R爬虫小白入门：Rvest爬链家网+分析（三）

作者：汪喵行  R语言中文社区专栏作者

知乎ID：https://www.zhihu.com/people/yhannahwang

前言

上两节我们已经成功爬取了链家网的3w条数据，并且做了一些浅显的分析，那么这一节我们就利用机器学习，用除了房屋价格之外的其他因素（房屋高度/房屋面积等）来预测一套房子的价格。

objective：用除了房屋总价和房屋单位价格的其他因素，来预测房子的价格

用到的R包: splitstackshape / dummies / rpart / rpart.plot / RWeka / ggplot2

1.Data pre-processing

首先，根据我们的目标，我们需要预测的房屋总价是一个numeric的变量，具体的机器学习的方法有很多，比如简单的线性回归，回归树，模型树，甚至神经网络等等，这里具体介绍用regression tree和model tree来进行预测。这是因为对于比较复杂的数据，直接用建立一个全局线性规划模型有时候是不切实际并且费劲的，但是regression tree和model tree能够解决这个问题。

读取数据

1house_info <- read.csv("house_inf.csv",stringsAsFactors = FALSE)

由于之前数据里面还有一些需要处理的字符之类，在我们训练模型之前先把这些字符啊什么的都处理处理。

1content <- as.vector(house_info$house_level)
2content_size <-as.vector(house_info$house_size) 
3content <- gsub(".*平.*地上","",content)
4content_size <- gsub("厅","",content_size)
5level <- as.data.frame(content)
6size <- as.data.frame(content_size)
7house_info[7] <- level
8house_info[3] <- size
9# 相当于把house_level,house_size里面的字去掉以后再放回去

看一下output：

这里我们发现：

1.house_size这个变量其实可以拆成两个，变成bedroom和hall。因为要用“室”来切分这个变量，所以之前我没有把变量里这个字去掉。

2.第一列对于我们预测房价没有什么意义，所以也直接去掉。