Python数据分析之房价预测

学习数据分析的第一次练手项目。从网上爬取关于房价的相关数据属性来分析房价，并且基于一些属性来预测房价，使用的是网格搜索算法。相关的数据文件和完整代码可以从文末获取。

GridSearchCV介绍：

  能够系统地遍历多种参数组合，通过交叉验证确定最佳效果参数；他能够自动调参，只要把参数输进去，就能给出最优化的结果和参数，适合于小数据集。

一、需要的相关库：

  （1）numpy （2）pandas （3）matplotlib （4）seaborn （5）scikit-learn
以上所有库都能通过 pip下载，在用之前要先去看看官方API，英文看不懂可以去菜鸟教程看看。

二、代码部分：

（一）提取所需属性保存到CSV中

  将房价数据文件中的price、bedrooms、sqft_living、grade这几列提取到另一个新的CSV中保存，方便后续的进行：

plt.style.use("fivethirtyeight")
sns.set_style({'font.sans_serif':['simhei','Arial']}) 	#转换字体

#提取所需数据保存到CSV中
def get_data():
	with open('house_price_data.csv','rt') as f1:
		f = open('./house_price.csv', 'wt', encoding='utf-8',newline='')
		df = pd.read_csv('./house_price_data.csv', usecols=['price', 'bedrooms', 'sqft_living', 'grade'])
		df.to_csv('./house_price.csv')
		f.close()
	f1.close()

（二）数据分析并实现可视化

  绘制属性之间的可视化图表，通过图表直观展示属性值对于房价的影响程度。在绘制之前先看数据完整程度，是否需要进行特征工程将缺失值、异常值数据处理好。（tip：这里没有进行特征工程，会影响后面的建模预测）

def data_analyse():
	df=pd.read_csv('./house_price.csv')
	#df.info()	#检查数据缺失值情况
	
	#房价与室内面积关系的可视化
	f,[ax1,ax2]=plt.subplots(1,2,figsize=(20,5))
	sns.distplot(df['sqft_living'],bins=20,ax=ax1,color='r')
	sns.kdeplot(df['sqft_living'],shade=True,ax=ax1)
	sns.regplot(x='sqft_living',y='price',data=df,ax=ax2)
	plt.show()
	
	#房价与卧室个数关系的可视化
	f,[ax1,ax2]=plt.subplots(1,2,figsize=(20,8))
	sns.barplot(x='bedrooms',y='price',data=df,ax=ax1)
	
	#房价与grade关系的可视化图
	sns.barplot(x='grade',y='price',data=df,ax=ax1)
	plt.show()
	
	#绘制多变量之间的对比关系图
	sns.pairplot(df,vars=('price','sqft_living','grade','bedrooms'))
	plt.show()
	

绘制出来的图表：

图1 居室面积与房价的关系图

图2 卧室个数、等级与房价的关系图

图3 各属性关系散点图

三、数据划分

  划分数据为两部分，分别为训练数据和测试数据，可以自己控制训练数据多少，这里训练数据为70%，剩余30%用于测试。

data=pd.read_csv('./house_price.csv')
columns=['bedrooms','sqft_living','grade','price']
data=pd.DataFrame(data,columns=columns)			#重新摆放位置
prices=data['price']
features=data.drop('price',axis=1)
features=np.array(features)
prices=np.array(prices)
features_train,features_test,prices_train,prices_test=train_test_split(features,prices,test_size=0.3,random_state=0)

四、建立模型计算R2分数

  用网格搜索算法建立模型，通过交叉验证对参数空间进行求解，寻找最佳的参数。

#建立模型
def fit_model(X,y):
	cross_validator=KFold(n_splits=10,shuffle=True)
	regressor=DecisionTreeRegressor()
	params={'max_depth':range(1,11)}
	scoring_fnc=make_scorer(performance_metric)
	grid=GridSearchCV(estimator=regressor,param_grid=params,scoring=scoring_fnc,cv=cross_validator)
	grid=grid.fit(X,y)
	return grid.best_estimator_

#计算R2分数
def performance_metric(y_true,y_predict):
	score=r2_score(y_true,y_predict)
	return score

五、获取最优模型并预测房价

  获取到的score仅为0.61，准确度不是很高，可能原因是没有对缺失异常值进行处理，没有进行调参。

#获得最优模型
optimal_reg=fit_model(features_train,prices_train)
print("最理想模型的参数‘max_depth’是{}".format(optimal_reg.get_params()['max_depth']))
predicted_value=optimal_reg.predict(features_test)
r2=performance_metric(prices_test,predicted_value)
print("最优模型在测试数据上R^2分数{:,.2f}".format(r2))

#房价预测
client_data=[[3,1200,8],[4,720,8],[5,2310,7]]
predicted_price=optimal_reg.predict(client_data)
for i,price in enumerate(predicted_price):
	print("第{}位客户，根据您输入的信息预测到的房价为：￥{:,.2f}".format(i+1,price))
	

最后显示的结果为：

所需CSV数据及完整代码地址：https://github.com/songtown/data_Analysis