项目说明
通过对深圳自如网站上的房源情况进行探索分析，进而了解深圳自如房租的相关情况。
探索的问题
- 房租的分布情况
- 哪种户型的房源最多
- 哪条地铁线附近的房租比较贵
- 哪个区的房租更贵
- 房源的面积分布情况
数据说明
- 数据来源深圳自如网站(仅包含可出租状态的合租房源）
- 采用集搜客工具爬取
- house_area: 表示房间的面积
- house_toom: 表示出租房屋的户型
- house_price: 表示每月的房租
- house_name: 表示房源所处的小区
- house_located: 表示房源所处的区
- subway_info: 表示房源附近是否有地铁站
数据清洗
数据预览
# coding: utf-8
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['Microsoft YaHei'] # 使图形能够正常显示中文
%pylab inline
df_sz_ziroom = pd.read_csv('ziroom_sz.csv') # 加载数据
df_sz_ziroom.head(2) # 预览数据
df_sz_ziroom = df_sz_ziroom.drop('Unnamed: 0', axis=1) # 删掉无用的列
df_sz_ziroom.head(5) # 预览前五条数据
df_sz_ziroom.tail(5) # 预览后5条数据
需要清洗的字段
除了 house_room 字段外，剩下的字段都需要清洗，为了便于分析还需要新增字段，工作量有点大，挺好，又可以练手。
1. house_area 字段有 "15.2 $m^2$" 和 "约9.5 $m^2$" 两种格式，需要转换成纯数字格式。
def remove_m2(area):
'''提取 house_area 字段中的数字'''
if str(area).split()[0][0].isdigit(): # 若字段中无“约”直接取 split 后的列表中的第一个子元素
area = area.split()[0]
else:
area = str(area).split()[0][1:] # 若字段中有“约”则从 split 后列表中的第一个子元素的第二个位置开始取
return float(area)
df_sz_ziroom['house_area'] = df_sz_ziroom['house_area'].apply(remove_m2)
df_sz_ziroom['house_area'].head(5) # 预览后15条数据
0 15.5
1 24.0
2 15.0
3 6.3
4 7.8
Name: house_area, dtype: float64
2. house_price 字段目前格式为 "￥1490 (每月)"，要把其修改为纯数字格式
def remove_rmb(price):
'''提取 house_price 字段中的数字'''
return int(price.split()[1])
df_sz_ziroom['house_price'] = df_sz_ziroom['house_price'].apply(remove_rmb)
df_sz_ziroom['house_price'].head()
0 1660
1 2230
2 1830
3 1860
4 1930
Name: house_price, dtype: int64
3. house_name 字段目前的格式类似为 "桦润馨居4居室-南卧"，需要把小区名字提取出来，如 "桦润馨居"
def get_house_name(name):
'''提取 house_name 字段中的小区名字'''
return name.split('-')[0][:-3]
df_sz_ziroom['house_name'] = df_sz_ziroom['house_name'].apply(get_house_name)
df_sz_ziroom['house_name'].head()
0 龙园山庄
1 塘朗城广场东区
2 龙园山庄
3 塘朗城广场东区
4 桃源村一期
Name: house_name, dtype: object
4. house_located 字段格式为 "[龙华区龙华中心] 4号线(龙华线)龙华" 包含所在的区和地铁两项信息，现需要把这两项信息提取并设置为两个字段
4.1 提取地铁信息
def get_subway(house_located):
'''从 house_located 中提取地铁信息'''
info = house_located.replace('[', ' ').replace(']', ' ').split()
if len(info) > 1: # 判断 house_located 字段中是否包含地铁信息
if info[1][:2].isdigit(): # 判断地铁号是否为两位数 如 11号线
subway_info = info[1][:4] # 若地铁号为两位数，则取 split 后的列表中的第二个元素的前四位
else:
subway_info = info[1][:3] # 若地铁号为1位数，则取 split 后的列表中的第二个元素的前三位
else:
subway_info = None # 若无地铁信息则返回 None
return subway_info
df_sz_ziroom['subway_info'] = df_sz_ziroom['house_located'].apply(get_subway) # 新建 subway 字段
