12张图，二手房数据分析及可视化

写在前面

本文用到的数据是之前在链家爬取的武汉二手房信息。这次我们来挖掘一下数据背后的秘密…

文中主要涉及的Python库：

• pandas：读取 csv 文件中的内容，并对数据进行处理。
• matplotlib：它是基于 numpy 的一套 Python 工具包。这个包提供了丰富的数据绘图工具，主要用于绘制一些统计图形。
• seaborn： seaborn 是基于 matplotlib 的图形可视化 python 包。是在 matplotlib 的基础上进行了更高级的 API 封装，使作图更加容易，相比于 matplotlib 中的一些图用 seaborn 做会更具有吸引力，但特色方面（绘图细节）不及 matplotlib 。一般将 seaborn 视为 matplotlib 的补充，而不是替代物。同时它能高度兼容 numpy 与 pandas 数据结构以及 scipy 与 statsmodels 等统计模式（后文中会体会到兼容 pandas 的好处的）。
• pyecharts： pyecharts 是一个用于生成 Echarts 图表的类库。Echarts 是百度开源的一个数据可视化 JS 库。一般用它来绘制动态图，可视化效果非常好。
• jieba：一款非常流行的中文分词包。主要有三种分词模式全模式、精确模式（本文使用）、搜索引擎模式。在分词前可以添加自定义词典来提升分词的准确率。
• collections：主要使用 Counter 类，统计各值出现的次数。

话不多说，进入正题。

1.数据读取

首先读取 house_info.csv 文件，并查看数据集的结构信息。

import pandas as pd

df = pd.read_csv('house_info.csv')
df.info()

根据上面的信息可以知道，数据集共 27 列，house_label 列中有较多的缺失值， floor 列和 house_area 的类型为 object 应将转成数值类型。

2.数据预处理

2.1缺失值处理

首先删除包含缺失值的行。删除后数据行数为 5108 行。

df.dropna(inplace=True)
df.reset_index(drop=True, inplace=True)

2.2列处理

由于后面需要通过 pyecharts 绘制地图，而 东湖高新区，沌口开发区 并未有详细经纬度划分，故根据大致地理位置，将其分别归属为 洪山区和汉南区 。

处理内容

• 提取 floor 楼层中的数字
• 将房价面积由 “85.99m²”–>“85.99”
• 将东湖高新划分到洪山，沌口开发区划分到汉南

# 提取floor楼层中的数字
df['floor'] = df['floor'].str.extract(r'(\d+)', expand=False).astype('int')
# 将房价面积由“85.99m²”-->“85.99”
df['house_area'] = df['house_area'].apply(lambda x: x[:-1]).astype('float')

# 将东湖高新划分到洪山，沌口开发区划分到汉南
df.loc[df['region'] == '东湖高新', 'region'] = '洪山'
df.loc[df['region'] == '沌口开发区', 'region'] = '汉南'
# 将region列中值后添加“区”，如“汉阳”-->“汉阳区”
df['region'] = df['region'] + '区'

通过 describe() 函数查看数值列的属性描述。如果查看全部列可以将参数 include 指定为 all （默认为 None ）。

df.describe()

图中显示武汉二手房平均关注人数为 17 人，平均总价 184 万，平均单价 19364 元/m²，平均楼层 22 层，平均房屋面积 95 m²。另还有标准差、最小值、四分之一分位数、二分之一分位数、四分之三分位数、最大值等信息。

3.各区二手房数量条形图

获取数据中各区信息和对应区的房屋数量，绘制条形图。

import pyecharts.options as opts
from pyecharts.charts import Bar
from pyecharts.globals import ThemeType

region_list = df['region'].value_counts().index.tolist()
house_count_list = df['region'].value_counts().values.tolist()

c = Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK)
c.add_xaxis(region_list)
c.add_yaxis("武汉市", house_count_list)
c.set_global_opts(title_opts=opts.TitleOpts(title="武汉各区二手房数量柱状图", subtitle=""),
                                     xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(interval=0)))
# c.render("武汉各区二手房数量柱状图.html")
c.render_notebook()

