制KDE曲线  
fig.add_trace(go.Scatter(  x=x_kde,  y=y_kde,  mode='lines',  name='KDE曲线'  
))  # 自定义图表布局  
fig.update_layout(  title='房屋面积分布（直方图+KDE）',  xaxis_title='房屋面积',  yaxis_title='概率密度'  
)  # 显示图表  
fig.show()

要解读这种图表，需要观察直方图中条形的高度和KDE曲线的形状。如果直方图的条形较高，表示在相应的面积区间内房屋较多；KDE曲线的峰值则表示最可能的房屋面积。通过比较直方图和KDE曲线，可以分析房屋面积的分布模式，例如是否存在一个或多个常见的面积区间，或者面积分布是否均匀。

# 创建一个散点图  
fig = go.Figure(data=go.Scatter(  x=df['房子大小'],  y=df['金额'],  mode='markers',  # 设置为散点图  marker=dict(  size=10,     # 散点大小  color='blue',# 散点颜色  opacity=0.8  # 散点透明度  )  
))  # 自定义图表布局  
fig.update_layout(  title='房屋面积与租金——散点图',  xaxis_title='房屋面积',  yaxis_title='房屋租金'  
)  # 显示图表  
fig.show()

散点图主要是解释相关性的图表，不懂的可以点击链接转到我的博客详细查看。蓝色框框内左边的数字是面积，右边是房租。
上图实际就是一个坐标轴，分x和y轴，每个点代表每个数值，单个数据叫标量，一组数据叫向量，坐标轴内可以视作向量空间。

# 计算每个出租方式的计数  
value_counts = df['类型'].value_counts()  # 创建饼图数据  
labels = value_counts.index.tolist()  # 获取标签（出租方式）  
values = value_counts.values.tolist()  # 获取计数  # 绘制饼图  
fig = go.Figure(data=[go.Pie(labels=labels, values=values, hole=0.3, textinfo='label+percent', insidetextorientation='radial')])  # 自定义图表布局  
fig.update_layout(  title='出租方式分布——饼图',  font_size=12,  # 你可以根据需要调整字体大小  legend_title_text='出租方式'  # 如果你需要图例（对于饼图通常不需要，但这里作为示例）  
)  # 注意：饼图通常不需要图例，因为每个切片都直接标记了标签和百分比  
# 如果你确实需要图例（尽管这在饼图中不常见），你可能需要以一种不同的方式来实现它  # 显示图表  
fig.show()

从上图可以看出，整租占比达到80.7%。

# 创建箱形图数据  
fig = go.Figure()  # 遍历'出租方式'的唯一值，为每个类别绘制一个箱形图  
for category in df['类型'].unique():  subset = df[df['类型'] == category]  fig.add_trace(go.Box(  y=subset['金额'],  name=category,  marker=dict(  color='rgb(0, 0, 0)',  # 箱体的颜色  outliercolor='rgba(219, 64, 82, 0.6)',  # 异常值的颜色  line=dict(  color='rgb(0,0,0)',  width=1.5  )  ),  boxmean='sd'  # 'sd'表示使用标准差标记平均值，你也可以设置为'mean'来直接使用平均值  ))  # 自定义图表布局  
fig.update_layout(  title='按出租方式分组的房屋租金——箱形图',  yaxis_title='房屋租金',  xaxis_title='出租方式',  boxmode='group'  # 箱形图的显示模式，'group'表示每个类别的箱形图并排显示  
)  # 显示图表  
fig.show()

从上图可以看出，整租的租金浮动较大，而合租的租金区间很小。合租的租金价格在2100元/月以下区间，仅有1个房屋租金是2100元/月，其余都往下在走。

sns.barplot(data=df,x='朝向',y='金额')
plt.show()

南北朝向的房子明显租金更高。

# 计算每个楼层的计数  
floor_counts = df['楼层类型'].value_counts()  # 创建饼图数据  
fig = go.Figure(data=[go.Pie(  labels=floor_counts.index,  # 标签是楼层的唯一值  values=floor_counts.values,  # 值是每个楼层的计数  hole=0.3,  # 设置饼图的中心空洞大小  textinfo='label+percent',  # 在饼图上显示标签和百分比  insidetextorientation='radial'  # 文本方向为径向  
)])  # 更新图表的布局  
fig.update_layout(  title='楼层分布——饼图',  # 设置图表的标题  annotations=[dict(text=str(round(value, 2))+'%', x=0.5, y=0.5,  xref='paper', yref='paper',  showarrow=False, font=dict(size=10),  textangle=0 if i == 0 else i*360/len(floor_counts))  for i, value in enumerate(floor_counts.values)],  # 注释文本的位置需要手动调整，这里使用了一种简单的方法，但可能需要根据实际情况调整  
)  # 显示图表  
fig.show()  

上图展示了成都市楼层分布情况。

sns.barplot(data=df,x='楼层类型',y='金额')
plt.show()

