本项目旨在分析台湾省台北市房地产价格。我们将使用台北房产数据集进行数据清洗、整理、分析和可视化。通过对不同的解释变量的分析，我们将探究对房地产价格的影响因素，并对单位面积房价进行预测。最后，我们将根据分析结果得出结论，并对房地产市场进行评价。

读入了一个名为“台北房产数据集.xlsx”的Excel文件，并将其存储在一个名为df的Pandas数据框中。然后我们为数据框的列赋予了名称，并使用df.info()命令查看了数据框的基本信息

输出前10行数据

识别并输出数据集中所有变量的类型

df.dtypes用于获取数据框中所有列的数据类型，并以Series的形式输出。

缺失值处理，使用 df.isnull().sum() 来统计每列的缺失值。

我选择使用平均值补缺，选择使用平均值补缺的方式处理缺失值的原因是： 平均值具有代表性：平均值可以代表数据的一个中心值，是数据的平均分布情况。 平均值容易计算：平均值可以通过简单的计算方法（把所有数据相加再除以数据数量）得到。

平均值可以有效地补缺：在数据缺失较少的情况下，使用平均值补缺可以有效地保证数据分布的一致性。因此，在数据缺失较少的情况下，使用平均值补缺是一种简单有效的方法。但是，在数据缺失较多或数据分布不均匀的情况下，使用平均值补缺的效果可能不够理想。

箱线图是一种用于检测异常值的图形，它通过显示数据的分布和离群点的情况来识别异常值。在箱线图中，数据点分布在箱子内，而箱子的上限为上四分位数加上1.5倍的四分位距，下限为下四分位数减去1.5倍的四分位距，四分位数分别是25%、50%、75%的数据点。如果数据点落在箱子外，那么它们将被视为异常值。

在上面的代码中，我们使用了seaborn库中的boxplot函数，并通过设置参数x来选择要检测的列。最后，我们使用plt.show()函数显示箱线图。

上面的代码实现了将“最近公交站距离”和“单位面积房价”两列的异常值处理为该列的平均值的过程。

首先，程序通过 quantile 函数计算出每列的四分位数，然后计算出每列的四分位数范围（IQR）。在这个过程中，Q1 代表第一四分位数，Q3 代表第三四分位数。接下来，程序通过 1.5 * IQR 计算出异常值边界。异常值被定义为比第三四分位数大 1.5 倍四分位数范围的数或比第一四分位数小 1.5 倍四分位数范围的数。最后，程序通过 pandas 的 loc 函数将每列中超出异常值边界的数值替换为该列的平均值。 按照同样的方法处理附近便利店家数和房龄，其中房龄不存在异常值，附近便利店家数存在一个很大的异常值，选择使用众数来替换了。

对房龄，最近公交站距离，附近便利店家数，交易年月和单位面积房价都做了散点图。

根据散点图的分析，我们可以发现以下几点：

1.房龄与单位面积房价关系不明显。从图中可以看出，房龄与单位面积房价之间没有明显的相关性。 2.最近公交站距离与单位面积房价的关系也不明显。从图中可以看出，最近公交站距离与单位面积房价之间没有明显的相关性。 3.附近便利店家数与单位面积房价的关系明显。从图中.附近便利店家数和单位面积有可能是存在正相关的关系。 4.交易年月与单位面积房价关系不明显。从图中可以看出，交易年月与单位面积房价之间没有明显的相关性。 于是统计不同的附近便利店家数单位面积房价的平均值

附近便利店家数 count mean 0 67 26.462687 1 46 30.110638 2 24 31.412500 3 46 29.619334 4 32 37.631250 5 67 44.729851 6 37 46.951351 7 30 43.893333 8 30 44.696667 9 25 48.519148 10 10 48.430000

首先，从上面的统计结果中我们可以看出，单位面积房价与附近便利店家数之间存在一定的相关性。随着附近便利店家数的增加，单位面积房价的平均值也在增加。这说明附近便利店家数可能是影响房价的重要因素。