尽管洪山区是将东湖高新区合并后统计的，但合并前二者二手房数量同样很多，其次为江岸区，江景独美。下面我们通过 2D地图 和 3D地图 的形式看各区房价在地图上的分布。

4.各区房价分布2D地图

统计各区名称及对应的单价中位数（中位数受极值的影响很小）。加载本地的武汉市地图数据（各区经纬度信息）。绘制房价分布 2D 地图。

region_list = df['region'].value_counts().index.tolist()
median_unit_price = []
for region in region_list:
    median_unit_price.append(df.loc[df['region'] == region, 'unit_price'].median())
    
# 绘制2D地图
from pyecharts.charts import Map
# 加载武汉市地图数据
json_data = json.load(open('武汉市.json', encoding='utf-8'))

data_pair = [list(z) for z in zip(region_list, median_unit_price)]

text_style = opts.TextStyleOpts(color='#fff')
c = Map(init_opts=opts.InitOpts(width='1500px', height='700px', bg_color='#404a58'))    
c.add_js_funcs("echarts.registerMap('武汉市',{});".format(json_data))
c.add(series_name="武汉市", data_pair=data_pair, maptype="武汉市", label_opts=opts.LabelOpts(color='#fff'))
c.set_global_opts(legend_opts=opts.LegendOpts(textstyle_opts=text_style), 
                  title_opts=opts.TitleOpts(title="武汉", title_textstyle_opts=text_style)
                  ,visualmap_opts=opts.VisualMapOpts(split_number=6, max_=30000, range_text=['高', '低'], 
                                                     textstyle_opts=text_style))
# c.render("武汉市各区房价分布2D图.html")
c.render_notebook()

根据地图的信息，房价较高的区域集中在武汉市中心区域，以武昌区为首房价单价为 24600 元/m²。其余中心城市房价也均在 15000 元/m²以上。最低房价为新洲区，房价中位数为 7806 元/m²。下面通过3D地图来观察一下。

5.各区房价分布3D地图

所需要的数据与2D地图相同，代码较多这里就不在这里展示了（需要的朋友在文末获取）。

相比于2D，3D图中的各区房价差异会更加明显。看着也比较 NB！！
接下来通过箱型图详细看一下各区单价的异常值。

6.各区二手房单价箱型图

统计各区名称信息及对应单价信息，并绘制箱型图。

# 统计各个区二手房单价信息
unit_price_list = []
for region in region_list:
    unit_price_list.append(df.loc[df['region'] == region, 'unit_price'].values.tolist())

# 绘制箱型图
from pyecharts.charts import Boxplot

c = Boxplot(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
c.add_xaxis(region_list)
c.add_yaxis("武汉市", c.prepare_data(unit_price_list))
c.set_global_opts(title_opts=opts.TitleOpts(title="武汉各区二手房总价箱型图"), 
                 xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(interval=0)))
# c.render("boxplot_base.html")
c.render_notebook()

pyecharts 中的箱型图的上下边界为最大值最小值，与标准箱型图中的最大观察值，最小观察值不同。我们根据上四分位数和下四分位数的分布，可以看出洪山区、江岸区、武昌区这些房价较高的区域成典型的 右偏态 （异常值集中在较大值的一侧，尾部很长）。这说明很多二手房的价格可能因为地段，装修等原因，单价严重偏离当地房价平均水平。

7.二手房面积分布与价格关系图

由于 pyecharts 中的散点图不太方便绘制趋势线，我们直接使用 seaborn 来绘制，二手房面积分布及面积与价格的相关性。

import matplotlib.pyplot as plt
import seaborn as sns

f, [ax1,ax2] = plt.subplots(1, 2, figsize=(16, 6))

# 房屋面积
sns.distplot(df['house_area'], ax=ax1, color='r')
sns.kdeplot(df['house_area'], shade=True, ax=ax1)
ax1.set_xlabel('面积')

# 房屋面积和价格的关系
sns.regplot(x='house_area', y='total_price', data=df, ax=ax2)
ax2.set_xlabel('面积')
ax2.set_ylabel('总价')

plt.show()

