利用Python一键爬取上海二手房信息

此次项目使用Scrapy-Redis分布式爬取，请自备代理ip

仪表板显示

项目背景

我在上海工作的时候有朋友就发信息问我上海一些二手房的价格情况，作为一个二愣子我只知道上海哪个区贵，但是不知道具体是什么价格，所以我就想着爬取一下上海的二手房。

从政策上来看，自从2016年国家喊出了“ 房主不炒 ”的口号之后中国的放假就出现了明显的降温。
2019年国家为了“救市”又宣布了几条政策：

1，政府不再垄断住房供应，缓解了开发商的资金压力，新房销售价格降低，导致新房市场火热而二手房市场冷清。
2，调整公积金贷款利率，提高了二房的房贷利率，打击市场投机需求。
3，鼓励租售并举，鼓励以住房租赁为主营业务的企业买房。
4，居住证降低申请门槛新政，让落户买房更加容易。
5，农民购房有补助，帮助农民工朋友们省去一部分买房成本。

从经济上来看，2020年上半年上海人均可支配收入以 36577 元笑傲全国，同比增长3.64%。看似美丽的数值背后，隐藏着多少被平均的普通老百姓。
从社会上来看，2019 年我国人口出生率创下1949年以来的最低值，即使在2016 年开放二胎政策以来，人口出生率也没有大幅提高。
从技术上来看，中国造楼能力世界第一！“基建狂魔”岂是浪得虚名！

分析目的

1，2020年上半年上海二手房整体挂牌量及均价走势如何？
2，目前上海二手房价位、房源有何特点？
3，上海各区县的挂牌情况，找出抛压最大的区域

数据清洗

首先我们看一下爬取的数据。维度不是太多，但是有些列我们可以拆分，例如地区、所在楼层、抵押信息等。

在对数据进行清洗前我们可以使用pandas_profiling进行快速的统计分析。

import pandas_profiling
pandas_profiling.ProfileReport(data).to_file("./report/html")

根据报告内容我们可以看到本次数据总共有 37491 行，20 列，存在 7行重复，重复占比小于 0.1%，报告继续下拉可以看到每一列的统计情况。
我们需要清洗的几点：
1，把重复的去掉
2，替换空（None）值
3，将地区，房屋户型，所在楼层，抵押信息进行切分合并
4，转换数据类型
5，删除多余字符
6，由于爬取时出现的错误，对价格列进行重新赋值
7，去掉异常数据

 #如果有重复值，则保留第一个
data.drop_duplicates(keep='first', inplace=True)

# 替换None
data = data.applymap(lambda x: '暂无数据' if x == 'None' else x)

# 切分地区、房屋户型、所在楼层、抵押信息后删除原列，将拆分出的新列合并至原data
data = pd.concat([data, data['地区'].str.extract(pat='(?P<区>.*?)\s(?P<镇>.*?)\s(?P<环>.*)'),
                  data['房屋户型'].str.extract(
                      pat='(?P<室>\d+)室(?P<厅>\d+)厅(?P<厨>\d+)厨(?P<卫>\d+)卫'),
                  data['所在楼层'].str.extract(
                      pat='(?P<所处楼层>.+)\(共(?P<总层数>\d+)层\)'),
                  data['抵押信息'].map(lambda x:x.strip()).str.extract(pat='(?P<有无抵押>.{1})抵押(?P<抵押情况>.*)?')], axis=1)

data.drop(['地区', '所在楼层', '抵押信息'], axis=1, inplace=True)
data['区'] = data['区']+'区'
# 去除建筑面积后面的平米单位，并转为float
data['建筑面积'] = data['建筑面积'].map(lambda x: float(x[:-1]))

# 转换数据类型
data['价格'] = data['价格'].astype(float)

# 转换日期类型
data['挂牌时间'] = pd.to_datetime(data['挂牌时间'])

# 如果存在非时间类型的字符串则替换为NaT
data['上次交易'] = pd.to_datetime(data['上次交易'], errors="coerce")

# 存在括号几期、某区，都暂且删除
data['小区'] = data['小区'].str.replace("[\(\（].*?[\)\）]", "")

# 筛选出价格小于20的数据，我们可以发现这些房源的面积及所属区域都是比较好的，记录的数据可能有所错误
# 返回链家网站搜索这几套房源后发现，这些价格的单位都是"亿"，所以我们需要对所有数据再一次进行清洗
# 统一使用'万'作为总价的单位
data['价格'] = data['价格'].map(lambda x: x*10000 if x < 20 else x)

