成都二手房市场分析

成都二手房市场分析

数据爬取自某市场份额较大的中介,基本上能代表整个成都二手房交易状况。

数据概览&整理

数据主要由2张表格构成: houseDetail.csv, 已成交房屋详细信息(18万条+)和 blockDetail.csv, 已成交房屋小区详细信息(7千条+)。
先看下数据长啥样。

df = pd.read_csv('houseDetail.csv', index_col='houseID', dtype={'houseID':str,'listedDays':str,'listedPrice':str, 'listedTime':str})
print(df.shape)
df.head(1)

(185950, 34)

agent agentID area blockID browses buildingStructure buildingType builtYear dealHouseTxt dealedTime decoration district elevator_units feature floor follows hasElevator listedDays listedPrice listedTime orientation ownership priceAjustment pricePerMetre propertyYear title totalPrice transactionType transactionYear unitStructure unitType unitUsage usableArea visits
houseID
106101478810 史于竹 1000000023028484 34.64㎡ 1611047665350 603 钢结构 板塔结合 2008 NaN 2018.09.28 其他 shawanhuizhan 四梯八十五户 锦西国际是一个住宅小区 水电气三通民用 需要有购房资质才能购买 此小区1栋1单元4梯67户 ... 高楼层(共22层) 7 50 71.5 2018-08-10 暂无数据 1 20641 70年 锦西国际 71.5 商品房 暂无数据 跃层 2室1厅1厨1卫 普通住宅 暂无数据 0
blockDetail_df = pd.read_csv('blockDetail.csv', index_col='blockID', dtype={'blockID':str})
print(blockDetail_df.shape)
blockDetail_df.head(3)

(7222, 10)

PMC address buildingTypes buildingsNum builtYear coordinate developer fee title unitsNum
blockID
1611047665350 四川博鑫物业管理有限公司 (金牛沙湾)圃园北路1号 塔楼/塔板结合 1栋 2008年建成 104.06200416,30.70025532 四川名人房地产开发有限责任公司 1.8元/平米/月 锦西国际 1788户
1611061495762 单位自管物业 (金牛沙湾)沙湾路71号 板楼 4栋 1998年建成 104.058682,30.699298 无开发商 0.5元/平米/月 沙湾路71号 175户
3011055272967 成都世纪城物业管理有限公司 (金牛沙湾)金沙路169号 塔楼 7栋 2014年建成 104.053015,30.697927 成都国际会议展览中心 2至6元/平米/月 现代城 2433户

houseDetail 一共有185950行, 34列。blockDetail一共7222行,10列。数据类型基本都是字符串,需要做一些整理。

# 将面积转成float型。其他字段类似的作相应处理
def areaClean(df):
    area = df.area
    if area=='' or area=='暂无数据':
        return -1
    else:
        return float(area[0:-1])

df['area'] = df.apply(areaClean, axis=1)

df['dealedTime'] = pd.to_datetime(df.dealedTime)
df.sort_values(by=['dealedTime', 'listedTime'], inplace=True)

数据分析

1.字段概览

  • 房屋建筑面积

print('area\n', df.area.describe())

area
count 185950.000000
mean 92.011252
std 39.212880
min 8.000000
25% 67.250000
50% 87.000000
75% 111.660000
max 877.530000

最大的有800多平。

  • 挂牌价

print('listedPrice\n', df.listedPrice.describe())

listedPrice
count 185950.000000
mean 85.652573
std 76.763219
min -1.000000
25% 42.000000
50% 77.000000
75% 117.000000
max 2750.000000

挂牌价均值85万,最高的是2750万

  • 电梯

print('hasElvevator\n', df.hasElevator.value_counts())

hasElvevator
1 143898
0 34859
-1 7193

77%都是电梯房。

  • 房屋距上次交易满了几年

print('transactionYear\n', df.transactionYear.value_counts())

transactionYear
-1 148967
5 18607
2 18376

满了5年/2年的各占约10%,其他的未知。

  • 户型结构

print('unitStructure\n', df.unitStructure.value_counts())

unitStructure
-1 132101
平层 50938
跃层 1699
错层 749
复式 462
Loft 1

  • 房屋属性

print('unitUsage\n', df.unitUsage.value_counts())

unitUsage
普通住宅 178530
商业办公类 3778
车库 2781
别墅 858
商业 1
写字楼 1
四合院 1

成交最多的当然是住宅。后面就重点分析住宅的情况。

2. 成交量

  • 按房屋建成年代统计成交量
tmp = df.builtYear.value_counts().sort_index(ascending=False)
x = tmp.index.tolist()[:-1]
y = tmp.values.tolist()[:-1]
plt.figure(figsize=(13, 8), facecolor='w')
plt.bar(x,y)
plt.grid()
plt.title('Number of builtYear')
plt.show()

