#第23篇分享：一个北京二手房价格数据挖掘实例（python语言：sklearn随机森林）

#本次是做一个北京二手房的数据挖掘案例，主要是汇总一下学过的知识，并且通过实例加深一下印象，话不多说，开干：
目的：预测二手房的价格；
工具：语言python；爬虫模块scrapy，数据清洗：xpath；数据分析：pandas，matplotlib，numpy三剑客；数据预测：sklearn；
操作流程：先爬取数据，然后清洗数据及分析数据，最后选择合适的机器学习算法进行房价预测。

1.数据爬取（爬虫模块scrapy，数据清洗：xpath）：
a.首先介绍一下爬取信息的思路：
①.找到二手房的网站，查看一下网站的结构，及url的变化规律：
我们的网站第一页一般不会有后面这个/pg2/，所以我们先要看下第二页的网址，这就是全部的网址，我们可以试着把2改为1验证一下，回车后不出意外就会回到第一页，我们就知道了翻页只需要改变/pg1/…/pgn/即可，所以后面我们的工作就是思考如何把第一页信息爬取出来，循环一下就会得到全部的信息，思路就是这样。

可以看见全部页数100页，当前位置第二页：

②.接着我们需要把当前页面的房价信息爬取出来：
思路：我们做过网页爬虫就会知道，我们没必要爬取当前页面的信息，因为每条信息都会有个url，进入之后我们会有更清楚的房源详细信息，进入后继续爬取url获取的响应信息不迟：


从下面的图可以看出，我们的url找对了，并且我们需要的信息都在页面中，就看我们有没有本事拿到了：


③.每个页面的url获得了，那就爬取详细信息吧，还是那句话，想爬取得先找到：
所有的爬虫是都是一样的，进入开发者界面，找到自己的信息，然后想办法筛选出来：

b.上代码（scrapy，框架学会后还真的挺好用的）：
①.代码结构（创建运行找下我之前的scrapy介绍的博客，时间长了我也忘，也是经常得回去瞅一瞅，不丢人）：

②.settings.py（没有反扒，所以只需要把几条代码解开就行了，自行对比一下）:

# -*- coding: utf-8 -*-

# Scrapy settings for lianjia_beijing project
#
# For simplicity, this file contains only settings considered important or
# commonly used. You can find more settings consulting the documentation:
#
#     https://docs.scrapy.org/en/latest/topics/settings.html
#     https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#     https://docs.scrapy.org/en/latest/topics/spider-middleware.html

BOT_NAME = 'lianjia_beijing'

SPIDER_MODULES = ['lianjia_beijing.spiders']
NEWSPIDER_MODULE = 'lianjia_beijing.spiders'


# Crawl responsibly by identifying yourself (and your website) on the user-agent
#USER_AGENT = 'lianjia_beijing (+http://www.yourdomain.com)'

# Obey robots.txt rules
ROBOTSTXT_OBEY = False

# Configure maximum concurrent requests performed by Scrapy (default: 16)
#CONCURRENT_REQUESTS = 32

# Configure a delay for requests for the same website (default: 0)
# See https://docs.scrapy.org/en/latest/topics/settings.html#download-delay
# See also autothrottle settings and docs
#DOWNLOAD_DELAY = 3
# The download delay setting will honor only one of:
#CONCURRENT_REQUESTS_PER_DOMAIN = 16
#CONCURRENT_REQUESTS_PER_IP = 16

# Disable cookies (enabled by default)
#COOKIES_ENABLED = False

# Disable Telnet Console (enabled by default)
#TELNETCONSOLE_ENABLED = False

# Override the default request headers:
#DEFAULT_REQUEST_HEADERS = {
#   'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
#   'Accept-Language': 'en',
#}

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
#SPIDER_MIDDLEWARES = {
#    'lianjia_beijing.middlewares.LianjiaBeijingSpiderMiddleware': 543,
#}

# Enable or disable downloader middlewares
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
#    'lianjia_beijing.middlewares.LianjiaBeijingDownloaderMiddleware': 543,
#}

# Enable or disable extensions
# See https://docs.scrapy.org/en/latest/topics/extensions.html
#EXTENSIONS = {
#    'scrapy.extensions.telnet.TelnetConsole': None,
#}

# Configure item pipelines
# See https://docs.scrapy.org/en/latest/topics/item-pipeline.html
ITEM_PIPELINES = {
   'lianjia_beijing.pipelines.LianjiaBeijingPipeline': 300,
}

