楼盘价格数据采集与可视化分析

最新推荐文章于 2024-07-28 10:15:21 发布

大数据挖掘DT数据分析

最新推荐文章于 2024-07-28 10:15:21 发布

阅读量3.7k

点赞数 1

向AI转型的程序员都关注了这个号???

大数据挖掘DT数据分析公众号： datadw

本文代码在公众号 datadw 里回复楼盘即可获取。

本文就从数据采集、数据清洗、数据分析与可视化三部分来看看新的一年里房市的一些问题。

数据采集：

数据采集即从网页上采集我们需要的指定信息，一般使用爬虫实现。当前开源的爬虫非常多，处于简便及学习的目的，在此使用python的urllib2库模拟http访问网页，并BeautifulSoup解析网页获取指定的字段信息。本人获取的链家网上的新房和二手房数据，先来看看原始网页的结构：

首先是URL，不管是新房还是二手房，链家网的房产数据都是以列表的方式存在，比较容易获取，如下图：

其中包含的信息有楼盘名称、地址、价格等信息，回到原始网页，看看在html中，这些信息都在什么地方，如下图：

值得注意的是，原始的html为了节省传输带宽一般是经过压缩的，不太方便分析，可以借助一些html格式化工具进行处理再分析。知道这些信息后，就可以模拟http请求来拉取html网页并使用

BeautifulSoup提取指定的字段了。

本文来自微信公众号 datadw 【大数据挖掘DT数据分析】

[python] view plain copy print?

fw = open("./chengdu.txt","a+")
index = [i+1 for i in range(32)]
for pa in index:
try:
if pa==1:
url = "http://cd.fang.lianjia.com/loupan/"
else:
url = "http://cd.fang.lianjia.com/loupan/pg%d/"%(pa)
print "request:"+url
req = urllib2.Request( url )
req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")
req.add_header("Accept","*/*")
req.add_header("Accept-Language","zh-CN,zh;q=0.8")
data = urllib2.urlopen( req )
res = data.read()
#print res
#res = res.replace(" ","")
#print res
#objects = demjson.decode(res)
soup = BeautifulSoup(res)
houseLst = soup.findAll(id='house-lst')
resp = soup.findAll('div', attrs = {'class': 'info-panel'})
for i in range(len(resp)):
name = resp[i].findAll('a', attrs = {'target': '_blank'})[0].text
privice = resp[i].findAll('span', attrs = {'class': 'num'})
privice = privice[0].text
region = resp[i].findAll('span', attrs = {'class': 'region'})
address = region[0].text.split('（')[0]
##解析获得经纬度
location,city,district = getGdLocation(name)
if not location:
location = getBdLocation(address)#自定义函数
if not location:
continue
formatStr = "%s,%s,%s,%s,%s\n"%(city,district,name,location,privice)
print formatStr
fw.write(formatStr)
except:
pass
fw.close()

数据清洗：

数据清洗，顾名思义就是将不合规的数据清理掉，留下可供我们能够正确分析的数据，至于哪些数据需要清理掉，则和我们最终的分析目标有一定的关系，可谓仁者见仁智者见智了。在这里，由于是基于地理位置做的一个统计分析，显然爬取的地理位置必须是准确的才行。但由于售房者填写的地址和楼盘名称可能有误，如何将这些有误的识别出来成为这里数据清洗成败的关键。我们清洗错误地理位置的逻辑是：使用高德地图的地理位置逆编码接口(地理位置逆编码即将地理名称解析成经纬度)获得楼盘名称和楼盘地址。对应的经纬度，计算二者对应的经纬度之间的距离，如果距离值超过一定的阀值，则认为地址标注有误或者地址标注不明确。经过清洗后，获取到的成都地区的在售楼盘及房屋数量总计在3000套的样子。

经过清洗后的数据格式为：