链家网北京市租房数据分析（一）——基于python的数据清洗

作为北漂中的一员，我们都明白，租房是不能回避的问题。租房被坑，也是难以避免的。多数人都有那么一段不堪回首的与黑中介面对面的往事。其实，就是贪图便宜。

便宜可以占，但是我们要理性地占便宜。要有全局观、大局观。

所以，爬取链家网的租房数据，一起来看一看，有哪些性价比高的房子。让我们用科学的手段来选择房子，拒绝黑中介，拒绝撞大运和异想天开。

数据源可至百度网盘提取，永久有效。
链接：https://pan.baidu.com/s/1EqfsnGlb63HeUlKlQfGEgg
提取码：i20b

本项目分为两部分，数据清洗、可视化探索。本文为第一部分，第二部分可前往查看。
链家网北京市租房数据python实战——可视化探索

以下是数据清洗的正文内容，大部分图是jupyter截图或导出图片。

1. 导入数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('ggplot') 

data = pd.read_csv('data_lianjia.csv', encoding='gbk', index_col=False)
data.head()
# 默认语言'gbk'，另外要设置inex_col = False 默认原数据无行索引，不然会导致URL默认为行索引。
# 补充：header = False, 默认原数据无列索引。

2. 数据概览

了解一下数据的基本情况。共有3330条数据。

经纪人有33条缺失，其他字段无缺失。 对于经纪人的缺失，我们不做处理。

data.info() 

3. 移除重复值

data.duplicated().sum() # 本语句可以看到项目有396条重复值
data = data.drop_duplicates() # 移除重复数据

4. 数据规整

对于各字段做针对性处理。

# 更改部分字段列名，方便记忆
data.rename