如何讓用Python對2019年二手房價格進行數據分析

這期內容當中小編將會給大家帶來有關如何讓用Python對2019年二手房價格進行數據分析，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

利用爬到數據的進行數據分析。

在文章中，用到pandas、seaborn、Matplotlib等工具，分析工具用到提琴圖、箱型圖、散點圖等。

描述性分析

首先導入各種需要的庫方便后續一切操作，并讀取數據表，直接描述一下看看情況

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import warnings  # 這部分是超參數提前設置sns.set(style='darkgrid') plt.rcParams['font.family']='Arial Unicode MS' plt.rcParams['axes.unicode_minus']=False warnings.filterwarnings('ignore')   data =pd.read_csv('鏈家新房100個.csv') data.describe()

最貴和最便宜

從上面輸出表格可以看到初步結論如下：

這些二手房最小面積9.6平米，最大718平米，最便宜的56萬，最貴的5200萬。面積大概集中在59-102平，價格大概集中在325-630萬，初步信息看完了有個印象，下邊進行詳細分析。

首先我對這個9.6平的房子很感興趣，提取出來看看，但是運行下邊代碼看到，CBD核心區，別墅，9.64平，56W，估計是從廁所拆出來賣的。。

作罷。跳過他繼續分析

data.min()

而最貴的呢在鼓樓大街(二環邊上)聯排別墅，售價5200萬。emmm

data.max()

價格分布&面積分布粗看

現在我想直觀的看一下售價分布，從下圖可以看到，售價主要集中在1000萬之內

sns.distplot(data['錢'].dropna())

同樣的思路看一下面積，可以看到這些二手房源面積主要集中在100平米左右

sns.distplot(data['面積'].dropna())

此處其實也可以兩張圖一塊看，代碼如下：(都有點右偏)

fig, ax =plt.subplots(1,2)  #2個子區域 sns.distplot(data['錢'],ax=ax[0]) sns.distplot(data['面積'],ax=ax[1]) plt.show()

售價精看

對售價做一個箱型圖看看，很明顯的1000萬那條橫線以上的點兒，都是合理數據外的數據。

sns.boxplot(data=data['錢'])

那么合理的數據分別是什么呢?可以參考以下代碼

mean, std = data['錢'].mean() , data['錢'].std() # 得到上下限 lower , upper =mean -3*std , mean+3*std  print('均值',mean) print('標準差',std) print('下限',lower) print('上限',upper)

打印結果可以看到的是標準差集中在358萬，合理上限是1613萬。對現實的指導就是：如果有358萬，買一套房子就夠了，1613萬以上的房買起來就是坑爹了。

均值 538.44

標準差 358.47

下限 -536.9763753150206

上限 1613.8755022458467

價格最低的20套

通過這段代碼可以看一下這些房子分布在哪里。

結論見代碼下截圖，如果你對北京熟悉，可以看到，這些房子主要分布在5環外，部分在順義、昌平、門頭溝等地。

t=data[['小區','地區','錢']].sort_values('錢') display(t.iloc[:20])

面積精看

同樣的方式，可以把”錢"列換為“面積”列看一下，面積均值89平，標準差50平，合理上限240平

均值 89.8874210879787

標準差 50.36697951495447

下限 -61.21351745688473

上限 240.9883596328421

面積最小的部分信息如下

朝向和裝修程度

通過對戶型方向進行分組展示可以看到在北京，主要還是南北向的，東西朝向的低很多

posit=data['方向'].value_counts()[:10] display(posit)

裝修程度有四類：精裝、簡裝、毛坯、其他。

建筑形式有：板樓、塔樓、板樓塔樓結合、別墅等，

這兩個維度與價格有啥關系呢?

來分析分析，做三個圖先：

圖一：裝修狀態和價格關系

圖二：裝修狀態&建筑形式與售價關系

圖三：建筑形式連同裝修狀態與價格關系

圖四：建筑形式箱型圖

通過對裝修狀態做價格分布圖可以看到，精裝修的集中在400±100萬左右，簡裝稍微便宜一丟丟，毛坯房二手很少，其他形式的很多，價格集中在300-500萬左右

對裝修狀態進行樓房形式的拆解后做箱型圖如上，得到結論是板樓、塔樓、板樓塔樓結合是最多的，不論是精裝簡裝還是其他信息不明的裝修狀態的。

對建筑形式連同裝修狀態和價格關系可以看到，不論什么類型的建筑形式，都存在精裝修、簡裝修、毛坯。板樓價格橫跨100萬-1000萬之間，集中在300-600萬之間，板樓塔樓結合的價格集中在350萬-700萬之間，塔樓集中在380-700萬之間。

初步結論，如果能搞到300萬以上，精裝修的板樓或塔樓隨便選。

但若沒這么多錢，也可以有50-300萬之間的選擇，只是選項少一些，但并不是沒有選擇。

在這個初步結論基礎上提問：我有xxx萬，那么我能買到多少平的房子呢?

價格面積分析

先將面積分組，分組函數如下

def value_to_level(area):     if area >= 0 and area <=40:         return '40內'     elif area >= 41 and area <=60:         return '41-60'     elif area >= 61 and area <=80:         return '61-80'     elif area >= 81 and area <=130:         return '81-110'     elif area >= 81 and area <=130:         return '111-130'     elif area >= 131 and area <=180:         return '131-180'     elif area >= 181 and area <=250:         return '181-250'     else :         return '250以上'  level= data['面積'].apply(value_to_level) display(level.value_counts()) sns.countplot(x=level , order=['40內','41-60','61-80','81-110','111-130','131-180','181-250','250以上'])

分組后作圖如下：

面積主要集中在40-110平之間。

做一張散點圖，表明價格、面積的分布，限定橫坐標50-500萬之間，縱坐標40-120平之間

sns.scatterplot(data['錢'], data['面積']) plt.xlim(50,500) plt.ylim(40,120) plt.show()

所以，到這里，有大概多少錢，能買多少平的房子，一目了然。

其實可以看到：180萬以上就有很多選擇了。

如果只是想先買一套100萬左右也有滿足的情況

上述就是小編為大家分享的如何讓用Python對2019年二手房價格進行數據分析了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。