按建成年代统计成交量
成交得最多的是08-13年建成的房子。

  • 挂牌当天就成交的数量
tmp = df[df.listedDays ==1]
print('挂牌当天就成交的数量::', tmp.shape[0])
plt.figure(figsize=(13, 8), facecolor='w')
tmp.groupby('dealedTime').count()['unitType'].plot()
plt.show()

挂牌当天就成交的数量: 40805
挂牌当天就成交的数量

2013年的峰值是怎么回事?
tmp.groupby('dealedTime').count()['unitType'].sort_values(ascending=False)[0:19]

dealedTime
2013-03-10 166
2013-03-09 128
2013-03-03 118
2013-03-31 99
2013-03-08 97
2013-03-16 97
2013-03-04 96
2013-03-07 90
2013-03-11 87
2013-03-17 82
2013-03-06 80
2013-03-24 80
2013-02-24 78
2013-03-18 77
2013-10-31 76
2013-03-12 75
2014-02-23 74
2013-03-05 73
2013-03-15 72
2013-03-02 71
Name: unitType, dtype: int64

按成交日分组统计成交量,前20个日子有19个都在2013年3月。查了下原来2013年2月新国五条出炉,全国部分城市实行二手房 20%个税。大家就赶着卖啊!

  • 住宅成交量
plt.figure(figsize=(13, 8), facecolor='w')
df[(df.unitUsage=='普通住宅')&(df.propertyYear==70)].groupby('dealedTime').count()['unitType'].plot()
plt.show()

住宅成交量

3.成交价

  • 挂牌价与成交价之差
tmp = df.listedPrice - df.totalPrice
print('挂牌价与成交价之差前十:', sum(tmp.value_counts()[0:6]), 
      ',占比', sum(tmp.value_counts()[0:6])/df.shape[0])
tmp.value_counts()[0:6]

挂牌价与成交价之差前十的数量: 111971 ,占比 0.602156493681097
0.0 49885
2.0 14708
1.0 11196
3.0 10676
4.0 6618
5.0 6444
0.5 3520
1.5 3473
2.5 2883
6.0 2568
dtype: int64

结论: 大部分成交价都不高于挂牌价,降个几万块卖掉很正常。

  • 房屋单价 (万/平米)

print(df.pricePerMetre.describe())

count 183109.000000
mean 10701.069303
std 4724.150763
min 203.000000
25% 7563.000000
50% 9493.000000
75% 12764.000000
max 141490.000000

最高的单价超过14万…搞错没有?

df[df.pricePerMetre >= 100000]

agent agentID area blockID browses buildingStructure buildingType builtYear dealHouseTxt dealedTime decoration district elevator_units feature floor follows hasElevator listedDays listedPrice listedTime orientation ownership priceAjustment pricePerMetre propertyYear title totalPrice transactionType transactionYear unitStructure unitType unitUsage usableArea visits
houseID
CDGX90106318 NaN 0 47.0 1611041606967 NaN 钢混结构 板楼 2006.0 近地铁 2015-08-21 其他 shenxianshu 三梯十户 NaN 低楼层(共16层) 0 1.0 1.0 42.0 2015-08-21 南 北 NaN 0 141490 70.0 和贵时代巢 665.0 商品房 NaN NaN 1室0厅1厨1卫 普通住宅 NaN 0

看看这个小区的成交价

df[df.blockID == 1611041606967].pricePerMetre.describe()

count 137.000000
mean 12181.613139
std 11531.907341
min 7765.000000
25% 9333.000000
50% 10220.000000
75% 12103.000000
max 141490.000000

看来是小数点位置错了。改正一下吧

df.loc['CDGX90106318','pricePerMetre'] = df.loc['CDGX90106318','pricePerMetre'] / 10