df_sz_ziroom['subway_info'].head()
0 3号线
1 5号线
2 3号线
3 5号线
4 7号线
Name: subway_info, dtype: object
4.2 提取所在的区的信息
def house_located(house_located):
'''从 house_located 中提取区信息'''
info = house_located.replace('[', ' ').replace(']', ' ').split()
return info[0][:3]
df_sz_ziroom['house_located'] = df_sz_ziroom['house_located'].apply(house_located)
df_sz_ziroom['house_located'].head()
0 罗湖区
1 南山区
2 罗湖区
3 南山区
4 南山区
Name: house_located, dtype: object
df_sz_ziroom.sort_values(by='house_area').head(5) # house_area 列有异常值
df_sz_ziroom = df_sz_ziroom.drop(df_sz_ziroom[df_sz_ziroom['house_area']==0.1].index)
df_sz_ziroom.sort_values(by='house_area').head(5)
df_sz_ziroom.to_csv('cleaned_sz_ziroom.csv') # 清洗后的数据保存为新的 csv 文件
数据探索
1 单维度分析
1.1 房租分布情况
df_sz_ziroom['house_price'].describe()
count 899.000000
mean 2068.787542
std 465.815828
min 1130.000000
25% 1760.000000
50% 1930.000000
75% 2290.000000
max 4360.000000
Name: house_price, dtype: float64
- 最低的房租为 1130 元每月，最贵的房租为 4360 元每月，土豪专属。
- 平均房租为 2068 元每月，75% 的房租超过 1760 元每月。
接下来看看最高房租和最低房租的是什么房子
df_sz_ziroom[df_sz_ziroom['house_price'] == 1130]
df_sz_ziroom[df_sz_ziroom['house_price'] == 4360]
- 房租最低的房子位于龙岗区，龙岗区比较偏僻，且该套房源为6室1厅，房租最低也正常。
- 房租最贵的房子位于南山区在二号线旁边，2号线经过的基本都是深圳最繁华的地带，房租这么高也正常。
def delete_spines():
ax = plt.gca()
ax.spines['top'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['right'].set_visible(False)
plt.style.use('seaborn-talk')
x = df_sz_ziroom['house_price']
plt.hist(x, bins=26, edgecolor='black')
new_xticks = np.linspace(1000, 4500, 15)
plt.xticks(new_xticks)
plt.xlabel("house_price rmb/month")
plt.ylabel("count")
plt.title(u"深圳自如房租直方图")
ax = plt.gca()
ax.spines['top'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.yaxis.grid(True)
plt.show()
大部分的房价集中在 1625 到 2250 元每月，其中 1750 到 2000 元每月的房源最多。超过 3500 元每月的房源很少。因为本次分析的都是合租房源，看来深圳自如的房租还是比较贵。
1.2 面积分布情况
df_sz_ziroom['house_area'].describe()
count 899.000000
mean 11.462803
std 3.322627
min 5.360000
25% 9.200000
50% 11.100000
75% 13.300000
max 30.900000
Name: house_area, dtype: float64
最小面积为 5.36 $m^2$，最大面积为 30.9 $m^2$，平均面积为 11.46 $m^2$。看来大多数房间的面积都不是很大，真是面积又小，价格又贵。
x = df_sz_ziroom['house_area']
plt.hist(x, bins=16, edgecolor='black')
plt.xlabel('house_area $m^2$')
plt.ylabel('count')
plt.title(u'深圳自如房间面积直方图')
ax = plt.gca()
ax.spines['top'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.yaxis.grid(True)
