數據初探

首先導入要使用的科學計算包numpy,pandas,可視化matplotlib,seaborn,以及機器學習包sklearn。

import pandas as pd 
import numpy as np 
import seaborn as sns 
import matplotlib as mpl 
 
import matplotlib.pyplot as plt 
from IPython.display import display 
plt.style.use("fivethirtyeight") 
sns.set_style({'font.sans-serif':['simhei','Arial']}) 
%matplotlib inline 
 
 
# 檢查Python版本 
from sys import version_info 
if version_info.major != 3: 
    raise Exception('請使用Python 3 來完成此項目') 

然后導入數據，并進行初步的觀察，這些觀察包括了解數據特征的缺失值，異常值，以及大概的描述性統計。

# 導入鏈家二手房數據 
lianjia_df = pd.read_csv('lianjia.csv') 
display(lianjia_df.head(n=2)) 

初步觀察到一共有11個特征變量，Price 在這里是我們的目標變量，然后我們繼續深入觀察一下。

# 檢查缺失值情況 
lianjia_df.info() 

發現了數據集一共有23677條數據，其中Elevator特征有明顯的缺失值。

lianjia_df.describe() 

上面結果給出了特征值是數值的一些統計值，包括平均數，標準差，中位數，最小值，最大值，25%分位數，75%分位數。這些統計結果簡單直接，對于初始了解一個特征好壞非常有用，比如我們觀察到 Size 特征 的最大值為1019平米，最小值為2平米，那么我們就要思考這個在實際中是不是存在的，如果不存在沒有意義，那么這個數據就是一個異常值，會嚴重影響模型的性能。

當然，這只是初步觀察，后續我們會用數據可視化來清晰的展示，并證實我們的猜測。

# 添加新特征房屋均價 
df = lianjia_df.copy() 
df['PerPrice'] = lianjia_df['Price']/lianjia_df['Size'] 
 
# 重新擺放列位置 
columns = ['Region', 'District', 'Garden', 'Layout', 'Floor', 'Year', 'Size', 'Elevator', 'Direction', 'Renovation', 'PerPrice', 'Price'] 
df = pd.DataFrame(df, columns = columns) 
 
# 重新審視數據集 
display(df.head(n=2) 

我們發現 Id 特征其實沒有什么實際意義，所以將其移除。由于房屋單價分析起來比較方便，簡單的使用總價/面積就可得到，所以增加一個新的特征 PerPrice(只用于分析，不是預測特征)。另外，特征的順序也被調整了一下，看起來比較舒服。

數據可視化分析

Region特征分析

對于區域特征，我們可以分析不同區域房價和數量的對比。

# 對二手房區域分組對比二手房數量和每平米房價 
df_house_count = df.groupby('Region')['Price'].count().sort_values(ascending=False).to_frame().reset_index() 
df_house_mean = df.groupby('Region')['PerPrice'].mean().sort_values(ascending=False).to_frame().reset_index() 
 
f, [ax1,ax2,ax3] = plt.subplots(3,1,figsize=(20,15)) 
sns.barplot(x='Region', y='PerPrice', palette="Blues_d", data=df_house_mean, ax=ax1) 
ax1.set_title('北京各大區二手房每平米單價對比',fontsize=15) 
ax1.set_xlabel('區域') 
ax1.set_ylabel('每平米單價') 
 
sns.barplot(x='Region', y='Price', palette="Greens_d", data=df_house_count, ax=ax2) 
ax2.set_title('北京各大區二手房數量對比',fontsize=15) 
ax2.set_xlabel('區域') 
ax2.set_ylabel('數量') 
 
sns.boxplot(x='Region', y='Price', data=df, ax=ax3) 
ax3.set_title('北京各大區二手房房屋總價',fontsize=15) 
ax3.set_xlabel('區域') 
ax3.set_ylabel('房屋總價') 
 
plt.show() 

使用了pandas的網絡透視功能 groupby 分組排序。區域特征可視化直接采用 seaborn 完成，顏色使用調色板 palette 參數，顏色漸變，越淺說明越少，反之越多。可以觀察到：

