用python对2019年二手房价格进行数据分析
本文为读者投稿，作者：董汇标MINUS 知乎：https://zhuanlan.zhihu.com/p/97243470
最近和朋友聊到买房问题，所以对某二手房价格信息进行了爬取，爬虫见本公众号另一篇文章。
本篇文章利用爬到数据的进行数据分析。
在这篇文章中，用到pandas、seaborn、Matplotlib等工具，分析工具用到提琴图、箱型图、散点图等。
描述性分析
首先导入各种需要的库方便后续一切操作，并读取数据表，直接描述一下看看情况
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
# 这部分是超参数提前设置sns.set(style='darkgrid')
plt.rcParams['font.family']='Arial Unicode MS'
plt.rcParams['axes.unicode_minus']=False
warnings.filterwarnings('ignore')
data =pd.read_csv('链家新房100个.csv')
data.describe()
最贵和最便宜
从上面输出表格可以看到初步结论如下：
这些二手房最小面积9.6平米，最大718平米，最便宜的56万，最贵的5200万。面积大概集中在59-102平，价格大概集中在325-630万，初步信息看完了有个印象，下边进行详细分析。
首先我对这个9.6平的房子很感兴趣，提取出来看看，但是运行下边代码看到，CBD核心区，别墅，9.64平，56W，估计是从厕所拆出来卖的。。
作罢。跳过他继续分析
data.min()
而最贵的呢在鼓楼大街（二环边上）联排别墅，售价5200万。emmm
data.max()
价格分布&面积分布粗看
现在我想直观的看一下售价分布，从下图可以看到，售价主要集中在1000万之内
sns.distplot(data['钱'].dropna())
同样的思路看一下面积，可以看到这些二手房源面积主要集中在100平米左右
sns.distplot(data['面积'].dropna())
此处其实也可以两张图一块看，代码如下：（都有点右偏）
fig, ax =plt.subplots(1,2) #2个子区域
sns.distplot(data['钱'],ax=ax[0])
sns.distplot(data['面积'],ax=ax[1])
plt.show()
售价精看
对售价做一个箱型图看看，很明显的1000万那条横线以上的点儿，都是合理数据外的数据。
sns.boxplot(data=data['钱'])
那么合理的数据分别是什么呢？可以参考以下代码
mean, std = data['钱'].mean() , data['钱'].std()
# 得到上下限
lower , upper =mean -3*std , mean+3*std
print('均值',mean)
print('标准差',std)
print('下限',lower)
print('上限',upper)打印结果可以看到的是标准差集中在358万，合理上限是1613万。对现实的指导就是：如果有358万，买一套房子就够了，1613万以上的房买起来就是坑爹了。
均值 538.44 标准差 358.47 下限 -536.9763753150206 上限 1613.8755022458467
价格最低的20套
通过这段代码可以看一下这些房子分布在哪里。
结论见代码下截图，如果你对北京熟悉，可以看到，这些房子主要分布在5环外，部分在顺义、昌平、门头沟等地。
t=data[['小区','地区','钱']].sort_values('钱')
display(t.iloc[:20])
面积精看
同样的方式，可以把”钱"列换为“面积”列看一下，面积均值89平，标准差50平，合理上限240平
均值 89.8874210879787 标准差 50.36697951495447 下限 -61.21351745688473 上限 240.9883596328421
面积最小的部分信息如下
朝向和装修程度
通过对户型方向进行分组展示可以看到在北京，主要还是南北向的，东西朝向的低很多
posit=data['方向'].value_counts()[:10]
display(posit)
装修程度有四类：精装、简装、毛坯、其他。
建筑形式有：板楼、塔楼、板楼塔楼结合、别墅等，
这两个维度与价格有啥关系呢？
来分析分析，做三个图先：
图一：装修状态和价格关系
图二：装修状态&建筑形式与售价关系
图三：建筑形式连同装修状态与价格关系
图四：建筑形式箱型图
通过对装修状态做价格分布图可以看到，精装修的集中在400±100万左右，简装稍微便宜一丢丢，毛坯房二手很少，其他形式的很多，价格集中在300-500万左右
对装修状态进行楼房形式的拆解后做箱型图如上，得到结论是板楼、塔楼、板楼塔楼结合是最多的，不论是精装简装还是其他信息不明的装修状态的。
对建筑形式连同装修状态和价格关系可以看到，不论什么类型的建筑形式，都存在精装修、简装修、毛坯。板楼价格横跨100万-1000万之间，集中在300-600万之间，板楼塔楼结合的价格集中在350万-700万之间，塔楼集中在380-700万之间。
初步结论，如果能搞到300万以上，精装修的板楼或塔楼随便选。
但若没这么多钱，也可以有50-300万之间的选择，只是选项少一些，但并不是没有选择。
在这个初步结论基础上提问：我有xxx万，那么我能买到多少平的房子呢？
价格面积分析
先将面积分组，分组函数如下
def value_to_level(area):
if area >= 0 and area <=40:
return '40内'
elif area >= 41 and area <=60:
return '41-60'
elif area >= 61 and area <=80:
return '61-80'
elif area >= 81 and area <=130:
return '81-110'
elif area >= 81 and area <=130:
return '111-130'
elif area >= 131 and area <=180:
return '131-180'
elif area >= 181 and area <=250:
return '181-250'
else :
return '250以上'
level= data['面积'].apply(value_to_level)
display(level.value_counts())
sns.countplot(x=level , order=['40内','41-60','61-80','81-110','111-130','131-180','181-250','250以上'])分组后作图如下：
面积主要集中在40-110平之间。
做一张散点图，表明价格、面积的分布，限定横坐标50-500万之间，纵坐标40-120平之间
sns.scatterplot(data['钱'], data['面积'])
plt.xlim(50,500)
plt.ylim(40,120)
plt.show()