plt.show()
绝大多数房间的面积集中在 6.3 到 12.7 $m^2$ 之间，其中 10 到 12.7 $m^2$ 之间的房源最多。超过 20 $m^2$ 的房源很少，租房形式真严峻。
1.3 户型分布情况
def add_text(x, y):
for a, b in zip(x, y):
plt.text(a, b+0.05, '%.0f' % b, ha='center', va='bottom', fontsize=15)
x = np.arange(len(df_sz_ziroom['house_room'].unique()))
y = df_sz_ziroom['house_room'].value_counts()
x_ticks = [room for room in df_sz_ziroom['house_room'].unique()]
plt.bar(x, y)
plt.xticks(x, x_ticks)
plt.xlabel('house_room')
plt.ylabel('count')
plt.title(u'深圳自如户型分布图')
delete_spines()
add_text(x, y)
户型最多的为4室1厅，其次为3室1厅，最少的为2室1厅。
户型太大，住的人太多，租客不愿意租，户型太小，自如估计赚不了多少钱，大量推出4室1厅的房源可以兼顾两方面。
1.4 区域房源分布情况
x = np.arange(len(df_sz_ziroom['house_located'].unique()))
y = df_sz_ziroom['house_located'].value_counts()
plt.bar(x, y)
x_ticks = [located for located in df_sz_ziroom['house_located'].unique()]
plt.xticks(x, x_ticks)
plt.xlabel('house_located')
plt.ylabel('count')
plt.title(u'深圳自如房源区域分布图')
delete_spines()
add_text(x, y)
罗湖区的房源最多，其次是南山区，最少的是福田区。在福田上班的话不妨去罗湖租房，房源比较多。
1.5 地铁附近房源分布图
x = np.arange(len(df_sz_ziroom['subway_info'].dropna().unique()))
y = df_sz_ziroom['subway_info'].value_counts()
plt.bar(x, y)
x_ticks = [subway for subway in df_sz_ziroom['subway_info'].dropna().unique()]
plt.xticks(x, x_ticks)
plt.xlabel('subway_info')
plt.ylabel('count')
plt.title(u'深圳地铁附近自如房源分布图')
delete_spines()
add_text(x, y)
3号线附近的房源最多，由于3号线终点和起点分别在罗湖和龙岗，在罗湖上班的话，沿着3号线租房最好，不仅房源多，而且龙岗的房租普遍比较便宜，上班地铁直达。
5号线附近房源数量排在第二位，由于5号线横跨罗湖区、南山区、宝安区，中途换乘站非常多，不论在罗湖还是南山还是宝安区，沿着5号线附近租房也是不错的选择。
1.6 小区数量分布图
x = np.arange(len(df_sz_ziroom['house_name'].value_counts().head(5).index))
y = df_sz_ziroom['house_name'].value_counts().head(5)
plt.bar(x, y)
x_ticks = [name for name in df_sz_ziroom['house_name'].value_counts().head(5).index]
plt.xticks(x, x_ticks)
plt.xlabel('house_name')
plt.ylabel('count')
plt.title(u'深圳自如房源小区分布图')
delete_spines()
add_text(x, y)
房源最多的小区为佳兆业城市广场三期，数量高达102套，其次为港铁天颂。
佳兆业城市广场三期位于华为基地附近，在华为上班去该小区租房是个不错的选择。
港铁天颂位于深圳北高铁站附近，需要经常坐高铁出差去该小区租房是个不错的选择。
2 双维度分析
2.1 面积和房租
x = df_sz_ziroom['house_price']
y = df_sz_ziroom['house_area']
fig = plt.figure()
ax1 = fig.add_subplot(1, 2, 1)
ax2 = fig.add_subplot(1, 2, 2)
ax1.scatter(x, y)
ax1.set_xlabel('house_price')
ax1.set_ylabel('house_area')
ax1.set_title(u'房租面积散点图')
ax2.scatter(sqrt(x), log10(y))
ax2.set_xlabel('sqrt_house_price')
ax2.set_ylabel('log10_house_area')
ax2.set_title(u'房租面积散点图')
plt.show()