# 计算每平米单价
data['均价'] = round(data['价格']/data['建筑面积']*10000, 2)

从上面这些散点图我们可以看出右边有一个异常点，建筑面积4702平米，总价68万，我返回链家网查询该套房源发现在网站上他就是这么标价的。而同小区的价格如下所示。

该区域的均价都在 14000元/平米~20000元/平米，所以认为是链家网数据录入出现了问题。我们需要剔除掉该数据。

描述性分析

1，清洗好后总共剩下 37483 条数据

2，数据的统计周期是 2013-01-18 2020-07-24
3，上海目前出售的二手房面积从 13 平米 ~ 1663.1 平米不等
4，根据爬取数据来看上海最贵的二手房均价为 319960.62 元/平米，整体均价为 56466.26元/平米

均价超过 30 万元/平米的房源到底在哪里？

可以看到挂牌的四套花园洋房均价超过 30 万元/平米，挂牌时间都已经挺久的了。大家可能对兴国路不大熟悉，但是相信大家在不少拍摄背景为上海的影视剧中都见到过一幢大楼。

没错，就是武康大楼，最早称为“诺曼底公寓”，而我们更喜欢叫它“九层楼”，这已经是清除了电线后的模样，其实我小时候的印象是这样的。

电线编织如蜘蛛网，这才是老底子的上海味道。
“九层楼”所处位置是个六岔路口，大家若要打卡请注意安全不要停留在路中间。旁边的武康路也是一条很有历史底蕴的“名人路”。

热门商圈

hot_list = ['四川北路', '中山公园', '漕河泾', '徐家汇', '陆家嘴', '南京西路',
            '南京东路', '人民广场', '淮海中路', '虹桥', '北外滩', '新天地', '静安寺']

hot = data[data['镇'].isin(hot_list)].groupby(by='镇')['均价'].agg(
    ['mean', 'count']).sort_values(by='count', ascending=True)
pyc.Bar().add_xaxis(hot.index.to_list()).add_yaxis(series_name="", yaxis_data=hot['count'].tolist(), label_opts=opts.LabelOpts(is_show=False)).reversal_axis(
).set_global_opts(title_opts=opts.TitleOpts(title="热门商圈挂牌数", subtitle="崇明区缺少相应房源数据；数据截至2020年7月\n数据来源：链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook()

中山公园在售674 套，均价 72750 元/平米，算是几个地块中比较便宜的了。

户型

huxing = data['房屋户型'].where(data['房屋户型'].isin(
    ['2室1厅1厨1卫', '1室1厅1厨1卫', '2室2厅1厨1卫', '3室2厅1厨2卫', '3室1厅1厨1卫', '2室1厅1厨2卫']), other='其他', errors='ignore')

pyc.Pie(init_opts=opts.InitOpts(height='600px', width='600px')).add(series_name='房屋户型', data_pair=huxing.value_counts().items(), radius=(100, 150), rosetype="radius", label_opts=opts.LabelOpts(
    is_show=True, formatter="{b}\n{c}套\n{d}%")).set_global_opts(title_opts=opts.TitleOpts(title="上海二手房挂牌房屋户型", subtitle="崇明区缺少相应房源数据；数据截至2020年7月\n数据来源：链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook(

上海二手房挂牌的户型千奇百怪，但还是以两室户居多，一室户偏少。

二手房价位

data['房价分层'] = pd.cut(data['价格'], bins=[-np.inf, 100, 300, 500, 800, 1000, np.inf], right=True,
                      labels=['100万以内', '100-300万', '300-500万', '500-800万', '800-1000万', '1000万及以上'])

pyc.Pie(init_opts=opts.InitOpts(height='500px', width='500px')).add(series_name="房价", data_pair=data['房价分层'].value_counts().items(), radius=(100, 150), rosetype=True, label_opts=opts.LabelOpts(
    formatter="{b}\n{c}套\n{d}%")).set_global_opts(title_opts=opts.TitleOpts(title="上海房价分层", subtitle="崇明区缺少相应房源数据；数据截至2020年7月\n数据来源：链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook()