# Enable and configure the AutoThrottle extension (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/autothrottle.html
#AUTOTHROTTLE_ENABLED = True
# The initial download delay
#AUTOTHROTTLE_START_DELAY = 5
# The maximum download delay to be set in case of high latencies
#AUTOTHROTTLE_MAX_DELAY = 60
# The average number of requests Scrapy should be sending in parallel to
# each remote server
#AUTOTHROTTLE_TARGET_CONCURRENCY = 1.0
# Enable showing throttling stats for every response received:
#AUTOTHROTTLE_DEBUG = False

# Enable and configure HTTP caching (disabled by default)
# See https://docs.scrapy.org/en/latest/topics/downloader-middleware.html#httpcache-middleware-settings
#HTTPCACHE_ENABLED = True
#HTTPCACHE_EXPIRATION_SECS = 0
#HTTPCACHE_DIR = 'httpcache'
#HTTPCACHE_IGNORE_HTTP_CODES = []
#HTTPCACHE_STORAGE = 'scrapy.extensions.httpcache.FilesystemCacheStorage'

③.items.py（这里就是把需要爬取的信息列出来，格式都一样）：

# -*- coding: utf-8 -*-

# Define here the models for your scraped items
#
# See documentation in:
# https://docs.scrapy.org/en/latest/topics/items.html

import scrapy


class LianjiaBeijingItem(scrapy.Item):
    # define the fields for your item here like:
    # name = scrapy.Field()
    '''
    url:ershoufang_url;位置：location；尺寸：size；户型：house_type；楼层：floor；价格：price；朝向：orientation；年限：year；
    电梯：elevator；装修：fitment；优势：advantage；
    抵押信息：Mortgage_information；交易权属：Trading_ownership；房屋用途：usage_of_the_house；产权所属：Property_rights_belong_to；
    电话联系：telephone_connection；
    '''
    ####################################
    ershoufang_url = scrapy.Field()
    location_1 = scrapy.Field()
    location_2 = scrapy.Field()
    size = scrapy.Field()
    house_type = scrapy.Field()
    floor = scrapy.Field()
    price = scrapy.Field()
    orientation = scrapy.Field()
    elevator = scrapy.Field()
    year = scrapy.Field()
    fitment = scrapy.Field()
    advantage = scrapy.Field()
    ###################################
    Mortgage_information = scrapy.Field()
    Trading_ownership = scrapy.Field()
    usage_of_the_house = scrapy.Field()
    Property_rights_belong_to = scrapy.Field()
    ######################################
    telephone_connection = scrapy.Field()

④.beijing_ershoufang.py（这个就是爬虫的主程序，爬取的代码写在这里面，代码不难，该注释的也都做了，不明的的函数可以百度一下用法，不要看长就害怕，都是一个套路）：

# -*- coding: utf-8 -*-
import scrapy
from  ..items import LianjiaBeijingItem

class BeijingErshoufangSpider(scrapy.Spider):
    number = 1
    name = 'beijing_ershoufang'
    allowed_domains = ['bj.lianjia.com']
    url = 'https://bj.lianjia.com/ershoufang/pg'
    start_urls = [url + str(number)]

    def parse(self, response):
        #第一页的每个房源信息的url爬取：
        ershoufang_urls = response.xpath('//a[@class="title"]/@href').extract()
        # print(ershoufang_urls)
        print(len(ershoufang_urls))
        # 发送每个帖子的请求，使用parse_item方法进行处理
        for ershoufang_url in ershoufang_urls:
            yield scrapy.Request(ershoufang_url, callback=self.parse_item, dont_filter=True)

     #设置自动翻页
        if self.number <= 100:
            self.number += 1
            # 重新发送新页面
            yield scrapy.Request(self.url+str(self.number),callback=self.parse)