- 图1为房子的面积和房租的关系图
- 图2为对面积和房租分别取平方根和对数的关系图
从图2中发现面积和房租并没有呈现出明显的线性关系，并不是房间面积越大，房租越贵。
2.2 区域和房租
df_located_price = df_sz_ziroom.loc[:,['house_located', 'house_price']]
df_located_price = df_located_price.groupby('house_located')['house_price']
.apply(pd.Series.reset_index, drop=True).unstack()
df_located_price.head()
xs = [x[~np.isnan(x)] for x in df_located_price.values]
plt.boxplot(xs)
x_ticks = [tick for tick in df_located_price.index]
plt.xticks(arange(1, len(xs)+1), x_ticks)
y_ticks = np.linspace(1000, 4500, 8)
plt.yticks(y_ticks)
plt.xlabel('house_located')
plt.ylabel('price')
plt.title(u'房源所在区域和房租箱线图')
plt.gca().yaxis.grid(True)
delete_spines()
plt.show()
南山区的房租贵，75%的房租高于2000元每月，其箱体也最长。南山区积聚了大量互联网企业，薪资水平在深圳相对来说也非常高。
福田区的房租紧随南山区之后，龙岗区和罗湖区的房租最低。
如果在南山区工作，去宝安租房是个不错的选择，地铁方便，房租也比南山便宜。
在福田区工作，去罗湖和龙华租房是个不错的选择，地铁方便，房租也比福田便宜很多。
2.2 地铁沿线房租情况
df_subway_price = df_sz_ziroom.loc[:,['subway_info', 'house_price']]
df_subway_price.head()
df_subway_price = df_subway_price.groupby('subway_info')['house_price']
.apply(pd.Series.reset_index, drop=True).unstack()
df_subway_price.head()
xs = [x[~np.isnan(x)] for x in df_subway_price.values]
plt.boxplot(xs)
x_ticks = [tick for tick in df_subway_price.index]
plt.xticks(arange(1, len(xs)+1), x_ticks)
plt.gca().yaxis.grid(True)
plt.xlabel('subway_info')
plt.ylabel('price')
plt.title(u'地铁沿线房租箱线图')
delete_spines()
plt.show()
2号线沿线的房租最贵，绝大部分都超过2000元每月，2号线沿线都是比较繁华的地方，房租自然比较高。1号线和11号线沿线的房租紧随2号线其后。
3号线和5号线沿线的房租比较低。
3 多维度分析
3.1 面积，房租，区域，地铁沿线
import sys
default_stdout = sys.stdout
default_stderr = sys.stderr
reload(sys)
sys.stdout = default_stdout
sys.stderr= default_stderr
sys.setdefaultencoding('utf8')
import seaborn as sns
sns.set_style("darkgrid",{"font.sans-serif":['Microsoft YaHei']})
sns.FacetGrid(df_sz_ziroom, col='house_located', col_wrap= 3,
hue='subway_info',size=3, aspect=1)
.map(plt.scatter, "house_area", "house_price")
.add_legend()
plt.show()
2号线沿线的房子最贵，主要分布在南山区和福田区，绝大多数房租均超过2000元每月。
5号线和3号线沿线的房子主要分布在罗湖区和龙岗区，且绝大多数房价低于2000元每月。5号线沿线少量的大面积房源分布子在龙华区。
7号线和9号线沿线的房子主要分布在福田区和罗湖区，且价格大多数超过2000元每月。
4号线沿线的房子绝大部分分布在龙华区，绝大部分价格比较高的分布在福田区。
1号线和11号线沿线的房子主要分布南山区和宝安区，分布在宝安区的房租相对来说比较低。
结论
- 深圳自如绝大多数房租超过1700元，且面积都不大，不过结合深圳的实际租房情况和自如的服务，这个价位还是可以考虑。
- 南山区的房租最贵，房源数量也是第二多的，南山区也聚集了大量互联网企业，对于经常加班的互联网从业者来说在公司附近租房是个不错的选择。
- 龙岗区和罗湖区的房租最低，且罗湖区房源数量最多，在罗湖上班想租的近一点可以选择罗湖，考虑便宜一点的可以去龙岗区租房。
文件结构
数据分析实战之自如房租分析
注：本文著作权归作者，由demo大师代发，拒绝转载，转载需要作者授权