（1）根据数据清洗结果对数据集转化并生成新的数据集

对于删除有缺失值的行，使用了dropna()方法，参数how='any’表示当该行存在任何一个缺失值时，将该行删除。对于删除某一列，使用了drop()方法，参数columns = [“序号”] 表示删除名为"序号"的列。最后，将处理完的数据赋值给df_cleaned，生成了一个新的数据集。 （2）数据标准化

上面代码实现了对数据进行标准化的处理。首先，我们通过导入 StandardScaler 类来创建一个标准化的对象，然后使用 fit_transform 函数对 df_cleaned 进行标准化处理，最后我们将处理后的数据转换为一个数据框并命名为 df_scaled。标准化处理的目的是将数据缩放到同一尺度上，方便后续分析比较。 （3）数据集随机分割2/3用于训练，1/3用于测试

这段代码是将变换并处理后的数据集（df_scaled）随机分割成两份，其中2/3作为训练数据集，1/3作为测试数据集。 使用train_test_split函数从df_scaled中随机选取33.3%的数据作为测试数据，其余数据作为训练数据，random_state设置为0，保证每次随机分割的数据集相同。 最后，通过输出数据集的大小，确保分割是正确的。

这是一个使用statsmodels库建立的线性回归模型，通过训练数据对单位面积房价进行预测。在建立模型之前，需要对自变量进行标准化处理，并在自变量前添加常数项。最终，通过输出的回归分析结果，可以了解各个自变量对因变量的影响程度，以及模型的整体拟合情况。

此回归分析结果显示了自变量的系数（coef），标准误差（std err），t值，P值和置信区间（95%）。检验的结果为93.188，P值为5.81e-21，说明残差不是正态分布；Kurtosis的值为5.105，说明残差的峰度比正态分布的峰度大。 从上表可以看出，交易年月，房龄，最近公交站距离，附近便利店家数，纬度和经度对房价有显著的影响。交易年月对房价的影响显著，P值为0.014；房龄对房价的影响显著，P值为0.000；最近公交站距离对房价的影响显著，P值为0.000；附近便利店家数对房价的影响显著，P值为0.000；纬度对房价的影响显著，P值为0.000；经度对房价的影响显著，P值为0.000。 模型的R平方为0.687，说明解释变量对因变量的解释能力较强；调整后的R平方为0.680，说明解释变量对因变量的解释能力还不错。模型的F-statistic为98.24，P值为7.22e-65，说明模型具有显著性；Log-Likelihood为-238.70，AIC为491.4，BIC为516.7。Omnibus检验的结果为49.954，P值为0.000，说明残差不是正态分布；Durbin-Watson值为1.833，说明残差不存在自相关性； 房龄回归系数为-0.2443，说明房龄越大，单位面积房价越低；最近公交站距离回归系数为-0.3413，说明距离公交站越近，单位面积房价越高；附近便利店家数回归系数为0.2372，说明附近便利店家数越多，单位面积房价越高；纬度回归系数为0.3213，说明纬度越高，单位面积房价越高；经度回归系数为0.1619，说明经度越高，单位面积房价越高。

由上面的结果可以得知，训练集的R平方为0.6867，测试集的R平方为0.6748，说明模型对训练集和测试集都有了很好的拟合。R平方越高，说明模型拟合得越好，因此我们可以说，该回归模型对数据的拟合效果很好。

通过对台北市新店区房产价格的数据分析，我们得出了以下结论： 单位面积房价与交易年月、房龄、最近公交站距离、附近便利店家数、纬度和经度有显著的线性关系。 回归分析结果显示，交易年月、房龄、最近公交站距离、附近便利店家数、纬度和经度都对单位面积房价产生了显著的影响。 训练集和测试集的R平方值分别为0.69和0.67，说明模型对训练数据和测试数据都有较好的预测效果。 综上所述，通过本次分析我们可以得出，在台北市新店区，交易年月、房龄、最近公交站距离、附近便利店家数、纬度和经度都是影响房价的重要因素。对于房产市场投资者来说，在选择房产投资时，应该充分考虑这些因素，以便获得较高的回报。