K近邻房价评估--唐宇迪

k近邻房价预测

import pandas as pd
features=['accommodates','bedroom','bathroom','beds','price','minimum_nights','number_of_reviews']#样本特征，只取全部特征的这些列
dc_listings=pd.read_csv('listings.csv')#读取数据
dc_listings=dc_listings[features]#只取这8个特征的数据
print(dc_listings.shape)#输出（3723,8）  拿到3723条数据，每个数据有8个特征值

如果有1个房间的房子，能租多少钱？首先，得看看别人都租了多少钱。（看1个房间别人都租了多少钱）

k表示我们的候选对象的个数。也就是和我房间数量最相近的其他房子。

（找3个房间为3的K=3，找5个房间等于3的k=5,以此类推...）

假设数据源中有5个信息，现在我想针对我的房子（只有一个房间）来定一个价格。

现在选K=3,也就是选择3个跟我最近的房源。可以考虑求下平均值。

距离的定义：

如何才能知道哪些数据样本和我最接近呢？采用欧式距离。

q1-qn为一条数据的所有特征信息，p1-pn为一条数据中的所有特征信息。

假设我们的房子有3个房间。

import numpy as np
our_acc_value=3#房间数量
dc_listings['distance']=np.abs(dc_listings.accommodates-our_acc_value)#特征值为accommodates的值和3作差
dc_listings.distance.value_counts().sort_index()#求对应差值的个数

距离为0，说明房间数量同样为3的房子有461个。

由于刚刚拿到的原始数据，数据分布多多少少存在一些分布规则。需要通过sample操作对数据进行洗牌。

dc_listings=dc_listings.sample(frac=1,random_state=0)
dc_listings=dc_listings.sort_values('distance')
dc_listings.price.head()##显示前五个

dc_listings['price']=dc_listings.str.replace("\$|,",'').astype(float)
mean_price=dc_listings.price.iloc[:5].mean#求前五个房子价格的均值
mean_price #88.0

这样我们得到了平均价格，也就是房子的大致价格。

这个价格靠谱么？ 需要模型进行评估。

需要将数据集分为训练集和测试集。

#基于单变量预测价格
dc_listings.drop('distance',axis=1)#distance不要了，将其删除
train_df=dc_listings.copy().iloc[:2792]#将前2792个数据作为训练集
test_df=dc_listings.copy().iloc[2792:]#将后2792个数据作为测试集

def predict_price(new_listings_value,feature_column):
      temp_df=train_df
      temp_df['distance']=np.abs(dc_listings[feature_column]-new_listings_value)#真实值和样本中数据值的差值，算好距离
      temp_df=temp_df.sort.values('distance')#距离排序
      knn_5=temp_df.price.iloc[:5]#取前五个
      predict_price=knn_5.mean()#
      return(predict_price)
test_df['predict_price']=test_df.accommodates.apply(predict_price,features_column='accommodates')#apply对所有样本执行同样的操作，每个样本都执行了predict_price
#这样便得到样本中所有房子的价格。

test_df['squared_error']=(test_df['predict_price'])-test_df['price']**(2)
mse=test_df['squared_error'].mean()
rmse=mse**(1/2)
rmse#212.989  #得到了一个模型评估得分，

不同的变量效果会不会不同呢？

for feature in ['accommodates','bedrooms','bathrooms','number_of_reviews']:
      test_df['predicted_price']=test_df[feature].apply(predict_price,feature_colomn=feature)
      test_df['squared_error'] = (test_df['predict_price']-test_df['price'])**(2)
      mse=test_df['squared_error'].mean()
      rmse=mse**2
      print('RMSE for the {} column: {}').format(feature,rmse)#format的一个feature放进第一个{}，rmse放进第二个{}

看起来差异蛮大的，接下来综合所有信息一起进行测试。

import pandas as pd
from sklearn.preprocessing import StandardScaler
features = ["accommodates","bedrooms","bathrooms","beds","price","minimum_nights","maxmum_nights","number_of_reviews"]
dc_listings = pd.read_csv("lightings.csv")
dc_listings = dc_listings[features]
dc_listings["price"] = dc_listings.price.str.replace("\$|,","").astype(float)
dc_listings = dc_listings.dropna()#丢掉缺失值
dc_listings[features] = StandardScaler().fit_transform(dc_listings[features])#标准化
normalized_listings = dc_listings
print(dc_listings.shape)
normalized_listings.head()

norm_train_df = normalized_listings.copy().iloc[0:2792]
norm_test_df = normalized_listings.copy().iloc[2792:]

def predict_price_multivariate(new_listing_value,feature_columns):
    temp_df = norm_train_df
    temp_df["distance"] = distance.cdist(temp_df[feature_columns],[new_listing_value[feature_columns]])
    temp_df = temp_df.sort_values("distance")
    knn_5 = temp_df.price.iloc[:5]
    predicted_price = knn_5.mean()
    return(predicted_price)
cols = ["accommodates","bathrooms"]
norm_test_df["predicted_price"] = norm_test_df[cols].apply(predict_price_multivariate,feature_columns = cols,axis=1)
norm_test_df["squared_error"] = (norm_test_df["predicted_price"]-norm_test_df["price"])**(2)
mse = norm_test_df["squared_error"].mean()
rmse = mse**(1/2)
print(rmse)
####0.7894063922577537