    #爬取北京二手房信息
    def parse_item(self , response):
        # ===========================主要参数-数据传入item：
        item = LianjiaBeijingItem()
        #北京二手房的链接：url
        item["ershoufang_url"] = response.url
        #北京二手房位置：
        item["location_1"] = response.xpath('//span[@class="info"]//a/text()').extract()[0]    #在哪个区
        a = response.xpath('//span[@class="info"]//a/text()').extract()[1]                     #在区的哪个位置
        b = response.xpath('//span[@class="info"]/text()')[1].extract()[1:]                    #处于几环
        item["location_2"]  = a+":"+ b
        #北京二手房尺寸：
        item["size"] = response.xpath('//div[@class="base"]//div[@class="content"]//ul//li/text()').extract()[2]
        #北京二手房房型：
        item["house_type"] = response.xpath('//div[@class="base"]//div[@class="content"]//ul//li/text()').extract()[0]
        # 北京二手房楼层：
        item["floor"] = response.xpath('//div[@class="base"]//div[@class="content"]//ul//li/text()').extract()[1]
        # 北京二手房价格：
        price_1= response.xpath('//div[@class="unitPrice"]//span[@class="unitPriceValue"]/text()').extract()[0]
        price_2 = response.xpath('//div[@class="unitPrice"]//span[@class="unitPriceValue"]//i/text()').extract()[0]
        item["price"] = price_1+price_2
        # 北京二手房朝向：
        item["orientation"] = response.xpath('//div[@class="base"]//div[@class="content"]//ul//li/text()').extract()[6].strip() #去除字符串里空格
        # 北京二手房电梯有无：
        item["elevator"] = response.xpath('//div[@class="base"]//div[@class="content"]//ul//li/text()').extract()[11]
        # 北京二手房年限：
        item["year"] = response.xpath('//div[@class="transaction"]//div[@class="content"]//ul//li//span/text()').extract()[9]
        # 北京二手房装修情况：
        item["fitment"] = response.xpath('//div[@class="base"]//div[@class="content"]//ul//li/text()').extract()[8]
        # 北京二手房优势：
        item["advantage"] = response.xpath('//div[@class="baseattribute clear"]//div[@class="content"]/text()').extract()[0].strip() #去除字符串里面空格

        #===========================参考方面：
        # 北京二手房抵押信息：
        item["Mortgage_information"] = response.xpath('//div[@class="transaction"]//div[@class="content"]//ul//li//span/text()').extract()[13].strip() #去除字符串里面空格
        # 北京二手房交易权属：
        item["Trading_ownership"] = response.xpath('//div[@class="transaction"]//div[@class="content"]//ul//li//span/text()').extract()[3]
        # 北京二手房房屋用途：
        item["usage_of_the_house"] = response.xpath('//div[@class="transaction"]//div[@class="content"]//ul//li//span/text()').extract()[7]
        # 北京二手房产权所属：
        item["Property_rights_belong_to"] = response.xpath('//div[@class="transaction"]//div[@class="content"]//ul//li//span/text()').extract()[11]

        #==========================联系方式=
        name = response.xpath('//div[@class="brokerInfoText"]//div[@class="brokerName"]/a/text()').extract()[0]
        phone_number1 = response.xpath('//div[@class="brokerInfoText"]//div[@class="phone"]/text()').extract()[0]
        phone_number2 = response.xpath('//div[@class="brokerInfoText"]//div[@class="phone"]/text()').extract()[1]
        item["telephone_connection"] =name+":"+str(phone_number1)+"转"+str(phone_number2)
        yield item

⑤.pipelines.py（这里面我们用来保存数据，这里面我用了两种方法，程序调试过程我喜欢保存txt文件，删除方便，程序调试ok我喜欢放在数据库中，感觉高大上，而且后面用数据的时候可以导出各种格式，顺便练练技术）：

# -*- coding: utf-8 -*-

# Define your item pipelines here
#
# Don't forget to add your pipeline to the ITEM_PIPELINES setting
# See: https://docs.scrapy.org/en/latest/topics/item-pipeline.html
import pymysql

class LianjiaBeijingPipeline(object):
    def __init__(self):  # 定义需要初始化的参数（可省略）
        # 1.创建数据库链接，给cursor添加一个参数，让其的到数据是一个字典
        self.db = pymysql.connect(host='localhost',port=3306,user='root',password='f199506',db='scrapy_mysql',charset='utf8')
        self.cursor = self.db.cursor(cursor=pymysql.cursors.DictCursor)

        # 2.打开并创建txt文件用于测试
        # self.file = open("url.txt", "a", encoding="utf-8")

    def process_item(self, item, spider):
        # 1.保存数据到数据库：
        # a.创建表格
        # self.sql = 'create table beijing_ershoufang (id int auto_increment key ,ershoufang_url varchar(100), ' \
        #            'location_1 varchar(50),location_2 varchar(50),size varchar(50),' \
        #            'house_type varchar(60),floor varchar(50),price varchar(30),' \
        #            'orientation varchar(20),elevator varchar(10),year varchar(30),' \
        #            'fitment varchar(10),advantage varchar(150),Mortgage_information varchar(100),Trading_ownership varchar(30),' \
        #            'usage_of_the_house varchar(20),Property_rights_belong_to varchar(30),telephone_connection varchar(100))'
        #
        # self.cursor.execute(self.sql)  # 执行mysql语句
        # self.db.commit()  # 提交事务

