用python-sklearn做广州房价预测——以此为例说明如何使用python做简单的数据分析_python房价数据分析及预测的毕业设计亮点是

0 数据

广州市二手房价数据

大概有500条广州市二手房价数据

python数据导入

import numpy as np
import pandas as p
#画图包导入
import matplotlib.pyplot as plt
plt.style.use(style="ggplot")
import missingno as msno
import seaborn as sn

plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体设置-黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
sns.set(font='SimHei',style="whitegrid",palette="binary")  # 解决Seaborn中文显示问题

#读取数据
train_names = ["总价（万元）",
               "均价（元/平方米）",
               "房间数",
               "大厅数",
               "所在楼层",
               "总楼层",
               "朝向",
               "房屋结构",
               "装修",
               "面积（平方米）",
               "建成时间",
               "楼龄",
               "所在区域"]
train = pd.read_csv("data_guangzhou.csv",names=train_names,encoding='gb2312')
#train = train.drop(0)
#train = train.dropna()

#直接读取的数据是文本类型，改为数字类型
train['总价（万元）'] = pd.to_numeric(train['总价（万元）']) 
train['均价（元/平方米）'] = pd.to_numeric(train['均价（元/平方米）']) 
train['面积（平方米）'] = pd.to_numeric(train['面积（平方米）']) 
train['房间数'] = pd.to_numeric(train['房间数']) 
train['大厅数'] = pd.to_numeric(train['大厅数']) 
train['总楼层'] = pd.to_numeric(train['总楼层']) 
train['楼龄'] = pd.to_numeric(train['楼龄']) 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

1 数据分析

房价分布

plt.figure(figsize = (10,5))
print("skew: ",train["总价（万元）"].skew())
sns.distplot(train["总价（万元）"],color="b")</
1
2
3