python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析...

前言:本文主要分为两部分:Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析。文章思路清晰,代码详细,特别适合刚刚接触Python&R的同学学习参考。

Part1:Python爬取赶集网北京二手房数据

入门爬虫一个月,所以对每一个网站都使用Xpath、BeautifulSoup、正则三种方法分别爬取,用于练习巩固。数据来源如下:

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第1张图片

本文使用BeautifulSoup讲解。

Xpath传送门:Xpath+requests爬取赶集网北京二手房数据

importrequestsimportrefromrequests.exceptionsimportRequestExceptionfrombs4importBeautifulSoupimportcsvimporttimeheaders={'User-Agent':'Mozilla/5.0(WindowsNT10.0;WOW64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/55.0.2883.87Safari/537.36'}defget_one_page(url):try:response=requests.get(url,headers=headers)ifresponse.status_code==200:returnresponse.textreturnNoneexceptRequestException:returnNonedefparse_one_page(content):try:soup=BeautifulSoup(content,'html.parser')items=soup.find('div',class_=re.compile('js-tips-list'))fordivinitems.find_all('div',class_=re.compile('ershoufang-list')):yield{'Name':div.find('a',class_=re.compile('js-title')).text,'Type':div.find('dd',class_=re.compile('size')).contents[1].text,#tag的.contents属性可以将tag的子节点以列表的方式输出'Area':div.find('dd',class_=re.compile('size')).contents[5].text,'Towards':div.find('dd',class_=re.compile('size')).contents[9].text,'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace('\n',''),'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text,'Address':div.find('span',class_=re.compile('area')).text.strip().replace('','').replace('\n',''),'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text,'Price':div.find('div',class_=re.compile('time')).text}#有一些二手房信息缺少部分信息,如:缺少装修信息,或者缺少楼层信息,这时候需要加个判断,不然爬取就会中断。ifdiv['Name','Type','Area','Towards','Floor','Decorate','Address','TotalPrice','Price']==None:returnNoneexceptException:returnNonedefmain():foriinrange(1,50):url='http://bj.ganji.com/fang5/o{}/'.format(i)content=get_one_page(url)print('第{}页抓取完毕'.format(i))fordivinparse_one_page(content):print(div)withopen('Data.csv','a',newline='')asf:#Data.csv文件存储的路径,如果默认路径就直接写文件名即可。fieldnames=['Name','Type','Area','Towards','Floor','Decorate','Address','TotalPrice','Price']writer=csv.DictWriter(f,fieldnames=fieldnames)writer.writeheader()foriteminparse_one_page(content):writer.writerow(item)time.sleep(3)#设置爬取频率,一开始我就是爬取的太猛,导致网页需要验证。if__name__=='__main__':main()

对于小白容易遇见的一些问题:

a、有一些房屋缺少部分信息,如缺少装修信息,这个时候需要加一个判断,如果不加判断,爬取就会自动终止。我在这里跌了很大的坑。

b、Data.csv知识点存储文件路径默认是工作目录,关于工作目录传送门:python中如何查看工作目录

c、爬虫打印的是字典形式,每一个房屋信息都是一个字典,由于对Python中excel相关库是我知识盲点,所以爬虫的时候将字典循环直接写入CSV。

pycharm中打印如下:

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第2张图片

图一

将字典循环直接写入CSV效果如下:

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第3张图片

图二

d、很多初学者对于Address这种不知道如何处理,这里强调一下BeautifulSoup中.contents的用法,亲身体会,我在这里花了好多时间才找到答案。

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第4张图片

图三

Part2:R对爬取的二手房房价做一般线性回归分析

下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。

2.1、数据的说明

Name:主要是商家的醒目标题,分析的时候没有啥参考意义

Type:卧室数、客厅数、卫生间数

Area:面积(平方米)

Towards:朝向

Floor:楼层

Decorate:装修情况如:精装修、简单装修、毛坯房

Address:二手房的地址

TotalPrice:总价

Price:均价(元/平方米)

2.2、数据清洗

data

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第5张图片

图四

#在爬取的时候加入了判断,所以不知道爬取的数据中是否存在缺失值,这里检查一下colSums(is.na(DATA))

bb4f776f946626454ac95b3b4c688efd.png

图五

#这里将Type的卧室客厅和卫生间分为三个不同的列##这里需要注意,有一些房屋没有客厅如:1室1卫这时候需要单独处理,还有一些没有厕所信息。library(tidyr)DATA=separate(data=DATA,col=Type,into=c("Bedrooms","Halls"),sep="室")DATA=separate(data=DATA,col=Halls,into=c("Halls","Toilet"),sep="厅")##将卫生间后面的汉字去掉DATA$Toilet

a908d0ae097246874d00a6cb3b6c1540.png

图六

##这里将Area后的㎡去掉DATA$Area

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第6张图片

图七

##将数据转换格式DATA$Bedrooms

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第7张图片

图八

以上数据清洗完毕。

Part3:描述性分析

主要思路是探究单个自变量对因变量的影响,对房价的影响因素进行模拟探究之前,首先对各变量进行描述性分析,已初步判断房价的影响因素。这里探究各个因素对总价影响。

3.1探究Bedrooms与TotalPrice的关系

table(DATA$Bedrooms)1234567954112257791931022051##由于拥有6、7、9个卧室数的数量较少,这里我们排出这些数据。DATA