二手房面积主要分布在60 - 130m²之间。最吸引人的还是面积 400m² ，总价 2000 万的那个点，鹤立鸡群。

8.楼层与房价分布3D条形图

我们现在看看各区的楼层和房价之间关系，听说武汉傍晚江景很美，那高层楼的价格应该要高一些。

图中各轴含义

• X轴：楼层，以5层为间隔范围
• Y轴：各区名称
• Z轴：单价

其他地区可能各楼层价格差异不大，但最突出的武昌区，江汉区，由于第二大城中湖东湖和临江的优势，让他们的高层房价普遍高于底层。

9.各户型横向条形图

统计户型的种类和各种类的名称，绘制横向条形图。

series = df['house_type'].value_counts()
series.sort_index(ascending=False, inplace=True)
house_type_list = series.index.tolist()
count_list = series.values.tolist()

c = Bar(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
c.add_xaxis(house_type_list)
c.add_yaxis("武汉市", count_list)
c.reversal_axis()
c.set_series_opts(label_opts=opts.LabelOpts(position="right"))
c.set_global_opts(title_opts=opts.TitleOpts(title="武汉二手房各户型横向条形图"),
                datazoom_opts=[opts.DataZoomOpts(yaxis_index=0, type_="slider", orient="vertical")],)
# c.render("武汉二手房各户型横向条形图.html")
c.render_notebook()

可以看到主要的房型有 一室一厅一厨一卫、两室一厅一厨一卫、两室两厅一厨一卫、三室一厅一厨一卫、三室两厅一厨一卫、三室两厅一厨两卫、四室一厅一厨两卫。其中最多的是 两室两厅一厨一卫，这也比较符合大多数人年轻人的要求。大的买不起，小的住不下。。

10.房屋装修程度饼状图

现在看看二手房房屋装修的情况，一般二手房的话猜测毛坯应该不多。看看实际情况如何，统计装修的种类和各种类的数量，绘制饼状图。

decoration_list = df['decoration'].value_counts().index.tolist()
count_list = df['decoration'].value_counts().values.tolist()

from pyecharts.charts import Pie

c = Pie(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
c.add(series_name="房屋装修",
        data_pair=[list(z) for z in zip(decoration_list, count_list)],
        rosetype="radius",
        radius="55%",
        center=["50%", "50%"],
        label_opts=opts.LabelOpts(is_show=False, position="center"))
c.set_global_opts(title_opts=opts.TitleOpts(
                  title="武汉二手房房屋装修饼状图",
                  pos_left="center",
                  pos_top="20",
                  title_textstyle_opts=opts.TextStyleOpts(color="#fff")),
                  legend_opts=opts.LegendOpts(is_show=False))
c.set_series_opts(tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{a} 
{b}: {c} ({d}%)"),
                label_opts=opts.LabelOpts(color="rgba(255, 255, 255, 255)"))
# c.render("customized_pie.html")
c.render_notebook()

根据图中信息超过一般的二手房是精装，毕竟之前住过人的，再简单装修一下，以更高的价格转手肯定还是很香的，将近 25% 的二手房是简装，剩余少量为其他装修类型和毛坯。毛坯二手房确实数量不多，和预料的差不多。

11.有无电梯与房价关系图

下面我们看看各区二手房有无电梯数量比例，有无电梯的房屋单价有无差距。

根据上图中的信息，各区二手房中有电梯的数量占了绝大多数，除了东西湖区的房价无电梯比有电梯略高外，其余各区的有电梯房价均比无电梯房价要高，其中武昌区差距最明显，这也印证了上面楼层与房价的关系，武昌区由于江景的原因高楼很吃香。图中新洲区的条形图与折线图有部分重叠，我们下面将两个图分开绘制，效果会更好。

