Python 数据分析微专业课程--项目实战09 房价影响因素挖掘_python房价影响因素挖掘

1.项目说明

分析上海房价和房租，计算租售比；分析上海市人口密度、路网密度、餐饮价格和房价的关系。

2.项目具体要求

1、数据清洗、整合
要求：
① 将“house_rent”、“house_sell”分别读取
② 分别计算平方米建筑面积的月租金、每平方米建筑面积的房价
③ 将数据按照小区名合并

2、计算“房屋售租比”，并做初步判断
要求：
① 计算指标
② 绘制直方图、箱型图看“售租比”的一个数据分布情况

3、上海市人口密度、路网密度、餐饮价格，离市中心距离和“房屋每平米均价”是否有关系呢？
要求：
① 首先，导出整理好的数据，并qgis中绘制空间格网图，查看房屋每平米均价、房屋每平米租金及售租比数据的空间分布
② 第二，空间统计，分别按照格网对人口密度、路网密度、餐饮价格进行指标统计并标准化
③ 第三，加载上海中心点point空间数据，计算每个网格到市中心距离
④ 第四，将空间格网的“房屋每平米均价”按照距市中心的距离排序，并制作散点图，看看能否挖掘出什么信息

4、按照离市中心距离每10km，分别再次判断人口密度、路网密度、餐饮价格和“房屋每平米均价”的相关程度
要求：
① 按照空间距离分别迭代计算三指标和“房屋每平米均价”的关系
② 绘制折线图查看：随着市中心距离增加，不同指标相关系系数变化情况

3.实现思路：

1.读取数据后去除数据中的空值，然后计算每平米月租金和房价，为了后面的数据计算，由于每个小区的租金和房价差不一般都不会太大，
因此可以根据小区进行分组求租金和房价的均值，以简化计算，然后根据小区名称连接数据，并筛选出每个小区的平均租金，房价和经纬度.

2.房屋的租售比是衡量一个房价水平的重要指标，所以需要查看房屋租售比的分布情况，这里根据清洗整合后的数据绘制房屋租售比的直方图和箱型图.

3.分析上海市人口密度、路网密度、餐饮价格和房价的关系，首先需要获取相应数据，这里可以使用QGIS绘制空间网格图，计算每个网格内的人口密度，
道路密度和平均房价，然后将数据导出，在python中计算各个网格中心点离市中心的距离，再对各指标进行标准化后绘制房价与各个指标的散点图，
来查看房价与人口密度、路网密度、餐饮价格，离市中心距离的相关性，并使用pandas.corr()来计算相关系数

4.数据计算方面可以使用for循环计算每增加10KM人口密度、路网密度、餐饮价格和“房屋每平米均价”的相关系数，最后将计算结果整合成一个dataframe, 查看随距离增加相关系数的变化情况可以绘制折线图，这里可以使用bokeh来绘制。

4.实现过程：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

import warnings
warnings.filterwarnings('ignore') 
# 不发出警告

from bokeh.io import output_notebook
output_notebook()
# 导入notebook绘图模块

from bokeh.plotting import figure,show
from bokeh.models import ColumnDataSource
# 导入图表绘制、图标展示模块
# 导入ColumnDataSource模块

import os
os.chdir(r'D:\IT\python数据分析师\项目10')

#读取房源信息数据和租金信息数据
hourse_rent = pd.read_csv('house_rent.csv')
hourse_sell = pd.read_csv('house_sell.csv')
#计算每平方米租金
hourse_rent['rent_area']=hourse_rent['price']/hourse_rent['area']

#删除空值
hourse_rent.dropna(inplace=True)  
hourse_sell.dropna(inplace = True) 

rent_mean = hourse_rent.groupby('community')[['rent_area']].mean()#租金数据根据社区分组计算均值
sell_mean = hourse_sell.groupby('property_name')[['average_price']].mean()#房源数据根据小区分组计算均值

#筛选出房源小区名称及其经纬度数据
unique_data= hourse_sell[~hourse_sell['property_name'].duplicated()][['property_name','lng','lat']]

price_info = pd.merge(rent_mean,sell_mean,left_index = True,right_index=True) #根据小区名称连接房源数据和租金数据
price_info =pd.merge(price_info,unique_data,left_index =True ,right_on = 'property_name')
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