        # b.插入数据
        self.sql = 'INSERT INTO beijing_ershoufang(ershoufang_url,location_1,location_2,size,house_type,floor,price,orientation,' \
                   'elevator,year,fitment,advantage,Mortgage_information,Trading_ownership,usage_of_the_house,' \
                   'Property_rights_belong_to,telephone_connection) VALUES("%s","%s","%s","%s","%s","%s","%s","%s","%s","%s",' \
                   '"%s","%s","%s","%s","%s","%s","%s")'
        self.cursor.execute(self.sql % (item["ershoufang_url"], item["location_1"], item["location_2"], item["size"],
                                        item["house_type"],item["floor"],item["price"],item["orientation"],
                                        item["elevator"],item["year"],item["fitment"],item["advantage"],
                                        item["Mortgage_information"],item["Trading_ownership"],item["usage_of_the_house"],
                                        item["Property_rights_belong_to"], item["telephone_connection"]))  # 执行mysql语句
        self.db.commit()  # 提交事务

        # c.删除数据
        #truncate table beijing_ershoufang  可以让id从初始值开始
        # self.sql = 'truncate table beijing_ershoufang'
        # # self.sql = 'DELETE FROM beijing_ershoufang'
        # self.cursor.execute(self.sql)  # 执行mysql语句
        # self.db.commit()  # 提交事务

        # 查询数据:
        # self.sql = 'select *from beijing_ershoufang'
        # self.a = self.cursor.execute(self.sql)  # 执行mysql语句
        # print(self.a)
        # self.db.commit()  # 提交事务

        # 2.保存数据到本地文件
        # content = str(item) + '\n'
        # self.file.write(content)  # 写入数据到本地
        # return item

# 当爬取结束时候执行的方法（可省略）
    def close_spider(self, spider):
        # 1.关闭数据库链接
        self.cursor.close()
        self.db.close()
        # 2.关闭文件保存数据
        # self.file.close()

c.查看一下数据格式（证明一下我真的是运行成功了）：


以下是爬取信息的一条数据，当时的思路是尽量爬取多的数据，我们可以根据条件进行筛选，其中加入了链接，可以去查看一下自己心仪房子的具体信息，如果只是自己看一下市场趋势我觉得到这里可以了，如果想更深入了解，我们继续：

【“2” “https://bj.lianjia.com/ershoufang/101101937975.html” “丰台” “七里庄:三至四环” “145.42㎡” “3室2厅1厨2卫” “顶层 (共24层)” “48137元/平米” “东南” “有” “满五年” “简装” “商品房，高楼层，视野开阔，无遮挡” “有抵押 500万元” “私产” “普通住宅” “非共有” "刘淼:4008896832转56019 "】

2.数据分析（pandas，matplotlib，numpy）：
a.首先我们pandas把数据整理一下，为的是更好的进行数据的可视化及机器学习进行价格预测：
①.导入刚刚爬取的数据，第一步肯定是筛选数据，把我们认为需要可视化或者认为重要的数据筛选出来：

#conding=gb2312
import pandas as pd
import numpy as np
from matplotlib import pyplot as plt

#设置显示窗口数据显示别全是...
pd.set_option('display.max_rows', 500)
pd.set_option('display.max_columns', 100)
pd.set_option('display.width', 1000)

#1.读取本地CSV数据：
df = pd.read_csv(r"D:\SKYbox\天甜费的世界\4.梦想\1.python学习\6.数据分析实战项目\beijing_ershoufang.csv")
# print(df.info()) #看着没有缺失数据

#2.数据处理----把需要的数据拿出来，不重要的先不看：
df = df.loc[:,["id","location_1","location_2","size","house_type","floor","price","orientation","elevator","year","fitment","ershoufang_url"]]
print(df)

②.数据转换主要有以下几个方面
对size[57.26㎡]及price[ 50647元/平米]： 有单位的列去除单位，并转换为数值类型，方便可视化，机器计算也不会考虑你的这个单位；
对location_2[后沙峪:五至六环]： 进行分割，地点及环数分开才会容易识别；
对floor[ 中楼层 (共11层)]： 字符串里面包含数字的，把数字提取出来，方便可视化；
对house_type[1室1厅1厨1卫]： 特征进行分割，分割后更容易进行区分，数据可视化及机器学习也更方便；

#3.把数据单位去掉，转换为数字类型，方便后续观察：
df.loc[:,"size"] = df["size"].str.replace("㎡","").astype("float")
df.loc[:,"price"] = df["price"].str.replace("元/平米","").astype("float")

#4.把一个特征值分割成多个特征值，并且加入到dataframe里面：
df.loc[:,"location_11"] = df["location_2"].str.split(':',expand=True)[0]
df.loc[:,"location_12"] = df["location_2"].str.split(':',expand=True)[1]

df = df.loc[:,["id","location_1","location_11","location_12","size","house_type","floor","price","orientation","elevator","year","fitment","ershoufang_url"]]

