之前爬取的爱屋吉屋二手房数据做了下简单的处理,电脑太慢只爬取了2030条。整个过程记录一下
首先导入数据:
import pymysql as py
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
conn=py.connect(host='127.0.0.1',port=3306,user='root',passwd='xxxxxxx',db='scrapy',charset='utf8')
cur=conn.cursor()
sql = "select * from aiwuv2"
df = pd.read_sql(sql,conn)
查看下数据
接下来开始整个清洗处理过程
查看数据的列
df.columns
看起来很乱索性导入到excel里查看下,毕竟只有2000多条
df.to_excel('h:\\new\\aiwu\\aiwuver1.0.xlsx')
处理的思路是:
看房次数列转为int类型,内容为编号xxxx的定义为看房次数为0
挂牌天数列提取数字
根据板块一列增加一列区
单价一栏大部分是万/平,少部分是元/平要提取出数字
OK,现在从看房次数列开始
观察到此列的基本格式是:1.编号开头 2.x人看房。所以处理方式针对第一种直接定义为0次看房,第二种提取出数字
def kanfang(a):
if a.startswith('编号'):
retu