单价5万以上的还有些数据有误,这里就不详细列出来了。
极大值修正了,下面看看极小值。
这里只保留住宅,并且把总价10万以内的去掉。

# 只保留住宅
df = df[(df.unitUsage=='普通住宅')&(df.propertyYear==70)]
# 把总价10万以内的去掉
df = df[df.totalPrice > 10]
print(df[(df.totalPrice <= 20) & (df.listedTime==df.dealedTime)].shape[0])
print(df[df.totalPrice <= 20].shape[0])
print(df[(df.totalPrice <= 30) & (df.listedTime==df.dealedTime)].shape[0])
print(df[df.totalPrice <= 30].shape[0])
print('**')
print(sum(pd.isna(df[(df.totalPrice <= 20) & (df.listedTime==df.dealedTime)].feature)))
print(sum(pd.isna(df[df.totalPrice <= 20].feature)))
print(sum(pd.isna(df[(df.totalPrice <= 30) & (df.listedTime==df.dealedTime)].feature)))
print(sum(pd.isna(df[df.totalPrice <= 30].feature)))

102
340
799
2596
**
102
256
799
2008

去掉总价30万以内且没有feature的数据

df = df[((df.totalPrice <=30) & pd.isna(df.feature))==False]
df.shape[0]

175131

  • 住宅成交均价走势图
df_house = df
tmp = df_house.groupby('dealedTime')
# 均价走势
meanPrice = pd.DataFrame((tmp.sum()['totalPrice'])/(tmp.sum()['area']))
x1 = meanPrice.index.tolist()
y1 = meanPrice.values.tolist()
# 2018年以来的均价走势
tmp = df_house[df_house.dealedTime > '2018'].groupby('dealedTime')
meanPrice = pd.DataFrame((tmp.sum()['totalPrice'])/(tmp.sum()['area']))
x2 = meanPrice.index.tolist()
y2 = meanPrice.values.tolist()
plt.figure(figsize=(20, 8), facecolor='w')
ax1 = plt.subplot(121)
ax1.plot(x1, y1)
plt.grid(True)
ax2 = plt.subplot(122)
ax2.plot(x2, y2)
plt.grid(True)
plt.suptitle(u'MeanPrice', fontsize=20)
plt.show()

住宅成交均价走势图

  • 按小区计算成交均价
# 计算各个小区的季度成交均价
seasonStart, seasonEnd, seasonData = [],[],[]
table = pd.DataFrame()
dateStart = ['0101','0401','0701','1001']
dateEnd = ['0331','0630','0930','1231']
for i in range(9):
    for j in range(4):
        seasonStart.append('201' + str(i) + dateStart[j])
        seasonEnd.append('201' + str(i) + dateEnd[j])