#5.获取字符串里面的数字：
#a.这个之前不好用，expand=False加入可以了：
#pat : 字符串或正则表达式,flags : 整型,expand : 布尔型,是否返回数据框
#如果提取的规则结果有多组，则会返回数据框，不匹配的返回NaN
df.loc[:,"floor"] = df.loc[:,"floor"].str.extract('(\d+)',expand=False) 

#6.提取“室”和“厅”创建新特征
df.loc[:,'house_type_1'] = df['house_type'].str.extract('(^\d).*', expand=False).astype('int64')
df.loc[:,'house_type_2'] = df['house_type'].str.extract('^\d.*?(\d).*', expand=False).astype('int64')

df = df.loc[:,["id","location_1","location_11","size","house_type_1","house_type_2","floor","year","price"]]

print(df)

#保存数据：
result = df.loc[:,["id","location_1","location_11","size","house_type_1","house_type_2","floor","year","price"]]
result.to_excel("./ershoufang_sk.xlsx", index=False)
print(result)

b.然后用matplotlib进行数据可视化，直观的感受一下特征-标签之间的关系（我是直接在pandas处理后可视化的，如果你想分开，那就保存一下数据，然后再导入）：
①.首先想看一下价格和区域的关系，以及每个地区的样本分布，以及查看一下尺寸，楼层，年限，房型的分布情况：

从散点图中可以看出，西城，东城，海淀，朝阳价格相对会高一点，所以房价肯定和区域有关；但是后面的细分区域太多了，散点图看着比较乱，但是可以看出40000-80000之间房价很多，可以做个参考，后面尺寸，楼层，年限，房型等我们可以了解一下样本基本的分布。

#接上面的数据处理程序：

#7
#①.设置中文字体能够显示：
import matplotlib
from matplotlib import pyplot as plt

#①.设置中文字体能够显示：
font = {"family":"MicroSoft YaHei","weight":"bold","size":8}
matplotlib.rc("font",**font)

#②.价格区域散点图：
plt.figure(1)
ax1 = plt.subplot(121) #subplot [1,2,1],表示在本区域里显示1行2列个图像，最后的1表示本图像显示在第一个位置
plt.scatter(df["location_1"],df["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度

plt.xlabel("区域")
plt.ylabel("二手房每个区域-价格")
plt.title("查看每个区域的二手房价格分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

ax2 = plt.subplot(122) #subplot [1,2,1],表示在本区域里显示1行2列个图像，最后的1表示本图像显示在第一个位置
plt.scatter(df["location_11"],df["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度

plt.xlabel("区域")
plt.ylabel("二手房每个区域-价格")
plt.title("查看每个区域的二手房价格分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

plt.figure(2)
ax3 = plt.subplot(121) #subplot [1,2,1],表示在本区域里显示1行2列个图像，最后的1表示本图像显示在第一个位置
plt.scatter(df["size"],df["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度

plt.xlabel("尺寸")
plt.ylabel("二手房尺寸-价格")
plt.title("查看每个尺寸的二手房价格分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

ax4 = plt.subplot(122) #subplot [1,2,1],表示在本区域里显示1行2列个图像，最后的1表示本图像显示在第一个位置
plt.scatter(df["house_type_1"],df["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度

plt.xlabel("房型")
plt.ylabel("二手房每个房型-价格")
plt.title("查看每个房型的二手房价格分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

plt.figure(3)
ax5 = plt.subplot(121) #subplot [1,2,1],表示在本区域里显示1行2列个图像，最后的1表示本图像显示在第一个位置
plt.scatter(df["floor"],df["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度
plt.xlabel("楼层")
plt.ylabel("二手房楼层-价格")
plt.title("查看不同楼层的二手房价格分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

ax6 = plt.subplot(122) #subplot [1,2,1],表示在本区域里显示1行2列个图像，最后的1表示本图像显示在第一个位置
plt.scatter(df["year"],df["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度
plt.xlabel("年限")
plt.ylabel("二手房每个年限-价格")
plt.title("查看不同年限的二手房价格分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃


plt.show()

散点图在这个数据上其实能看出的东西比较有限，主要就是看一下大致的分布，比如是我们能看出哪个位置的二手房多，哪个地方比较少；或者哪种房型，楼层，尺寸，年限的房子的个数多少，建立一个基本的印象。我们接着分析。

②.不论是从我们的认知，还是上面的散点图中，我们不难看出位置对价格的影响肯定是很大的，因此我想应用一下统计学来看一下房子位置和价格的关系，并且对每个位置的房源汇总，直观的观察一下每个地方二手房数量：

#8
#①.设置中文字体能够显示：
import matplotlib
from matplotlib import pyplot as plt

#①.设置中文字体能够显示：
font = {"family":"MicroSoft YaHei","weight":"bold","size":8}
matplotlib.rc("font",**font)

