入門Python資料分析最好的實戰專案（一）

作者：xiaoyu

微信公眾號：Python資料科學

知乎：python資料分析師

---

目的：本篇給大家介紹一個資料分析的初級專案，目的是通過專案瞭解如何使用Python進行簡單的資料分析。

資料來源：博主通過爬蟲採集的鏈家全網北京二手房資料（公眾號後臺回覆 二手房資料 便可獲取）。

資料初探

首先匯入要使用的科學計算包numpy,pandas,視覺化matplotlib,seaborn,以及機器學習包sklearn。

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib as mpl

import matplotlib.pyplot as plt
from IPython.display import display
plt.style.use("fivethirtyeight")
sns.set_style({'font.sans-serif':['simhei','Arial']})
%matplotlib inline


# 檢查Python版本
from sys import version_info
if version_info.major != 3:
    raise Exception('請使用Python 3 來完成此專案')
複製程式碼

然後匯入資料，並進行初步的觀察，這些觀察包括瞭解資料特徵的缺失值，異常值，以及大概的描述性統計。

# 匯入鏈家二手房資料
lianjia_df = pd.read_csv('lianjia.csv')
display(lianjia_df.head(n=2))
複製程式碼

初步觀察到一共有11個特徵變數，Price 在這裡是我們的目標變數，然後我們繼續深入觀察一下。

# 檢查缺失值情況
lianjia_df.info()
複製程式碼

發現了資料集一共有23677條資料，其中Elevator特徵有明顯的缺失值。

lianjia_df.describe()
複製程式碼

上面結果給出了特徵值是數值的一些統計值，包括平均數，標準差，中位數，最小值，最大值，25%分位數，75%分位數。這些統計結果簡單直接，對於初始瞭解一個特徵好壞非常有用，比如我們觀察到 Size 特徵 的最大值為1019平米，最小值為2平米，那麼我們就要思考這個在實際中是不是存在的，如果不存在沒有意義，那麼這個資料就是一個異常值，會嚴重影響模型的效能。

當然，這只是初步觀察，後續我們會用資料視覺化來清晰的展示，並證實我們的猜測。

# 新增新特徵房屋均價
df = lianjia_df.copy()
df['PerPrice'] = lianjia_df['Price']/lianjia_df['Size']

# 重新擺放列位置
columns = ['Region', 'District', 'Garden', 'Layout', 'Floor', 'Year', 'Size', 'Elevator', 'Direction', 'Renovation', 'PerPrice', 'Price']
df = pd.DataFrame(df, columns = columns)

# 重新審視資料集
display(df.head(n=2))
複製程式碼

我們發現Id特徵其實沒有什麼實際意義，所以將其移除。由於房屋單價分析起來比較方便，簡單的使用總價/面積就可得到，所以增加一個新的特徵 PerPrice（只用於分析，不是預測特徵）。另外，特徵的順序也被調整了一下，看起來比較舒服。

資料視覺化分析

Region特徵分析

對於區域特徵，我們可以分析不同區域房價和數量的對比。

# 對二手房區域分組對比二手房數量和每平米房價
df_house_count = df.groupby('Region')['Price'].count().sort_values(ascending=False).to_frame().reset_index()
df_house_mean = df.groupby('Region')['PerPrice'].mean().sort_values(ascending=False).to_frame().reset_index()

f, [ax1,ax2,ax3] = plt.subplots(3,1,figsize=(20,15))
sns.barplot(x='Region', y='PerPrice', palette="Blues_d", data=df_house_mean, ax=ax1)
ax1.set_title('北京各大區二手房每平米單價對比',fontsize=15)
ax1.set_xlabel('區域')
ax1.set_ylabel('每平米單價')

sns.barplot(x='Region', y='Price', palette="Greens_d", data=df_house_count, ax=ax2)
ax2.set_title('北京各大區二手房數量對比',fontsize=15)
ax2.set_xlabel('區域')
ax2.set_ylabel('數量')

sns.boxplot(x='Region', y='Price', data=df, ax=ax3)
ax3.set_title('北京各大區二手房房屋總價',fontsize=15)
ax3.set_xlabel('區域')
ax3.set_ylabel('房屋總價')

plt.show()
複製程式碼

使用了pandas的網路透視功能groupby分組排序。區域特徵視覺化直接採用 seaborn完成，顏色使用調色盤palette 引數，顏色漸變，越淺說明越少，反之越多。 可以觀察到：

