房价预测 Task2-4

房价预测 Task2-4

Task 1 的文章：点这里

Task 2

计算每个agent的平均Y_area

pandas提供了.mean()函数，求解行/列的均值。所以我们需要构造符合要求的数据帧。

df_2= df[['AgentId', 'Y house price of unit area']]
mean = []   # （1）
for i in range(6):
    mean.append(df_2[df_2['AgentId'] == i]['Y house price of unit area'].mean())    # （2）

（1）这里要先定义一个空的list。定义方法有两种：mean = []或mean = list()

（2）使用了“Task 1”最后说到的分割。这种分割方法真的很高效，推荐使用。

这里往列表里添加元素，使用了list.append()的方法。你可能会想，mean[i]=...的方式可以吗？

这是不可以的。会有一个list out of range的错。

当然最后也要求了降序排列，方法和以前也是一致的。

Task 3

计算（1）每年；（2）每个agency每年 的平均Y_area。这是两问。

第（1）问需要对年进行筛选；如果在'Task 1'做了agency的表格，那么这一个任务的第（2）问就会很简单。

总而言之，思路就是裁剪数据表，使用内置.mean()函数计算均值。

计算每个agency每年的均值

df_3 = df[['AgentId','X1 transaction date','Y house price of unit area']]

# seperate each Agency
df_3_a0 = df_3[(df_3['AgentId']==0)]
df_3_a1 = df_3[(df_3['AgentId']==2) | (df_3['AgentId']==3) | (df_3['AgentId']==5)]  # （1）
df_3_a2 = df_3[(df_3['AgentId']==1) | (df_3['AgentId']==4)]

# calculate mean result
mean_a0_2012=round(df_3_a0[df_3_a0['X1 transaction date']<2013]['Y house price of unit area'].mean(),1) # （2）
mean_a0_2013=round(df_3_a0[df_3_a0['X1 transaction date']>=2013]['Y house price of unit area'].mean(),1)

mean_a1_2012=round(df_3_a1[df_3_a1['X1 transaction date']<2013]['Y house price of unit area'].mean(),1)
mean_a1_2013=round(df_3_a1[df_3_a1['X1 transaction date']>=2013]['Y house price of unit area'].mean(),1)

mean_a2_2012=round(df_3_a2[df_3_a2['X1 transaction date']<2013]['Y house price of unit area'].mean(),1)
mean_a2_2013=round(df_3_a2[df_3_a2['X1 transaction date']>=2013]['Y house price of unit area'].mean(),1)

（1）裁剪数据表时，如果遇到多个条件的书写格式是什么？

首先，每个条件都要用()，不能省略；其次，在pandas中，使用and和or会报错，必须替换成| &。

（2）这里使用.mean()来计算均值，使用round(x, 1)进行保留一位小数的四舍五入。

计算每年的均值

算法和上面是一致的。

# Year mean
mean_2012=round(df_3[df_3['X1 transaction date']<2013]['Y house price of unit area'].mean(), 1)
mean_2013=round(df_3[df_3['X1 transaction date']>=2013]['Y house price of unit area'].mean(), 1)

Task 4

做出'Task 3'的图形。我们做出柱状图。

res_3.plot(kind='bar', alpha=0.7)