低楼层租金略微高于中楼层，中楼层租金略微高于高楼层。

# 相关性分析
numeric_columns_simplified = df.select_dtypes(include='number')
sns.heatmap(numeric_columns_simplified.corr(),vmax=1,annot=True,linewidths=0.5,cbar=False,cmap='YlGnBu',annot_kws={'fontsize':12})
plt.xticks(fontsize=10)
plt.yticks(fontsize=10)
plt.title('房屋特征皮尔逊相关系数矩阵——热力图',fontsize=17)
plt.show()

跟房租最相关的是他自己，1也就是100%相关，第二相关的是房子大小68%，需要注意的是楼房层数是负相关，也就是楼层越高房屋租金越低。

from wordcloud import WordCloud  
# 将'楼层信息'列中的所有文本合并成一个长字符串  
text = ' '.join(df['楼盘名称'].astype(str))  font_path = '/Library/Fonts/Arial Unicode.ttf'  # macOS上的示例路径  # 创建词云对象，并指定中文字体  
wordcloud = WordCloud(width=800, height=400, background_color='black', font_path=font_path).generate(text)  # 使用matplotlib显示词云  
plt.figure(figsize=(10, 5))  
plt.imshow(wordcloud, interpolation='bilinear')  
plt.axis('off')  # 不显示坐标轴  
plt.show()

根据楼盘名称绘制的词云图，可以看出，“保利天悦”出现的频率很高。

机器学习

特征工程：

# 特征筛选
new_df = df[['金额', '区（市）县', '类型', '朝向', '楼层类型', '房子大小',  '楼房层数', '卧室间数', '客厅间数', '卫生间数']]
new_df = new_df.astype('str')
new_df

选取以下内容作为特征：

很多中文，我们需要把他转为数字，变成计算机熟悉的分类数据：

from sklearn.preprocessing import LabelEncoder  # 定义一个函数，用于对pandas Series进行标签编码  
def label_encode(series):  # 创建一个LabelEncoder实例  le = LabelEncoder()  # 使用LabelEncoder的fit_transform方法对Series进行拟合和转换  # 这将Series中的类别（通常是字符串）转换为从0到n_classes-1的整数  transformed_series = le.fit_transform(series)  # 返回转换后的Series  return transformed_series  # 假设new_df是一个已经存在的DataFrame  
# 使用apply函数将label_encode函数应用到DataFrame的每一列上  
# axis=0表示函数沿着列（垂直方向）应用，即每一列被视为一个Series进行处理  
# 注意：这里直接使用apply可能会导致一些问题，特别是如果DataFrame包含非对象类型的列  
# 因为LabelEncoder只能用于对象类型（如字符串）的列  
# 但为了注释的目的，我们假设所有列都是对象类型  
new_df = new_df.apply(label_encode, axis=0)
new_df

上图已经全部为了数字。

划分训练集和测试集：

from sklearn.model_selection import train_test_split
# 准备数据
X = new_df.drop('金额',axis=1)
y = new_df['金额']
# 划分数据集
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=42)
print('训练集大小:',X_train.shape[0])
print('测试集大小:',X_test.shape[0])

定义模型评估函数：

from sklearn.metrics import r2_score, mean_absolute_error, mean_squared_error  
# 导入sklearn库中用于评估模型性能的三个指标：R^2分数、平均绝对误差(MAE)、均方误差(MSE)  # 定义一个训练模型并输出模型的评估指标的函数  
def train_model(ml_model):  # 打印传入的模型类型或实例  print("模型名称: ", ml_model)        # 使用训练数据拟合模型。这里假设X_train和y_train是全局变量或已在此函数外部定义  model = ml_model.fit(X_train, y_train)        # 在训练数据上评估模型的性能（这一步主要用于调试或查看过拟合情况，通常不用训练集评估模型最终性能）  print("模型预测准确率: ", model.score(X_train, y_train))        # 使用训练好的模型对测试集进行预测  predictions = model.predict(X_test)        # 计算并打印R^2分数，评估模型的预测性能  r2score = r2_score(y_test, predictions)  print("R方: ", r2score)        # 计算并打印平均绝对误差(MAE)，衡量预测值与真实值之间差异的平均绝对值  print('平均绝对误差（MAE）:', mean_absolute_error(y_test,predictions))        # 计算并打印均方误差(MSE)，衡量预测值与真实值之间差异的平方的平均值  print('均方误差（MSE）:', mean_squared_error(y_test,predictions))        # 计算并打印均方根误差(RMSE)，是MSE的平方根，与预测值的尺度相同，便于理解  print('均方根误差（RMSE）:', np.sqrt(mean_squared_error(y_test,predictions)))  # 真实值和预测值的差值(绘制残差分布图)sns.distplot(y_test - predictions)