• 二手房均價：西城區的房價最貴均價大約11萬/平，因為西城在二環以裡，且是熱門學區房的聚集地。其次是東城大約10萬/平，然後是海淀大約8.5萬/平，其它均低於8萬/平。
• 二手房房數量：從數量統計上來看，目前二手房市場上比較火熱的區域。海淀區和朝陽區二手房數量最多，差不多都接近3000套，畢竟大區，需求量也大。然後是豐臺區，近幾年正在改造建設，有趕超之勢。
• 二手房總價：通過箱型圖看到，各大區域房屋總價中位數都都在1000萬以下，且房屋總價離散值較高，西城最高達到了6000萬，說明房屋價格特徵不是理想的正太分佈。

Size特徵分析

f, [ax1,ax2] = plt.subplots(1, 2, figsize=(15, 5))
# 建房時間的分佈情況
sns.distplot(df['Size'], bins=20, ax=ax1, color='r')
sns.kdeplot(df['Size'], shade=True, ax=ax1)
# 建房時間和出售價格的關係
sns.regplot(x='Size', y='Price', data=df, ax=ax2)
plt.show()
複製程式碼

• Size 分佈： 通過 distplot 和 kdeplot 繪製柱狀圖觀察 Size 特徵的分佈情況，屬於長尾型別的分佈，這說明了有很多面積很大且超出正常範圍的二手房。
• Size 與 Price 的關係： 通過 regplot 繪製了 Size 和 Price 之間的散點圖，發現 Size 特徵基本與Price呈現線性關係，符合基本常識，面積越大，價格越高。但是有兩組明顯的異常點：1. 面積不到10平米，但是價格超出10000萬；2. 一個點面積超過了1000平米，價格很低，需要檢視是什麼情況。

df.loc[df['Size']< 10]
複製程式碼

經過檢視發現這組資料是別墅，出現異常的原因是由於別墅結構比較特殊（無朝向無電梯），欄位定義與二手商品房不太一樣導致爬蟲爬取資料錯位。也因別墅型別二手房不在我們的考慮範圍之內，故將其移除再次觀察Size分佈和Price關係。

df.loc[df['Size']>1000]
複製程式碼

經觀察這個異常點不是普通的民用二手房，很可能是商用房，所以才有1房間0廳確有如此大超過1000平米的面積，這裡選擇移除。

df = df[(df['Layout']!='疊拼別墅')&(df['Size']<1000)]
複製程式碼

重新進行視覺化發現就沒有明顯的異常點了。

Layout特徵分析

f, ax1= plt.subplots(figsize=(20,20))
sns.countplot(y='Layout', data=df, ax=ax1)
ax1.set_title('房屋戶型',fontsize=15)
ax1.set_xlabel('數量')
ax1.set_ylabel('戶型')
plt.show()
複製程式碼

這個特徵真是不看不知道，各種廳室組合搭配，竟然還有9室3廳，4室0廳等奇怪的結構。其中，2室一廳佔絕大部分，其次是3室一廳，2室2廳，3室兩廳。但是仔細觀察特徵分類下有很多不規則的命名，比如2室一廳與2房間1衛，還有別墅，沒有統一的叫法。這樣的特徵肯定是不能作為機器學習模型的資料輸入的，需要使用特徵工程進行相應的處理。

Renovation 特徵分析

df['Renovation'].value_counts()
複製程式碼

精裝 11345

簡裝 8497

其他 3239

毛坯 576

南北 20

Name: Renovation, dtype: int64

發現Renovation裝修特徵中竟然有南北，它屬於朝向的型別，可能是因為爬蟲過程中一些資訊位置為空，導致“Direction”朝向特徵出現在這裡，所以需要清除或替換掉。

# 去掉錯誤資料“南北”，因為爬蟲過程中一些資訊位置為空，導致“Direction”的特徵出現在這裡，需要清除或替換
df['Renovation'] = df.loc[(df['Renovation'] != '南北'), 'Renovation']

# 畫幅設定
f, [ax1,ax2,ax3] = plt.subplots(1, 3, figsize=(20, 5))
sns.countplot(df['Renovation'], ax=ax1)
sns.barplot(x='Renovation', y='Price', data=df, ax=ax2)
sns.boxplot(x='Renovation', y='Price', data=df, ax=ax3)
plt.show()
複製程式碼