• 二手房均價：西城區的房價最貴均價大約11萬/平，因為西城在二環以里，且是熱門學區房的聚集地。其次是東城大約10萬/平，然后是海淀大約8.5萬/平，其它均低于8萬/平。
• 二手房房數量：從數量統計上來看，目前二手房市場上比較火熱的區域。海淀區和朝陽區二手房數量最多，差不多都接近3000套，畢竟大區，需求量也大。然后是豐臺區，近幾年正在改造建設，有趕超之勢。
• 二手房總價：通過箱型圖看到，各大區域房屋總價中位數都都在1000萬以下，且房屋總價離散值較高，西城最高達到了6000萬，說明房屋價格特征不是理想的正太分布。

Size特征分析

f, [ax1,ax2] = plt.subplots(1, 2, figsize=(15, 5)) 
# 建房時間的分布情況 
sns.distplot(df['Size'], bins=20, ax=ax1, color='r') 
sns.kdeplot(df['Size'], shade=True, ax=ax1) 
# 建房時間和出售價格的關系 
sns.regplot(x='Size', y='Price', data=df, ax=ax2) 
plt.show() 

Size 分布：

• 通過 distplot 和 kdeplot 繪制柱狀圖觀察 Size 特征的分布情況，屬于長尾類型的分布，這說明了有很多面積很大且超出正常范圍的二手房。

Size 與 Price 的關系：

• 通過 regplot 繪制了 Size 和 Price 之間的散點圖，發現 Size 特征基本與Price呈現線性關系，符合基本常識，面積越大，價格越高。但是有兩組明顯的異常點：1. 面積不到10平米，但是價格超出10000萬;2. 一個點面積超過了1000平米，價格很低，需要查看是什么情況。

df.loc[df['Size']< 10] 

經過查看發現這組數據是別墅，出現異常的原因是由于別墅結構比較特殊(無朝向無電梯)，字段定義與二手商品房不太一樣導致爬蟲爬取數據錯位。也因別墅類型二手房不在我們的考慮范圍之內，故將其移除再次觀察Size分布和Price關系。

 df.loc[df['Size']>1000] 

經觀察這個異常點不是普通的民用二手房，很可能是商用房，所以才有1房間0廳確有如此大超過1000平米的面積，這里選擇移除。

df.loc[df['Size']>1000] 

重新進行可視化發現就沒有明顯的異常點了。

Layout特征分析

f, ax1= plt.subplots(figsize=(20,20)) 
sns.countplot(y='Layout', data=df, ax=ax1) 
ax1.set_title('房屋戶型',fontsize=15) 
ax1.set_xlabel('數量') 
ax1.set_ylabel('戶型') 
plt.show() 

這個特征真是不看不知道，各種廳室組合搭配，竟然還有9室3廳，4室0廳等奇怪的結構。其中，2室一廳占絕大部分，其次是3室一廳，2室2廳，3室兩廳。但是仔細觀察特征分類下有很多不規則的命名，比如2室一廳與2房間1衛，還有別墅，沒有統一的叫法。這樣的特征肯定是不能作為機器學習模型的數據輸入的，需要使用特征工程進行相應的處理。

Renovation 特征分析

df['Renovation'].value_counts() 

• 精裝 11345
• 簡裝 8497
• 其他 3239
• 毛坯 576南北 20
• Name: Renovation, dtype: int64

發現Renovation裝修特征中竟然有南北，它屬于朝向的類型，可能是因為爬蟲過程中一些信息位置為空，導致“Direction”朝向特征出現在這里，所以需要清除或替換掉。

# 去掉錯誤數據“南北”，因為爬蟲過程中一些信息位置為空，導致“Direction”的特征出現在這里，需要清除或替換 
df['Renovation'] = df.loc[(df['Renovation'] != '南北'), 'Renovation'] 
 
# 畫幅設置 
f, [ax1,ax2,ax3] = plt.subplots(1, 3, figsize=(20, 5)) 
sns.countplot(df['Renovation'], ax=ax1) 
sns.barplot(x='Renovation', y='Price', data=df, ax=ax2) 
sns.boxplot(x='Renovation', y='Price', data=df, ax=ax3) 
plt.show() 

觀察到，精裝修的二手房數量最多，簡裝其次，也是我們平日常見的。而對于價格來說，毛坯類型卻是最高，其次是精裝修。

Elevator 特征分析

初探數據的時候，我們發現 Elevator 特征是有大量缺失值的，這對于我們是十分不利的，首先我們先看看有多少缺失值：

misn = len(df.loc[(df['Elevator'].isnull()), 'Elevator']) 
print('Elevator缺失值數量為：'+ str(misn)) 

