紧接上文的房价分析,我们需要明确需要做的是哪些方面的分析,我就根据此做了一些分析,如图所示:
由于第一篇已经将卖点词云完成了,接下来我们需要分析其中的关联关系:
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
df=pd.read_csv(r"C:\Users\Administrator\Desktop\淮安房产网信息.csv",engine="python",encoding="gbk")
依旧是熟悉的操作,熟悉配方,导入我们熟悉的np库以及pandas库,这边有个唯一不同的是,我们需要用到一个新库就是atplotlib.pyplot库,该库是python中的图表库,做数据分析时最常用的库,这个库在这就不做充分的赘述了。
由于我采样的房价是淮安的,本人由于之前在淮安有大概一年多的时间,所以我就用python代码采样了低于20000/平方的房子信息:
data=df[df["NO"]<20000]
#解决显示中文问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(8,5))
plt.hist(data["NO"],bins=15,color="blue",edgecolor='black')
plt.xlabel("房价",fontsize=12)
plt.ylabel("新房数量",fontsize=12)
plt.title("不同房价对应的新房数量分布",fontsize=15)
plt.show()
这一步代码主要给你们看一下淮安地区的房价属于一个什么范围:
接下来想分析区域对房价的影响,我想采用画散点图分析的,结果如下图所示:
发现并不是我想要那种效果,没有那种渐变感,后来发现散点图对那种横轴纵轴是数字那种表现形式,才会有那种渐变感。
于是我在想改用那种折现图表现那种效果:
还差最后一步就完成了,将面积与房价的影响通过画图画出来就可以了:
plt.figure(figsize=(8,5))
plt.bar(df["NO1"],df["NO"],color="blue",edgecolor='black')
plt.xlabel("户型",fontsize=12)
plt.ylabel("房价",fontsize=12)
plt.title("面积对房价的影响",fontsize=15)
plt.show()
效果如下图:
当我处理这里面积的数据时,我刚开始是想通过90-110平方这样的一列处理的,发现遇到比较大的技术上的限制,我就想通过求其面积的均值,来绘出这个表,结果发现这些数据上的面积均值的种类比较多,导致根本就无法处理,所以我就换了个思路,面积我就转换成了户型来处理,发现呈现效果也挺好的。
这样关系关联的部分就处理完了,有时候换个方式处理问题也会使问题解决起来轻松很多。