#②.画图：地区与价格：
df_house_count = df.groupby('location_1')['price'].count().sort_values(ascending=False).to_frame().reset_index() #ascending=False代表降序，ascending=True代表升序
df_house_mean = df.groupby('location_1')['price'].mean().sort_values(ascending=False).to_frame().reset_index()   #reset_index()重置索引

#设置图形大小：
plt.figure(figsize=(10,4),dpi = 80)
plt.figure(1)
#ax1 = plt.subplot(221) 221表示将画板分成两行两列，取第一个区域，即左上角区域
#-plt.figure(1)表示取第一块画板，一个画板即一张图，如果有多个画板，运行完就会打开多张图（多个窗口）
ax1 = plt.subplot(121)
plt.bar(df_house_count["location_1"],df_house_count["price"])
#添加描述信息：
plt.xlabel("区域")
plt.ylabel("二手房数量")
plt.title("查看每个区域的二手房数量")
plt.xticks(rotation = 45) #rotation = 45旋转45℃
######################################################################################
ax2 = plt.subplot(122)
plt.bar(df_house_mean["location_1"],df_house_mean["price"])
#添加描述信息：
plt.xlabel("区域")
plt.ylabel("二手房每个区域平均价格")
plt.title("查看每个区域的二手房平均价格")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

#绘制网格：
plt.grid(alpha=0.1)

# #添加图例：
# plt.legend(loc = "upper left")


plt.show()

③.盒图由五个数值点组成，最小观测值，下四分位数，中位数，上四分位数，最大观测值，主要可以看一看离群值是不是很多，多的话我们就可以看看，是不是这个区域的地区比较多，而且价格差别比较大呢：

#9
#①.设置中文字体能够显示：
import matplotlib
from matplotlib import pyplot as plt

#①.设置中文字体能够显示：
font = {"family":"MicroSoft YaHei","weight":"bold","size":8}
matplotlib.rc("font",**font)

#盒图由五个数值点组成，最小观测值，下四分位数，中位数，上四分位数，最大观测值
#价格区域箱图：
plt.figure(figsize=(10,4),dpi = 80)
a = df.loc[lambda df:(df['location_1']=="西城"),:]["price"]
b = df.loc[lambda df:(df['location_1']=="东城"),:]["price"]
c = df.loc[lambda df:(df['location_1']=="海淀"),:]["price"]
d = df.loc[lambda df:(df['location_1']=="朝阳"),:]["price"]
e = df.loc[lambda df:(df['location_1']=="丰台"),:]["price"]
f = df.loc[lambda df:(df['location_1']=="石景山"),:]["price"]
g = df.loc[lambda df:(df['location_1']=="昌平"),:]["price"]
h = df.loc[lambda df:(df['location_1']=="通州"),:]["price"]
i = df.loc[lambda df:(df['location_1']=="亦庄开发区"),:]["price"]
j = df.loc[lambda df:(df['location_1']=="大兴"),:]["price"]
k = df.loc[lambda df:(df['location_1']=="顺义"),:]["price"]
l = df.loc[lambda df:(df['location_1']=="门头沟"),:]["price"]
m = df.loc[lambda df:(df['location_1']=="房山"),:]["price"]
n = df.loc[lambda df:(df['location_1']=="怀柔"),:]["price"]
o = df.loc[lambda df:(df['location_1']=="密云"),:]["price"]
p = df.loc[lambda df:(df['location_1']=="平谷"),:]["price"]
data_box = np.array([a,b,c,d,e,f,g,h,i,j,k,l,m,n,o,p])
labels = ["西城","东城","海淀","朝阳","丰台","石景山","昌平","通州","亦庄开发区","大兴","顺义","门头沟","房山","怀柔","密云","平谷"]
plt.boxplot(data_box,labels=labels,sym="o",
            boxprops=dict(color="blue"),medianprops={'color':'red'},whiskerprops = {'color': "black"},capprops = {'color': "cyan"},flierprops={'color':'purple','markeredgecolor':"purple"})
# print(df_house_mean)
# plt.show()
plt.xlabel("区域")
plt.ylabel("二手房每个区域价格分布")
plt.title("查看每个区域的二手房价格箱图分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃


plt.show()

④.上面多个绘图都验证了价格与区域确实有关，但是我们还想看看与其他特征是否相关，所以看下控制变量后的绘图结果：

价格与地区之间的关系（以西城为例，区域可换）：
可以看出是有关系的：

#10
#①.设置中文字体能够显示：
import matplotlib
from matplotlib import pyplot as plt

#①.设置中文字体能够显示：
font = {"family":"MicroSoft YaHei","weight":"bold","size":8}
matplotlib.rc("font",**font)