for blockID in df_house.blockID.drop_duplicates():
    price_season = []
    df = df_house[df_house.blockID == blockID]
    for i in range(36):
        price = df[(df.dealedTime <= seasonEnd[i]) & (df.dealedTime >= seasonStart[i])]
        # 如果成交量不为0:
        areaSum = price.area.sum()
        if areaSum:
            price_season.append(price.totalPrice.sum() / areaSum)
        else:
            price_season.append(0)
#         num_season.append(price.shape[0])
    row = pd.DataFrame(price_season, columns=[blockID]).transpose()
    table = table.append(row)
table.columns = seasonEnd
table.head(3)
20100331 20100630 20100930 20101231 20110331 20110630 20110930 20111231 20120331 20120630 20120930 20121231 20130331 20130630 20130930 20131231 20140331 20140630 20140930 20141231 20150331 20150630 20150930 20151231 20160331 20160630 20160930 20161231 20170331 20170630 20170930 20171231 20180331 20180630 20180930 20181231
1611041736706 0.837209 0.000000 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.013776 1.060018 1.087637 1.096615 1.242458 1.122991 1.174408 1.110373 1.112799 1.007769 1.124149 1.094431 1.145196 1.231889 1.245007 1.188826 1.250666 1.282542 1.357817 1.595426 1.800378 2.012120 2.379557 2.567605 2.583029 2.186766 2.256848
3011053812925 0.000000 0.946835 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.277778 1.333679 1.247095 1.265897 1.280712 1.434426 1.281119 1.235797 1.043956 1.131868 1.109630 0.000000 1.208551 1.011583 1.283109 1.307769 1.521298 1.536435 1.764860 1.630417 1.934985 2.408024 2.631629 0.000000 2.475933 2.395604 2.449109
3011053393070 0.000000 0.548154 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.666474 0.000000 0.000000 0.732205 0.000000 0.670918 0.739535 0.719043 0.727057 0.000000 0.000000 0.000000 0.000000 0.000000 0.673407 0.713615 0.699070 0.849391 0.751822 0.804164 0.896106 1.093842 1.414834 1.491133 1.532258 0.000000 1.140351
# 计算季度价格环比涨幅
pre, cur = None,None
for col in table.columns:
    if col=='20100331':
        pre = table[col].values.copy()
        continue
    cur = table[col].values.copy()
    table[col] = cur / pre
    pre = cur
table.head(3)
20100331 20100630 20100930 20101231 20110331 20110630 20110930 20111231 20120331 20120630 20120930 20121231 20130331 20130630 20130930 20131231 20140331 20140630 20140930 20141231 20150331 20150630 20150930 20151231 20160331 20160630 20160930 20161231 20170331 20170630 20170930 20171231 20180331 20180630 20180930 20181231
1611041736706 0.837209 0.000000 NaN NaN NaN NaN NaN NaN NaN inf 1.045614 1.026055 1.008255 1.132995 0.903846 1.045785 0.945475 1.002185 0.905616 1.115482 0.973564 1.046385 1.075701 1.010649 0.954875 1.052017 1.025487 1.058692 1.174993 1.128462 1.117610 1.182612 1.079027 1.006007 0.846590 1.070834
3011053812925 0.000000 inf 0.0 NaN NaN NaN NaN NaN NaN inf 1.043748 0.935079 1.015077 1.011703 1.120022 0.893123 0.964623 0.844763 1.084211 0.980352 0.000000 inf 0.837021 1.268417 1.019218 1.163278 1.009950 1.148672 0.923822 1.186803 1.244467 1.092858 0.000000 inf 0.967556 0.000000
3011053393070 0.000000 inf 0.0 NaN NaN NaN NaN NaN NaN inf 0.000000 NaN inf 0.000000 inf 1.102274 0.972291 1.011144 0.000000 NaN NaN NaN NaN inf 1.059708 0.979618 1.215031 0.885130 1.069620 1.114333 1.220661 1.293454 1.053928 1.027580 0.000000 NaN
# 将 inf 和 0 替换为 nan
table = table.applymap(lambda x: np.nan if x == np.inf else x)
table = table.applymap(lambda x: x if x > 0 else np.nan)

for i in table.columns:
    print(sum(table[i]>0), end=',')

# 因前8列有成交的小区数量过少,故舍弃不用
table.drop(axis=1, columns=['20100331','20100630','20100930','20101231','20110331',
                            '20110630','20110930','20111231'], inplace=True)
table.to_csv('seasonTable.csv')
table.head(3)

1,2,6,11,20,19,20,34,249,870,710,896,1235,1001,1095,1068,1030,960,902,939,910,1408,1704,1995,2319,2610,2707,2668,3024,2409,3173,3277,2857,2431,2317,2465,

20120331 20120630 20120930 20121231 20130331 20130630 20130930 20131231 20140331 20140630 20140930 20141231 20150331 20150630 20150930 20151231 20160331 20160630 20160930 20161231 20170331 20170630 20170930 20171231 20180331 20180630 20180930 20181231
1611041736706 NaN 1.013776 1.060018 1.087637 1.096615 1.242458 1.122991 1.174408 1.110373 1.112799 1.007769 1.124149 1.094431 1.145196 1.231889 1.245007 1.188826 1.250666 1.282542 1.357817 1.595426 1.800378 2.012120 2.379557 2.567605 2.583029 2.186766 2.256848
3011053812925 NaN 1.277778 1.333679 1.247095 1.265897 1.280712 1.434426 1.281119 1.235797 1.043956 1.131868 1.109630 NaN 1.208551 1.011583 1.283109 1.307769 1.521298 1.536435 1.764860 1.630417 1.934985 2.408024 2.631629 NaN 2.475933 2.395604 2.449109
3011053393070 NaN 0.666474 NaN NaN 0.732205 NaN 0.670918 0.739535 0.719043 0.727057 NaN NaN NaN NaN NaN 0.673407 0.713615 0.699070 0.849391 0.751822 0.804164 0.896106 1.093842 1.414834 1.491133 1.532258 NaN 1.140351