100 万以内想在上海买套房基本是不可能的了。可以往鹤岗考虑一下。同志们努把力，100-300 万有 13000 多套房源等着你！

房屋所属环线

yc.Pie(init_opts=opts.InitOpts(height='500px', width='500px')).add(series_name="环线", data_pair=data['环'].replace("", "暂无数据").value_counts().items(), radius=(100, 150), rosetype=True, label_opts=opts.LabelOpts(
    formatter="{b}\n{c}套\n{d}%")).set_global_opts(title_opts=opts.TitleOpts(title="二手房所属环线", subtitle="崇明区缺少相应房源数据；数据截至2020年7月\n数据来源：链家网 "), toolbox_opts=opts.ToolboxOpts()).render_notebook()

外环外的房源明显是最多的，很可能是外环外房价偏低，所以比较火热吧，我们继续向下看。

上海均价地图

pyc.Map(init_opts=opts.InitOpts(height='500px', width='500px')).add(maptype="上海", series_name="均价", data_pair=[list(i) for i in data[data['挂牌时间'].dt.year == 2020].groupby(by=['区'])['均价'].mean().apply(round).items()], is_map_symbol_show=False, is_selected=True, label_opts=opts.LabelOpts(
    is_show=False)).set_global_opts(tooltip_opts=opts.TooltipOpts(formatter="{b}:{c}元/平米"), visualmap_opts=opts.VisualMapOpts(max_=100000, pos_right='5%', pos_bottom='20%', is_calculable=True), title_opts=opts.TitleOpts(title="2020年上半年上海二手房均价图", subtitle="崇明区缺少相应房源数据；数据截至2020年7月\n数据来源：链家网 "), toolbox_opts=opts.ToolboxOpts(), legend_opts=opts.LegendOpts(is_show=False)).render_notebook()

看看中间那红彤彤的区域，市中心的价格远远高于市区外。

挂牌量

虽然从上图来看上海二手房挂牌量逐年递增，但是考虑到数据爬取日期为2020年7月23日，可能前些年挂牌的二手房已经出售，所以爬取不到挂牌信息。故不能由此判断今年二手房市场较往年更活跃。

今年一二月受疫情影响，上海二手房挂牌量较低，随着疫情情况缓和，从三月起上海二手房挂牌量逐渐增加。2020年上半年6月份的挂牌量是最大的。

从交叉表来看，2020年1月1日至2020年7月23日链家网上已经挂牌 24673 套二手房。其中嘉定、闵行、宝山等区的抛压较大，7月浦东的挂牌量激增。
所以验证了上面外环外抛售房源较多的现象。

均价

虽然上海房价呈现着下跌趋势，但我还是买不起。

2020年上半年上海二手房均价在55100元/平米附近波动，4月份更是跌至54150元/平米。

看看这可爱的渐变色，黄浦区这房价，一年赚的钱还不够买个厕所的。

用折线图来看看趋势，好像各区都挺平缓的，浦东新区倒是在四月份之后有所上涨，虹口区在七月也有一小波上涨。

总结

1，2020年上半年上海二手房挂牌量稳步上涨，均价在55100元/平米附近波动。
2，除了虹口区以外各区的二手房均价在第二季度都趋于缓和。
3，100万以下的房源几乎所剩无几，主要价位集中在100-300万
4，外环外的房源占比较大，是因为嘉定、闵行、宝山等区的挂牌量较高。
5，单身贵族喜欢的一室一厅房源仅剩下15.65%，连二手房房型的意思都是叫你赶紧找对象！

以上就是小编今天带来的内容 小编本身就是一名python开发工程师，我自己花了三天时间整理了一套python学习教程，从最基础的python脚本到web开发，爬虫，数据分析，数据可视化，机器学习，等，这些资料有想要的小伙伴 点击 即可领取