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第8张图片

图九

DATA$Bedrooms

不同卧室数,TotalPrice不同,且随着卧室数的增多,总价越高,符合大众的认知。

3.2探究Halls与TotalPrice的关系

table(DATA$Halls)01234592016741050771810##5个客厅只有一个个体,我们这里将其排出DATA

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第9张图片

图十

客厅数为3时候总价最高,客厅数为0、1和2的时候总价低于客厅数3和客厅数4。

3.3探究Toilet与TotalPrice的关系

#探究卫生间与总价的关系table(DATA$Toilet)012345679221424701167426720#这里将卫生间数为0、6和7的去掉DATA

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第10张图片

图十一

一般卧室数越多,卫生间数也越多,即卫生间数越多,总价越高。

3.4探究Area与TotalPrice的关系

ggplot(DATA,aes(x=Area,y=TotalPrice))+geom_point(col='red')

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第11张图片

图十二

这个完全符合住房面积越大,总价越高。

3.5探究Towards与TotalPrice的关系

ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red")

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第12张图片

图十三

3.6探究Floor与TotalPrice的关系

ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red")

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第13张图片

图十四

图中信息显示楼层一共只有1、2、3、地下的总价较高。

3.7探究Decorate与TotalPrice的关系

ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red")

python二手房价格预测_Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析..._第14张图片

图十五

不同装修信息对总价影响较小。

Part4:模型建立

fit|t|)(Intercept)-112.763388.3010-1.2770.201697Bedrooms2-43.593416.2533-2.6820.007359**Bedrooms3-82.656520.7641-3.9817.04e-05***Bedrooms4-63.309634.9521-1.8110.070198.Bedrooms579.061854.07631.4620.143842Halls1-5.066364.2764-0.0790.937182Halls2-53.890565.4427-0.8230.410307Halls3-303.975079.2280-3.8370.000127***Halls4-528.5427104.0849-5.0784.07e-07***Toilet2112.956619.11715.9093.87e-09***Toilet3543.730438.805614.012< 2e-16 ***Toilet4           735.1894    55.0977  13.343  < 2e-16 ***Toilet5           338.7906    84.2851   4.020 5.98e-05 ***Area                5.1091     0.1619  31.557  < 2e-16 ***Towards东北向     138.9088    79.3817   1.750 0.080248 .  Towards东南向     187.1895    68.5388   2.731 0.006351 ** Towards东西向     176.3055    65.8384   2.678 0.007453 ** Towards东向       210.9435    73.2744   2.879 0.004022 ** Towards南北向      75.7831    57.1199   1.327 0.184704    Towards南向        60.1949    56.9678   1.057 0.290763    Towards西北向      75.4326    71.1415   1.060 0.289091    Towards西南向     169.8106    75.9626   2.235 0.025467 *  Towards西向       234.0816    76.5585   3.058 0.002253 ** Floor地下        -812.3578    63.3277 -12.828  < 2e-16 ***Floor高层          12.3525    14.2466   0.867 0.385991    Floor共1层       -313.7278    52.1342  -6.018 2.00e-09 ***Floor共2层       -453.3692    41.6829 -10.877  < 2e-16 ***Floor共3层       -601.7032    44.3336 -13.572  < 2e-16 ***Floor共4层       -183.7866    36.3396  -5.057 4.52e-07 ***Floor共5层        -41.4184    25.7922  -1.606 0.108419    Floor中层          -1.7223    13.5961  -0.127 0.899204    Decorate简单装修  -63.1591    22.0584  -2.863 0.004224 ** Decorate精装修    -49.3276    19.8544  -2.484 0.013033 *  Decorate毛坯     -157.0299    24.3012  -6.462 1.22e-10 ***---Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 265.5 on 2794 degrees of freedomMultiple R-squared:  0.6852,    Adjusted R-squared:  0.6815 F-statistic: 184.3 on 33 and 2794 DF,  p-value: < 2.2e-16

模型的F检验拒绝原假设,说明建立的模型是显著的;AjustedR-squared为0.6815,模型的拟合程度尚可接受。

后面还有模型的检验,之后有机会会进行更深入的探讨。

你可能感兴趣的:(python二手房价格预测)