数据初步分析——房价的可视化2

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。