Elevator 缺失值數量為：8237

這么多的缺失值怎么辦呢?這個需要根據實際情況考慮，常用的方法有平均值/中位數填補法，直接移除，或者根據其他特征建模預測等。

這里我們考慮填補法，但是有無電梯不是數值，不存在平均值和中位數，怎么填補呢?這里給大家提供一種思路：就是根據樓層 Floor 來判斷有無電梯，一般的樓層大于6的都有電梯，而小于等于6層的一般都沒有電梯。有了這個標準，那么剩下的就簡單了。

# 由于存在個別類型錯誤，如簡裝和精裝，特征值錯位，故需要移除 
df['Elevator'] = df.loc[(df['Elevator'] == '有電梯')|(df['Elevator'] == '無電梯'), 'Elevator'] 
 
# 填補Elevator缺失值 
df.loc[(df['Floor']>6)&(df['Elevator'].isnull()), 'Elevator'] = '有電梯' 
df.loc[(df['Floor']<=6)&(df['Elevator'].isnull()), 'Elevator'] = '無電梯' 
 
f, [ax1,ax2] = plt.subplots(1, 2, figsize=(20, 10)) 
sns.countplot(df['Elevator'], ax=ax1) 
ax1.set_title('有無電梯數量對比',fontsize=15) 
ax1.set_xlabel('是否有電梯') 
ax1.set_ylabel('數量') 
sns.barplot(x='Elevator', y='Price', data=df, ax=ax2) 
ax2.set_title('有無電梯房價對比',fontsize=15) 
ax2.set_xlabel('是否有電梯') 
ax2.set_ylabel('總價') 
plt.show() 

結果觀察到，有電梯的二手房數量居多一些，畢竟高層土地利用率比較高，適合北京龐大的人群需要，而高層就需要電梯。相應的，有電梯二手房房價較高，因為電梯前期裝修費和后期維護費包含內了(但這個價格比較只是一個平均的概念，比如無電梯的6層豪華小區當然價格更高了)。

Year 特征分析

grid = sns.FacetGrid(df, row='Elevator', col='Renovation', palette='seismic',size=4) 
grid.map(plt.scatter, 'Year', 'Price') 
grid.add_legend() 

在Renovation和Elevator的分類條件下，使用 FaceGrid 分析 Year 特征，觀察結果如下：

整個二手房房價趨勢是隨著時間增長而增長的;

• 2000年以后建造的二手房房價相較于2000年以前有很明顯的價格上漲;
• 1980年之前幾乎不存在有電梯二手房數據，說明1980年之前還沒有大面積安裝電梯;
• 1980年之前無電梯二手房中，簡裝二手房占絕大多數，精裝反而很少;

Floor 特征分析

f, ax1= plt.subplots(figsize=(20,5)) 
sns.countplot(x='Floor', data=df, ax=ax1) 
ax1.set_title('房屋戶型',fontsize=15) 
ax1.set_xlabel('數量') 
ax1.set_ylabel('戶型') 
plt.show() 

可以看到，6層二手房數量最多，但是單獨的樓層特征沒有什么意義，因為每個小區住房的總樓層數都不一樣，我們需要知道樓層的相對意義。另外，樓層與文化也有很重要聯系，比如中國文化七上八下，七層可能受歡迎，房價也貴，而一般也不會有4層或18層。當然，正常情況下中間樓層是比較受歡迎的，價格也高，底層和頂層受歡迎度較低，價格也相對較低。所以樓層是一個非常復雜的特征，對房價影響也比較大。

總結

本次分享旨在讓大家了解如何用Python做一個簡單的數據分析，對于剛剛接觸數據分析的朋友無疑是一個很好的練習。不過，這個分析還存在很多問題需要解決，比如：

• 解決爬蟲獲取的數據源準確度問題;
• 需要爬取或者尋找更多好的售房特征;
• 需要做更多地特征工程工作，比如數據清洗，特征選擇和篩選;
• 使用統計模型建立回歸模型進行價格預測;

作者：xiaoyu，一個半路轉行的數據挖掘工程師，Python數據科學。