构建线性回归模型：

# 导入LinearRegression类  
from sklearn.linear_model import LinearRegression    
# 创建LinearRegression的实例  
lg = LinearRegression()    
# 调用train_model函数，传入LinearRegression实例作为参数  
train_model(lg)

构建决策树模型：

# 构建决策树回归
from sklearn.tree import DecisionTreeRegressor
# 初始化DecisionTreeRegressor并设置防止过拟合的参数  
tree = DecisionTreeRegressor()  
train_model(tree)

构建xgboost模型：

# 构建xgboost回归模型
from xgboost import XGBRegressor
xgb = XGBRegressor(learning_rate=1.4, n_estimators=1000) 
train_model(xgb)

计算各特征重要程度：

# 首先，定义特征标签列表，这里假设X_train是一个DataFrame，其列名即为特征名  
feat_labels = X_train.columns[0:]  # 获取X_train的所有列名作为特征标签    
# 注意：这里假设xgb是一个已经训练好的XGBoost模型实例，该模型具有feature_importances_属性  
# feature_importances_属性包含了模型中每个特征的重要性评分  
# importances = xgb.feature_importances_  
importances = tree.feature_importances_  
# 使用argsort函数对重要性评分进行排序，并通过[::-1]反转数组，以得到重要性从高到低的索引  
# 这样，indices数组中的第一个索引对应最重要的特征  
indices = np.argsort(importances)[::-1]  # 初始化两个列表，用于存储特征和它们对应的重要性评分  
index_list = []  
value_list = []  # 遍历排序后的索引和特征数量（X_train.shape[1]），将特征和重要性评分添加到列表中  
# 注意：range(X_train.shape[1])实际上生成的是从0到特征数-1的索引，但在这里我们将其与indices结合使用  
# 并在打印时添加了1，以便特征编号从1开始显示（如果偏好从0开始，则可以去掉f+1）  
for f, j in zip(range(X_train.shape[1]), indices):  index_list.append(feat_labels[j])  # 将特征名添加到index_list  value_list.append(importances[j])  # 将重要性评分添加到value_list  print(f + 1, feat_labels[j], importances[j])  # 打印特征编号、名称和重要性评分  # 使用matplotlib的pyplot模块创建一个图形  
plt.figure(figsize=(10,6))  # 设置图形的大小为10x6英寸  # 绘制水平条形图，展示特征的重要性评分  
# 注意：这里使用了[::-1]来反转列表，因为matplotlib默认是从下到上绘制条形图  
# 但我们想要从最重要的特征开始，即从图形顶部开始绘制  
plt.barh(index_list[::-1], value_list[::-1])  # 设置y轴刻度标签的字体大小  
plt.yticks(fontsize=12)  # 设置图形的标题和字体大小  
plt.title('各特征重要程度排序', fontsize=14)  # 显示图形  
plt.show()

从下图可以看出，影响房屋租金特征排序最高的是房子大小，接着是楼房层数，详见下图：

# 模型预测
y_pred = tree.predict(X_test)
result_df = pd.DataFrame()
result_df['真实值'] = y_test
result_df['预测值'] = y_pred
result_df.sample(2)

随机选择两个真实值和预测值对比，对了1个，感觉模型有些过拟合了，想要再准点，还需要对模型调超参数，由于比较复杂，今天就不展示了。

还有一个知识点需要给大家讲，下面其实是一个错误示范，之前中文转数字对数据进行了标准化，但在预测时未对y_pred进行相应的逆变换，预测值看起来比原始数据（房屋租金）小了很多，所以下面的数值是标准化后的数值，并不是原始数据。

数据可视化（真实值和预测值对比）：

# 创建一个新的图形，并设置其大小为10x6英寸  
plt.figure(figsize=(10,6))      
# 绘制预测值。这里只取前200个预测值（y_pred[:200]）和对应的索引（range(len(y_test))[:200]）  
# 使用蓝色('b')线条表示预测值，并设置图例标签为'predict'  
plt.plot(range(len(y_test))[:200], y_pred[:200], 'b', label='预测值')    
# 绘制测试集的真实值。同样只取前200个真实值（y_test[:200]）和对应的索引  
# 使用红色('r')线条表示真实值，并设置图例标签为'test'  
plt.plot(range(len(y_test))[:200], y_test[:200], 'r', label='真实值')    
# 添加图例，并设置其位置在图形的右上角，字体大小为15  
plt.legend(loc='upper right', fontsize=15)    
# 设置x轴的标签为'the number of house'，并通过fontdict字典设置其字体权重和大小  
plt.xlabel('the number of house', fontdict={'weight': 'normal', 'size': 15})    
# 设置y轴的标签为'value of Price'，同样通过fontdict字典设置其字体权重和大小  
plt.ylabel('value of Price', fontdict={'weight': 'normal', 'size': 15})    
# 显示图形  
plt.show()

本文数据集可以点击本文上方下载，创作不易，点赞、评论、收藏是我创作的动力！