Python |
您所在的位置：网站首页 › 郑州市租房信息网 › Python |
Python
|
租房信息数据分析
1 题目：租房信息数据分析2. 导入数据3. 各行政区房源分布4. 小区房源数量TOP105. 户型TOP10分布6. 租金分布
Python——线性回归模型 数据源：在百度网盘喏，自行下载。 “data”文件夹中有一文件“house_info.csv”保存了租房信息数据，以该文件作为数据源，按以下要求进行分析： 导入数据并对数据进行预处理；分析各行政区的房源分布情况，选择合适的图表对各行政区的房源分布情况进行可视化，并总结分析结果；以小区为单位，分析各小区的房源数量，选择合适的图表对小区房源数量TOP10进行可视化，并总结分析结果；对整个租房数据的户型进行分析，统计户型TOP10，并选择合适的图表进行可视化，并总结分析结果；分析租房数据的租金分布情况，选择合适的图表进行可视化，并总结分析结果。 2. 导入数据 import pandas as pd import numpy as np detail = pd.read_csv(r".\house_info.csv", encoding="utf-8") # print(detail.head()) print("清洗前缺失值的数目:\n",detail.isnull().sum()) # 删除detail的缺失值 d1 = detail.dropna(axis=0, how="any") # 以d1 为数据源 # print(d1) print("清洗后缺失值的数目:\n",d1.isnull().sum()) # 从前向后查找和判断是否有重复值 print("重复值:",d1.duplicated().sum())
选用合适的图表，以行政区为单位，对比分析各行政区房源数量分布情况，并对可视化结果进行简单的总结。 area = set(d1["位置1"]) # 统计多少个行政区 print(area) # 创建一个DataFrame 对象，筛选需要数据｛行政区，房源数量｝ d2 = pd.DataFrame({'行政区':d1["位置1"].unique(),'房源数量':[0]*len(area)}) print(d2) print('-'*20) # groupby统计房源数量，并从小到大排序 groupby_area = d1.groupby(by="位置1").count() print(groupby_area) d2["房源数量"] = groupby_area.values d2 = d2.sort_values(by=["房源数量"],ascending=True) print(d2)
选用合适的图表，以居住小区为单位，对比分析各小区房源数量分布情况，并对TOP10进行可视化，对分析结果进行简单的总结。 area_small = set(d1["小区"]) # 统计多少个小区 # print(area_small) # 创建一个DataFrame 对象，筛选需要数据｛小区，小区房源数量｝ d_samll = pd.DataFrame({"小区":d1["小区"].unique(),"小区房源数量":[0]*len(area_small) }) print(d_samll) print('-'*40) # groupby统计小区房源数量，并从大到小排序 groupby_area = d1.groupby(by="小区").count() # print(groupby_area) d_samll["小区房源数量"] = groupby_area.values d_samll = d_samll.sort_values(by=["小区房源数量"],ascending=False) print(d_samll) d_top10 = d_samll.head(10) # 取前十 print("小区房源数量TOP10是：\n",d_top10)
选用合适的图表，分析户型分布情况，并对TOP10进行可视化，对分析结果进行简单的总结。 house_type = set(d1["户型"]) # 统计多少个户型 print(house_type) # 创建一个DataFrame 对象，筛选需要数据｛户型，户型数量｝ d_house = pd.DataFrame({"户型":d1["户型"].unique(),"户型数量":[0]*len(house_type) }) print(d_house) print('-'*40) # groupby统计户型数量，并从大到小排序 groupby_area = d1.groupby(by="户型").count() print(groupby_area) d_house["户型数量"] = groupby_area.values d_house = d_house.sort_values(by=["户型数量"],ascending=False) print(d_house) d_top10 = d_house.head(10) # 取前十 print("户型数量TOP10是：\n",d_top10)
选用合适的图表，分析租金的分布情况，对分析结果进行简单的总结。 house_rent = set(d1["价格"]) # 统计多少个价格 # print(house_rent) # 创建一个DataFrame 对象，筛选需要数据｛价格，价格数量｝ d_rent = pd.DataFrame({"租金":d1["价格"].unique(),"价格数量":[0]*len(house_rent) }) print(d_rent) print('-'*40) # groupby统计价格数量，并从大到小排序 groupby_area = d1.groupby(by="价格").count() print(groupby_area) d_rent["价格数量"] = groupby_area.values d_rent = d_rent.sort_values(by=["价格数量"],ascending=False) print(d_rent) d_top10 = d_rent.head(10) # 取前十 print("价格数量TOP10是：\n",d_top10)
|
链接：https://pan.baidu.com/s/1bJbwmBza9KAmWMmXi4se7A 提取码：ru68
从数据可以看出：从行政区的福田区到龙岗区，房源的数量是逐渐增加的。
从图可知，小区的房源数量从 丰湖花园到 名仕阁逐渐递减，而且丰湖花园小区房源是其他小区的两倍左右，丰湖花园的房源很多，在该竞争领域很大优势。
从图可知，众多户型中 5室1卫户型数量远远超过其他户型，可以看出这个户型是很多购买者喜欢的。
从折线图可以看出，罗湖区与南山区 房源数量比较多，但是租金价格平均是高的，龙岗区的房源数量多而且租金相比其他行政区是价廉的，适合毕业生、求职者去租房。【本文地址】