12.热门二手房标签漏斗图

统计关注人数超过 3 人的热门二手房标签信息，绘制漏斗图，看看这些二手房有什么共同点。

from collections import Counter

# 只统计关注人数超过三人的热门二手房
detail_df = df.loc[df['follower_numbers'] > 3]
label_list = []
for house_label in detail_df['house_label'].values.tolist():
    label_list += house_label.split(',')
label_and_count = Counter(label_list)
label_and_count = label_and_count.most_common()

from pyecharts.charts import Funnel

c = Funnel(init_opts=opts.InitOpts(theme=ThemeType.CHALK))
c.add("商品", [list(z) for z in label_and_count])
c.set_global_opts(title_opts=opts.TitleOpts(title="武汉热门二手房标签漏斗图"))
c.render("武汉热门二手房标签漏斗图.html")
c.render_notebook()

根据图中信息能够很清楚的看到， VR 看装修在热门二手房标签中出现次数最多，我之前在链家尝试过 VR 看房，确实方便，无死角，但就是转的有点晕，哈哈！其余的就是随时看房，房本满两年满五年，毕竟可以少缴税。

13.热门标题关键词

现在我们要提取热门二手房中标题的关键词（热门词），首先加载本地停用词。

def load_stopwords(read_path):
    '''
    读取文件每行内容并保存到列表中
    :param read_path: 待读取文件的路径
    :return: 保存文件每行信息的列表
    '''
    result = []
    with open(read_path, "r", encoding='utf-8') as f:
        for line in f.readlines():
            line = line.strip('\n')  # 去掉列表中每一个元素的换行符
            result.append(line)
    return result

# 加载中文停用词
stopwords = load_stopwords('wordcloud_stopwords.txt')

通过 jieba 分词获取标题的分词结果，并去除停用词。

import jieba

# 添加自定义词典
jieba.load_userdict("自定义词典.txt")

token_list = []
# 对标题内容进行分词，并将分词结果保存在列表中
for title in detail_df['title']:
    tokens = jieba.lcut(title, cut_all=False)
    token_list += [token for token in tokens if token not in stopwords]
len(token_list)

根据分词列表，使用 Counter 类统计分词列表中各词的出现次数，选取出现次数最多的前 100 ，绘制词云图。

from pyecharts.charts import WordCloud
from collections import Counter

token_count_list = Counter(token_list).most_common(100)
new_token_list = []
for token, count in token_count_list:
    new_token_list.append((token, str(count)))

c = WordCloud()   
c.add(series_name="热词", data_pair=new_token_list, word_size_range=[20, 200])
c.set_global_opts(
    title_opts=opts.TitleOpts(
        title="武汉热门二手房标题关键词", title_textstyle_opts=opts.TextStyleOpts(font_size=23)
    ),
    tooltip_opts=opts.TooltipOpts(is_show=True),
)
c.render("武汉热门二手房标题关键词.html")
c.render_notebook()

热门二手房标题中出现较多的词有：电梯，楼层、采光、精装修、户型、满二、交通等。还有一些与位置相关的词汇，可以通过卖家的这些关键词来作为参考，说不定就是我们之后买房需要注意的内容。

总结

通过这么多方面的分析，也大致了解了武汉二手房的大致行情，市中心的房价 15000元/m² 起步，外围最低七八千左右。楼层根据自己的需要，如果想看看风景那么高层没毛病，但价格一般较高，如果不差钱武昌区就很香。面积的话，大致100m²左右就足够，太大的价格可能很高，毕竟从箱型图中的数据来看，各区中均有房价远超平均值的存在。装修纯看个人喜好，我个人喜欢自己装修，自己的风格只有自己懂，别人装的可能就感觉没有温馨的感觉。户型就选热门的 两室两厅一厨一卫。还有一些其他要注意的地方，比如采光、房龄、交通、环境 等方面。
哈哈，我也不是卖房的，只能根据一些数据来获取一些粗浅的见解，大家看个乐就好，真正的分析这点数据肯定不够。总的来说，三个字，买不起，再见！

---

这就是今天要分享的内容，微信搜 Python新视野，每天带你了解更多有用的知识。另外还有Python小白交流群，如果有兴趣可以通过上面的方式联系我哦！