#b.再一个，我们看一下相同区域，不同地区的位置与价格的关系：
plt.figure(figsize=(10,4),dpi = 80)
plt.figure(1)
plt.subplot(121)
aa_1 = df.loc[lambda df:(df['location_1']=="西城"),:]
aa_2 = aa_1.groupby('location_11')['price'].mean().sort_values(ascending=False).to_frame().reset_index()
plt.scatter(aa_1["location_11"],aa_1["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度

plt.xlabel("地区-西城")
plt.ylabel("二手房每个地区价格分布")
plt.title("查看每个地区的二手房价格分布")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

plt.subplot(122)
plt.bar(aa_2["location_11"],aa_2["price"])
plt.xticks(rotation = 45) #rotation = 45旋转45℃

plt.xlabel("地区-西城")
plt.ylabel("二手房每个地区平均价格")
plt.title("查看每个地区的二手房平均价格")
plt.xticks(rotation = 45) #rotation = 45旋转45℃
plt.show()

房型与地区之间的关系（以东城为例，区域可换）：
不断切换尝试，发现大部分趋势是三室>一室>二室>其他，价格与房型还是有一定关系。

#11
#①.设置中文字体能够显示：
import matplotlib
from matplotlib import pyplot as plt

#①.设置中文字体能够显示：
font = {"family":"MicroSoft YaHei","weight":"bold","size":8}
matplotlib.rc("font",**font)

#c.房型与价格的关系：
plt.figure(figsize=(10,4),dpi = 80)
plt.figure(1)
plt.subplot(121)
aa_3 = df.loc[lambda df:(df['location_1']=="东城"),:]
aa_4 = aa_3.groupby('house_type_1')['price'].mean().sort_values(ascending=False).to_frame().reset_index()
plt.scatter(aa_3["house_type_1"],aa_3["price"],s=50, c='blue', marker='.', alpha=0.3)            #图例，颜色，线型，线宽，透明度

plt.xlabel("房型-东城")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

plt.subplot(122)
plt.bar(aa_4["house_type_1"],aa_4["price"])
plt.xlabel("房型-东城")
plt.xticks(rotation = 45) #rotation = 45旋转45℃

plt.show()

以上可视化大致可以看出一些趋势，还有几个变量就不去实验了，自己可以根据上面两个去看看其他的，因为房价预测比较简单，我们凭借经验基本就可以选择出一些参数了，但对于陌生数据集如何把数据更好的可视化是个永恒的课题，不断的学习吧。

最终选择机器学的参数：[“location_1”,“location_11”,“size”,“house_type_1”,“house_type_2”,“floor”,“year”,“price”]

3.房价预测（sklearn）：
sklean里面有很多算法，也提供了很多数据处理的方式，因为价格是连续的，所以我们选择随机森林的回归算法来进行预测，随机森林是以决策树为基础的，我试过决策树和随机森林，结果是必然的，随机森林比决策树的准确率高出很多，但是效果还是不太理想，后续随着学习深入，会试一下其他算法是否会有意想不到的结果，话不多说，实战开始：

a.数据读取，字符串数据one_hot编码：

#conding=gb2312
import pandas as pd
import numpy as np

#设置显示窗口数据显示别全是...
pd.set_option('display.max_rows', 500)
pd.set_option('display.max_columns', 100)
pd.set_option('display.width', 1000)

#1..读取excel数据
df = pd.read_excel(r"./ershoufang_sk.xlsx")

#2.字符串数据进行one_hot编码，不然机器学习模型是学习不了的：
df_one = df.loc[:,["location_1","location_11","year"]]
df_one = pd.get_dummies(df_one).reset_index()

df_hot = df.loc[:,["size","house_type_1","house_type_2","floor","price"]]
df = pd.concat([df_hot,df_one],axis=1)

b.随机森林调参（先对树的个数调参，然后对树的深度调参，这里画一个树的深度调参可视化）：
可视化调参步骤都是一样的，实例化，循环参数，生成结果加入列表，画图查看趋势：

#3.数据预处理：
'''
随机森林 预测房价：
'''
# 转换训练测试集格式为数组
features = np.array(df.iloc[:,df.columns!="price"])
prices = np.array(df.iloc[:,df.columns=="price"])

# 导入sklearn进行训练测试集划分
from sklearn.model_selection import train_test_split
features_train, features_test, prices_train, prices_test = train_test_split(features, prices, test_size=0.2, random_state=0)

