我有个小外甥，今年准备毕业，在我的极力劝说下来到了深圳工作，那第一件事就是租房子了。
深圳的房价大家也知道，最近几年涨的厉害，3万一平都买不到什么好房子，其实看到这个情况，我着实为下一代担心，月入2W的应届毕业生寥寥无几，就是进了大厂赚到了钱，面临的压力也是非常大，最后买房就变成了掏空两个家庭一辈子的事情。
今天是周五，闲来无事，我就用Python爬点深圳房价的数据，然后做出可视化分析分析吧。
来了就是深圳人哈哈哈哈
Python对于我的粉丝来说可能很简单，大家都是做IT的，面对最简单的语言不得大展身手？大家做可视化用什么工具呢？其实python也能，但是可视化太丑了，还很麻烦，所以不考虑。
Pyecharts，Echarts，Highcharts...会点程序很重要阿，一个charts就能玩出这么多花样，但是他们最多算个图表插件罢了，我还是喜欢用现成的工具，比如BI工具。说到BI，我不止一次地给你们推荐，今天就来做个实际操作。
FineBI是交互式数据可视化BI工具，可以快速地把数据转化为各种漂亮的可视化图表。
FineBI做出的驾驶舱
除此之外，FineBI这款商业分析工具还可以制作出更多漂亮的图表，协作并共享自定义仪表板和交互式报表等，文末给你们送上它的下载地址，先看分析。
一、数据获取
我们的数据来源是链接网上的信息，应该还挺全的，虽然最近它在裁员....
这就是我们需要的数据页面了
爬取各个行政区房源信息，并数据保存为DataFrame，话不多说，直接上代码：
area_dic = {'罗湖区':'luohuqu',
'福田区':'futianqu',
'南山区':'nanshanqu',
'盐田区':'yantianqu',
'宝安区':'baoanqu',
'龙岗区':'longgangqu',
'龙华区':'longhuaqu',
'坪山区':'pingshanqu'}
# 加个header以示尊敬
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.146 Safari/537.36',
'Referer': 'https://sz.lianjia.com/ershoufang/'}
# 新建一个会话
sess = requests.session()
sess.get('https://sz.lianjia.com/ershoufang/', headers=headers)
# url示例：https://sz.lianjia.com/ershoufang/luohuqu/pg2/
url = 'https://sz.lianjia.com/ershoufang/{}/pg{}/'
# 新建一个DataFrame存储信息
data = pd.DataFrame()
for key_, value_ in area_dic.items():
# 获取该行政区下房源记录数
start_url = 'https://sz.lianjia.com/ershoufang/{}/'.format(value_)
html = sess.get(start_url).text
house_num = re.findall('共找到<span> (.*?) </span>套.*二手房', html)[0].strip()
print('{}: 二手房源共计「{}」套'.format(key_, house_num))
time.sleep(1)
# 页面限制 每个行政区只能获取最多100页共计3000条房源信息
total_page = int(math.ceil(min(3000, int(house_num)) / 30.0))
for i in tqdm(range(total_page), desc=key_):
html = sess.get(url.format(value_, i+1)).text
soup = BeautifulSoup(html, 'lxml')
info_collect = soup.find_all(class_="info clear")
for info in info_collect:
info_dic = {}
# 行政区
info_dic['area'] = key_
# 房源的标题
info_dic['title'] = re_match('target="_blank">(.*?)</a><!--', str(info))
# 小区名
info_dic['community'] = re_match('xiaoqu.*?target="_blank">(.*?)</a>', str(info))
# 位置
info_dic['position'] = re_match('<a href.*?target="_blank">(.*?)</a>.*?class="address">', str(info))
# 税相关，如房本满5年
info_dic['tax'] = re_match('class="taxfree">(.*?)</span>', str(info))
# 总价
info_dic['total_price'] = float(re_match('class="totalPrice"><span>(.*?)</span>万', str(info)))
# 单价
info_dic['unit_price'] = float(re_match('data-price="(.*?)"', str(info)))
# 匹配房源标签信息，通过|切割
# 包括面积，朝向，装修等信息
icons = re.findall('class="houseIcon"></span>(.*?)</div>', str(info))[0].strip().split('|')
info_dic['hourseType'] = icons[0].strip()
info_dic['hourseSize'] = float(icons[1].replace('平米', ''))
info_dic['direction'] = icons[2].strip()
info_dic['fitment'] = icons[3].strip()
# 存入DataFrame
if data.empty:
data = pd.DataFrame(info_dic,index=[0])
else:
data = data.append(info_dic,ignore_index=True)够意思吧，直接给各位学习，就是希望大家能一起交流，喜欢的记得帮我评论666。
最后我们爬到的部分数据是这样的，链家房源的数据还是挺靠谱的：
二、数据处理
上面说FineBI，我们就来看一下为什么是它。
下载好之后，直接创建数据集，导入我们刚刚获取的房价数据：
同时，它内部自带ETL功能，直接在软件内操作就好，就算脏数据也没有关系，大大节约了我的时间。
数据处理好之后，新建仪表板，就可以直接分析了，整个过程都是在浏览器上进行的，反应很迅速。
三、深圳房价可视化分析
从取数到分析出来，我一共花了半小时左右，个人觉得速度太快了，因为实在是太方便了。
我们一共做这6个可视化分析：
- 房源面积-总价散点图
- 各行政区均价
- 均价最贵的10个地段
- 均价最贵的10个小区
- 户型分布
- 房源描述词云图
1、房源面积-总价散点图
大家可以忽略最上面那个8800万的，那可能是腾讯马总的房子....
可以看出来，深圳的房价是非常贵的，一个总价200W的房子，可能就只有几十平方，真的就是寸土寸金。
如果你从毕业开始就进入腾讯或者华为，一路升职，你或许可以靠自己的力量在这里安家。来了就是深圳人，这也可能只是一句口号罢了。
因为我也曾迷茫。
2、各行政区均价
最贵的是南山区，整体均价9.2W/平米；最便宜的是坪山区，均价3.5W/平米。
南山区拥有最多的名企，最好的医院、学校、商场。
3、均价最高的10个小区
上面的这些小区，一般人是难以承受的，但是据我了解，入住率是不低的，说明深圳还是一座充满机会的城市。
4、均价最高的10个地段
深圳湾就不说了，是重点发力的地区，无敌海景，我要是有钱，我也去买（我就是想想），比上海的黄浦江便宜一点。
5、户型分布
3室2厅的房子数量是最多的，可是别以为大，在深圳，90平方的房子也能给你变成三室两厅，所以这个数据没什么价值，你只需要知道3室2厅及以下的占比达到了75%就够了。
6、房源描述词云图
大家买房也就注意这么几个点：朝南、采光、户型、地铁、装修、几年，海景不海景的无所谓，毕竟海景房这些都有....
总结
以上就是我用FineBI给大家带来的数据分析实战，这个工具是不是很方便呢，虽然定位是企业级的数据分析平台，但是对于个人来说是不收费的，大家可以尝试一下。
房价不会因为最近的事情下降的，所以年轻人，努力吧~
有兴趣的可以评论“房价”，即可获得源代码和工具地址！