觀察到，精裝修的二手房數量最多，簡裝其次，也是我們平日常見的。而對於價格來說，毛坯型別卻是最高，其次是精裝修。

Elevator 特徵分析

初探資料的時候，我們發現 Elevator 特徵是有大量缺失值的，這對於我們是十分不利的，首先我們先看看有多少缺失值：

misn = len(df.loc[(df['Elevator'].isnull()), 'Elevator'])
print('Elevator缺失值數量為：'+ str(misn))
複製程式碼

Elevator 缺失值數量為：8237

這麼多的缺失值怎麼辦呢？這個需要根據實際情況考慮，常用的方法有平均值/中位數填補法，直接移除，或者根據其他特徵建模預測等。

這裡我們考慮填補法，但是有無電梯不是數值，不存在平均值和中位數，怎麼填補呢？這裡給大家提供一種思路：就是根據樓層 Floor 來判斷有無電梯，一般的樓層大於6的都有電梯，而小於等於6層的一般都沒有電梯。有了這個標準，那麼剩下的就簡單了。

# 由於存在個別型別錯誤，如簡裝和精裝，特徵值錯位，故需要移除
df['Elevator'] = df.loc[(df['Elevator'] == '有電梯')|(df['Elevator'] == '無電梯'), 'Elevator']

# 填補Elevator缺失值
df.loc[(df['Floor']>6)&(df['Elevator'].isnull()), 'Elevator'] = '有電梯'
df.loc[(df['Floor']<=6)&(df['Elevator'].isnull()), 'Elevator'] = '無電梯'

f, [ax1,ax2] = plt.subplots(1, 2, figsize=(20, 10))
sns.countplot(df['Elevator'], ax=ax1)
ax1.set_title('有無電梯數量對比',fontsize=15)
ax1.set_xlabel('是否有電梯')
ax1.set_ylabel('數量')
sns.barplot(x='Elevator', y='Price', data=df, ax=ax2)
ax2.set_title('有無電梯房價對比',fontsize=15)
ax2.set_xlabel('是否有電梯')
ax2.set_ylabel('總價')
plt.show()
複製程式碼

結果觀察到，有電梯的二手房數量居多一些，畢竟高層土地利用率比較高，適合北京龐大的人群需要，而高層就需要電梯。相應的，有電梯二手房房價較高，因為電梯前期裝修費和後期維護費包含內了（但這個價格比較只是一個平均的概念，比如無電梯的6層豪華小區當然價格更高了）。

Year 特徵分析

grid = sns.FacetGrid(df, row='Elevator', col='Renovation', palette='seismic',size=4)
grid.map(plt.scatter, 'Year', 'Price')
grid.add_legend()
複製程式碼

在Renovation和Elevator的分類條件下，使用 FaceGrid 分析 Year 特徵，觀察結果如下：

• 整個二手房房價趨勢是隨著時間增長而增長的；
• 2000年以後建造的二手房房價相較於2000年以前有很明顯的價格上漲；
• 1980年之前幾乎不存在有電梯二手房資料，說明1980年之前還沒有大面積安裝電梯；
• 1980年之前無電梯二手房中，簡裝二手房佔絕大多數，精裝反而很少；

Floor 特徵分析

f, ax1= plt.subplots(figsize=(20,5))
sns.countplot(x='Floor', data=df, ax=ax1)
ax1.set_title('房屋戶型',fontsize=15)
ax1.set_xlabel('數量')
ax1.set_ylabel('戶型')
plt.show()
複製程式碼

可以看到，6層二手房數量最多，但是單獨的樓層特徵沒有什麼意義，因為每個小區住房的總樓層數都不一樣，我們需要知道樓層的相對意義。另外，樓層與文化也有很重要聯絡，比如中國文化七上八下，七層可能受歡迎，房價也貴，而一般也不會有4層或18層。當然，正常情況下中間樓層是比較受歡迎的，價格也高，底層和頂層受歡迎度較低，價格也相對較低。所以樓層是一個非常複雜的特徵，對房價影響也比較大。

總結

本次分享旨在讓大家瞭解如何用Python做一個簡單的資料分析，對於剛剛接觸資料分析的朋友無疑是一個很好的練習。不過，這個分析還存在很多問題需要解決，比如：

• 解決爬蟲獲取的資料來源準確度問題；
• 需要爬取或者尋找更多好的售房特徵；
• 需要做更多地特徵工程工作，比如資料清洗，特徵選擇和篩選；
• 使用統計模型建立迴歸模型進行價格預測；

更多內容會慢慢介紹和分享，敬請期待。

---

關注微信公眾號Python資料科學，獲取 120G 人工智慧 學習資料。