#随机森林预测：
from sklearn.ensemble import RandomForestRegressor
#交叉验证模型训练：
from sklearn.model_selection import cross_val_score
c_mse = []

for i in range(21,31,1):
    #a.实例化：
    rfc = RandomForestRegressor(random_state=0,n_estimators=40,max_depth=i)#oob_score=True,
    #b.普通的模型训练：
    rfc = rfc.fit(features_train,prices_train.ravel())
    score_r = rfc.score(features_test,prices_test.ravel())

    rfc_s = cross_val_score(rfc,features,prices.ravel(),cv=10,scoring="neg_mean_squared_error").mean()i

    c_mse.append(rfc_s)
    # print(rfc.oob_score_) #用袋外数据测试后的结果
    print("Random Forest:{}".format(score_r))

#可视化：
from matplotlib import pyplot as plt
plt.plot(range(1,11),c_mse,label="RandomForest_")
plt.legend()
plt.show()

进行参数确认（把参数固定看和我们可视化时候的是否一致）：

#3.数据预处理：
'''
随机森林 预测房价：
'''
# 转换训练测试集格式为数组
features = np.array(df.iloc[:,df.columns!="price"])
prices = np.array(df.iloc[:,df.columns=="price"])

# 导入sklearn进行训练测试集划分
from sklearn.model_selection import train_test_split
features_train, features_test, prices_train, prices_test = train_test_split(features, prices, test_size=0.2, random_state=0)

#随机森林预测：
from sklearn.ensemble import RandomForestRegressor
 #a.实例化：
rfc = RandomForestRegressor(random_state=0
                            ,n_estimators=40
                            ,max_depth=29
                            ,oob_score=True
                            # ,max_features=120
                            # ,min_samples_leaf=2
                            )#oob_score=True,
#b.普通的模型训练：
rfc = rfc.fit(features_train,prices_train.ravel())
score_r = rfc.score(features_test,prices_test.ravel())

print(rfc.oob_score_) #用袋外数据测试后的结果
print("Random Forest:{}".format(score_r))

#另一种查看分数的方法：
from sklearn.metrics import r2_score
y_predict = rfc.predict(features_test)
#在sklearn中包含四种评价尺度，分别为mean_squared_error、mean_absolute_error、explained_variance_score 和 r2_score。
#做回归分析，常用的误差主要有均方误差根（RMSE）和R-平方（R2）。
score = r2_score(prices_test, y_predict)
print(score)

print(rfc.estimators_ ) #查看随机森林中树的状况。
# print(rfc.feature_importances_) #查看重要的特征

网格搜索查看参数选择：

#3.数据预处理：
'''
随机森林 预测房价：
'''
# 转换训练测试集格式为数组
features = np.array(df.iloc[:,df.columns!="price"])
prices = np.array(df.iloc[:,df.columns=="price"])

# 导入sklearn进行训练测试集划分
from sklearn.model_selection import train_test_split
features_train, features_test, prices_train, prices_test = train_test_split(features, prices, test_size=0.2, random_state=0)

#随机森林预测：
from sklearn.ensemble import RandomForestRegressor
#网格搜索寻找最优参数：
#  #a.实例化：
rfc = RandomForestRegressor(random_state=0
                            ,oob_score=True
                            # ,n_estimators=40
                            # ,max_depth=29
                            # ,max_features=120
                            # ,min_samples_leaf=2
                            )#oob_score=True,

from sklearn.model_selection import GridSearchCV
param_grid = {"n_estimators":[25,30,40],"max_depth":[25,29,30]}

GS= GridSearchCV(rfc,param_grid=param_grid,cv=10)
GS.fit(features,prices.ravel())

print(GS.best_params_)
print(GS.best_score_)

从上面可以看出来，网格搜索有时候还不一定有我们自己调的参数好，也是为了运行时间少一点，我把参数少选了几个，但是最大深度他没有选到那个最好的；网格搜索是真的费时间，所以不要轻易尝试，随机森林相对来说已经算是运行的比较快的了，但等的还是好着急。
机器学习本就是个不断尝试的过程，我们需要根据经验或者之前的可视化了解一下其中特征-标签的一些关系，然后用选择的特征进行模型训练及预测，效果不好我们可以调参，特征工程，或者回去看看有没有可增加特征，以及构造特征等等。

机器学习真的没那么简单，也不至于放弃，只是一度看着看着就疲惫了，但是还好还在坚持，而且似乎也是有了兴趣了，虽然进度缓慢，但确实还在路上；
当我们有一段时间做一件事情没有成果的时候，总是会有各种焦虑，试着放下出去走走，呼吸新鲜的空气，看看无垠的世界，然后回到自己的小屋继续吧，人生难得找到一条值得坚持的路，在路上我认为就是幸运的。

持续更新，，，，，，，，，，