最后得到的这张表格是各个小区的季度均价环比涨幅。下面画个动态热力图看看哪儿的小区房价窜得快

小区季度均价环比涨幅动态热力图
类似的还可以画小区季度均价的累积涨幅动态热力图。此处略过。

下面是小区历史累积成交量静态热力图:
在这里插入图片描述
很明显,成交集中在三环内和地铁沿线。

  • 按小区绘制价格与数量。
def plotPrice(df):
    price_year, price_season, price_month, num_year, num_season, num_month, yearStart, yearEnd, seasonStart, seasonEnd = [],[],[],[],[],[],[],[],[],[]
    dateStart = ['0101','0401','0701','1001']
    dateEnd = ['0331','0630','0930','1231']
    dateMonth = []
    for i in range(9):
        yearStart.append('201' + str(i) + '0101')
        yearEnd.append('201' + str(i) + '1231')
    for i in range(9):
        for j in range(4):
            seasonStart.append('201' + str(i) + dateStart[j])
            seasonEnd.append('201' + str(i) + dateEnd[j])
    for i in range(9):
        for j in range(1,13):
            if j < 10:
                dateMonth.append('201' + str(i) + '0' + str(j) + '01')
            else:
                dateMonth.append('201' + str(i) + str(j) + '01')
    dateMonth.append('20190101')
    for i in range(9):
        price = df[(df.dealedTime <= yearEnd[i]) & (df.dealedTime >= yearStart[i])]
        price_year.append(price.totalPrice.sum() / price.area.sum())
        num_year.append(price.shape[0])
    for i in range(36):
        price = df[(df.dealedTime <= seasonEnd[i]) & (df.dealedTime >= seasonStart[i])]
        price_season.append(price.totalPrice.sum() / price.area.sum())
        num_season.append(price.shape[0])
    for i in range(len(dateMonth)):
        price = df[(df.dealedTime < dateMonth[i+1]) & (df.dealedTime >= dateMonth[i])]
        price_month.append(price.totalPrice.sum() / price.area.sum())
        num_month.append(price.shape[0])
        if i == len(dateMonth)-2:
            break

    plt.figure(figsize=(13, 8), facecolor='w')
    ax = plt.subplot(121) #做一个 1 行 2 列的图,当前为图 1
    ax.bar(np.arange(36), num_season, color='g', width=0.5, alpha=0.6, label='number')
    plt.legend(loc=(0.05,0.9))
    ax1 = ax.twinx()
#     ax1.plot(num_season, color='r', label='number')
    ax1.plot(price_season, color='r', linewidth=1.5, label='price_season')
    plt.legend(loc=(0.05,0.85))
    plt.grid(True)
    ax = plt.subplot(122)
    ax.bar(np.arange(9), num_year, color='g', width=0.5, alpha=0.6, label='number')
    plt.legend(loc=(0.05,0.9))
    ax1 = ax.twinx()
    ax1.plot(price_year, color='r', linewidth=1.5, label='price_year')
    plt.xlabel('year', fontsize=15)
    plt.legend(loc=(0.05,0.85))
    plt.grid()
    plt.suptitle(u'MeanPrice', fontsize=20)
    plt.show()
    plt.figure(figsize=(13, 8), facecolor='w')
    plt.bar(np.arange(len(dateMonth)-1), num_month, color='g', width=0.5, alpha=0.6, label='number')
    plt.legend(loc=(0.05,0.9))
    plt.twinx()
    plt.plot(price_month, color='r', linewidth=1.5, label='price_year')
    plt.legend(loc=(0.05,0.85))
    plt.grid(True)
    plt.xticks([i*20 for i in range(6)], [dateMonth[i*20] for i in range(6)])
    plt.title('MeanPrice_Month')
    plt.show()
    return sum(num_year), df.totalPrice.sum() / df.area.sum()

望江橡树林一期的季/年/月成交均价与成交量
在这里插入图片描述
在这里插入图片描述

4.小区分析

print('小区数量: ', blockDetail_df.shape[0])
print('物管公司数量: ', blockDetail_df.PMC.drop_duplicates().shape[0])
print('开发商数量: ', blockDetail_df.developer.drop_duplicates().shape[0])
print('物管前15名(根据管理小区数量排序): \n', blockDetail_df.PMC.value_counts().head(15))
print('开发商前15名(根据开发小区数量排序): \n', blockDetail_df.developer.value_counts().head(10))

