Python如何實現(xiàn)對某地區(qū)二手房房價進行數據分析

這篇文章主要介紹了Python如何實現(xiàn)對某地區(qū)二手房房價進行數據分析，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

房價數據分析

數據簡單清洗

data.csv

數據顯示

# 導入模塊
import pandas as pd  # 導入數據統(tǒng)計模塊
import matplotlib  # 導入圖表模塊
import matplotlib.pyplot as plt  # 導入繪圖模塊
# 避免中文亂碼
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 設置字體為SimHei顯示中文
matplotlib.rcParams['axes.unicode_minus'] = False  # 設置正常顯示字符，使用rc配置文件來自定義
# 簡單清洗
data = pd.read_csv('data.csv')  # 讀取csv數據
del data['Unnamed: 0']  # 將索引列刪除
data.dropna(axis=0, how='any', inplace=True)  # 刪除data數據中的所有空值
data['單價'] = data['單價'].map(lambda d: d.replace('元/平米', ''))  # 將單價“元/平米”去掉
data['單價'] = data['單價'].astype(float)  # 將房子單價轉換為浮點類型，float（data['',單價]）
data['總價'] = data['總價'].map(lambda d: d.replace('萬', ''))  # 將總價“萬”去掉
data['總價'] = data['總價'].astype(float)  # 將房子總價轉換為浮點類型，float（data['',單價]）
data['建筑面積'] = data['建筑面積'].map(lambda p: p.replace('平米', ''))  # 將建筑面積“平米去掉”
data['建筑面積'] = data['建筑面積'].astype(float)  # 將將建筑面積轉換為浮點類型

各區(qū)均價分析

# 獲取各區(qū)二手房均價分析，根據需求，，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理
def get_average_price():
    group = data.groupby('區(qū)域')  # 將房子區(qū)域分組
    average_price_group = group['單價'].mean()  # 計算每個區(qū)域的均價，average_price_group字典
    x = average_price_group.index  # 區(qū)域
    y = average_price_group.values.astype(int)  # 區(qū)域對應的均價a =['t':'123'] a.keys()
    return x, y  # 返回區(qū)域與對應的均價，region二關 average_price均價

# 顯示均價條形圖
def average_price_bar(x, y, title):
    plt.figure()  # 圖形畫布
    plt.bar(x, y, alpha=0.8)  # 繪制條形圖
    plt.xlabel("區(qū)域")  # 區(qū)域文字
    plt.ylabel("均價")  # 均價文字
    plt.title(title)  # 表標題文字
    # 為每一個圖形加數值標簽
    for x, y in enumerate(y):
        plt.text(x, y + 100, y, ha='center')
    plt.show()

if __name__ == '__main__':
    x, y = get_average_price()
    title = '各區(qū)均價分析'
    average_price_bar(x, y, title)

運行如圖

全市二手房裝修程度分析

# 獲取各區(qū)二手房均價分析，根據需求，，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理
def get_decorate_sum():
    group = data.groupby('裝修')  # 將房子區(qū)域分組
    # decorate_sum_group = group['裝修'].count()  # 計算每個區(qū)域的均價，average_price_group字典
    decorate_sum_group = group.size()  # 計算每個區(qū)域的均價，average_price_group字典
    x = decorate_sum_group.index  # 區(qū)域
    y = decorate_sum_group.values.astype(int)  # 區(qū)域對應的均價a =['t':'123'] a.keys()
    return x, y  # 返回區(qū)域與對應的均價，region二關 average_price均價

# 顯示均價條形圖
def average_price_bar(x, y, title):
    plt.figure()  # 圖形畫布
    plt.bar(x, y, alpha=0.8)  # 繪制條形圖
    plt.xlabel("裝修類型")  # 區(qū)域文字
    plt.ylabel("數量")  # 均價文字
    plt.title(title)  # 表標題文字
    # 為每一個圖形加數值標簽
    for x, y in enumerate(y):
        plt.text(x, y + 100, y, ha='center')
    plt.show()

if __name__ == '__main__':
    x, y = get_decorate_sum()
    title = '全市二手房裝修程度分析'
    average_price_bar(x, y, title)

各區(qū)二手房數量所占比比例

# 獲取各區(qū)二手房各區(qū)比例數量，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理
def get_proportional_quantity():
    area = data['區(qū)域'].groupby(data['區(qū)域']).count()  # 將房子區(qū)域分組比例數量
    areaName = (area).index.values  # 將房子區(qū)域分組比例取名
    return area, areaName

# 顯示均價條形圖
def proportional_quantity_pie(area, areaName, title):
    plt.figure()  # 圖形畫布
    plt.pie(area, labels=areaName, labeldistance=1.1, autopct='%.1f%%',
            shadow=True, startangle=90, pctdistance=0.7)
    plt.title(title, fontsize=24)  # 表標題文字
    plt.legend(bbox_to_anchor=(-0.1, 1))  # 作者標題
    plt.show()

if __name__ == '__main__':
    # 對應x，y
    area, areaName = get_proportional_quantity()
    title = '各區(qū)二手房數量所占比比例'
    proportional_quantity_pie(area, areaName, title)

熱門戶型均價分析

# 獲取各區(qū)熱門戶型分析，根據需求，，進一步處理數據，如果要寫相應算法，需要根據算法所需求的數據處理
def get_hot_portal():
    # 另外一種方法獲取并取值
    """
    group = data.groupby('戶型').size  # 將房子區(qū)域分組
    sort_data = group.sort_values(ascending=False)  # 將戶型分組數量進行降序
    five_data = sort_data.head()  # 提取前5組戶型數據
    house_type_mean = data.groupby('戶型')['單價'].mean().astype(int)  # 計算每個戶型的均價
    x = house_type_mean[five_data.index].index  # 戶型
    y = house_type_mean[five_data.index].value  # 戶型對應的均價
    """
    group = data.groupby('戶型')  # 將房子區(qū)域分組
    a = group['戶型'].count().sort_values(ascending=False).head()  # 計算每個戶型的均價 字典
    b = group['單價'].mean()[a.index]  # 區(qū)域對應的均價a =['t':'123'] a.keys()
    x = b.index
    y = b.values.astype(int)
    return x, y  # 返回區(qū)域與對應的均價，region二關 average_price均價

# 顯示均價橫條形圖
def hot_portal_barh(x, y, title):
    plt.figure()  # 圖形畫布
    plt.barh(x, y, alpha=0.9, color='red')  # 繪制條形圖
    plt.xlabel("均價")  # 區(qū)域文字
    plt.ylabel("戶型")  # 均價文字
    plt.title(title)  # 表標題文字
    plt.xlim(0, 15000)  # X軸的大小
    # 為每一個圖形加數值標簽
    for y, x in enumerate(y):
        plt.text(x + 100, y, str(x) + '元', ha='left')
    plt.show()

if __name__ == '__main__':
    x, y = get_hot_portal()
    title = '熱門戶型均價分析'
    hot_portal_barh(x, y, title)

前面三個圖較簡單，最后相對于前面三個較為麻煩

先獲取得到熱門戶型前五名，通過戶型得到對應的戶型的平均值

感謝你能夠認真閱讀完這篇文章，希望小編分享的“Python如何實現(xiàn)對某地區(qū)二手房房價進行數據分析”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業(yè)資訊頻道，更多相關知識等著你來學習!