小区数量: 7222
物管公司数量: 855
开发商数量: 1223
**
物管前15名(根据管理小区数量排序):
私人承办物业 1539
暂无信息 1532
业主自筹物业 965
街道办事处(居委会)代管物业 569
小区物管处 229
成都金房物业服务有限公司 39
成都中海物业管理有限公司 34
成都交大智能物业管理有限公司 26
成都仁和春天物业管理有限公司 26
蓝光嘉宝物业管理有限公司 23
成都合力物业服务有限公司 21
无物业管理服务 20
成都麓山物业管理有限公司 19
成都心连心物业管理有限公司 18
成都龙湖物业服务有限公司 16
**
开发商前15名(根据开发小区数量排序):
无开发商 2798
暂无信息 1749
中房集团成都房地产开发总公司 40
中铁二局房地产集团有限公司 35
成都金房集团有限公司 28
中房集团成都房地产开发有限公司 22
成都交大房产开发有限责任公司 22
成都万华房地产开发有限公司 20
成都人居置业有限公司 19
成都置信实业(集团)有限公司 17

  • 按建成年代统计小区个数
    在这里插入图片描述

  • 按建成年代统计小区总户数
    在这里插入图片描述
    从图上可以看到,近年修建的小区容积率大幅上升。

  • 小区户数的分布

blockDetail_df.sort_values(by=['unitsNum', 'buildingsNum'], ascending=False, inplace=True)
print('所有小区户数总计: ', sum(blockDetail_df.unitsNum))
blockDetail_df.head(3)

所有小区户数总计: 4165323

PMC address buildingTypes buildingsNum builtYear coordinate developer fee title unitsNum
blockID
1611061524964 重庆新龙湖物业有限公司 (高新西高新西)合作路89号 塔楼/板楼/塔板结合 25 2011 103.928587,30.76087 成都龙湖锦鸿置业有限公司 2.8至11元/平米/月 龙湖时代天街 13550
1611063168544 成都宏鹏物业管理有限公司 (郫都郫县万达)望丛东路139号 塔楼/板楼/塔板结合 24 2010 103.913345,30.813595 成都市郫县万达广场投资有限公司 2至4.5元/平米/月 蜀都万达广场 10673
3011056075583 成都森宇物业管理有限公司 (天府新区南湖)南湖西路175号 板楼/塔板结合 41 2010 104.047914,30.502704 成都森宇实业集团有限公司 1.5元/平米/月 南湖国际社区 9799

小区户数中位数: 247
小区户数平均数: 575

小区户数直方图
在这里插入图片描述

按户数对物管公司排序:

蓝光嘉宝物业管理有限公司 36625
成都合能物业管理有限公司 34558
成都中海物业管理有限公司 32214
成都万科物业管理有限公司 28425
成都龙湖物业服务有限公司 27148
成都森宇物业管理有限公司 25896
成都金房物业服务有限公司 25729
华润置地(成都)物业服务有限公司 25546
成都仁和春天物业管理有限公司 22843
保利物业管理有限公司成都分公司 22601

按户数对开发商排序:

华润置地(成都)发展有限公司 28059
成都龙湖地产有限公司 27037
成都森宇实业集团有限公司 24337
中房集团成都房地产开发总公司 24053
保利(成都)房地产开发有限公司 20769
成都人居置业有限公司 19729
四川蓝光实业集团有限公司 18371
成都城投地产有限公司 18215
成都金房集团有限公司 18209
四川蓝光和骏实业股份有限公司 18022
和记黄埔地产(成都)有限公司 16665
中房集团成都房地产开发有限公司 16398
成都双流和骏置业有限公司 15858

  • 小区的换手率
PMC address buildingTypes buildingsNum builtYear coordinate developer fee title unitsNum dealedNum ratio
3011055361769 重庆泓山物业管理有限公司成都分公司 (郫都成外)金粮路566号 塔楼/板楼/塔板结合 36 2007 103.996741,30.733224 上海绿地集团成都公司 1.5元/平米/月 派克公馆 5441 1184 0.217607
3011056095764 街道办事处(居委会)代管物业 (高新西高新西)尚锦路116号 塔板结合 38 2008 103.933645,30.783262 成都市武侯区桂溪房地产开发公司 1.2元/平米/月 上锦颐园 3601 937 0.260205
3011056075583 成都森宇物业管理有限公司 (天府新区南湖)南湖西路175号 板楼/塔板结合 41 2010 104.047914,30.502704 成都森宇实业集团有限公司 1.5元/平米/月 南湖国际社区 9799 872 0.088989

按成交量排序,派克公馆夺得第一名。小区总共5千多套,交易过1千多套…

换手率 >20% 小区数: 46
换手率中位数: 2.7%
换手率平均数: 4.4%

换手率直方图
在这里插入图片描述

没有更多推荐了,返回首页