原标题：Python 爬取北京二手房数据，分析北漂族买得起房吗？ | 附完整源码
房价高是北漂们一直关心的话题，本文就对北京的二手房数据进行了分析。
本文主要分为两部分：Python爬取赶集网北京二手房数据，R对爬取的二手房房价做线性回归分析，适合刚刚接触Python&R的同学们学习参考。
Python爬取赶集网北京二手房数据
入门爬虫一个月，所以对每一个网站都使用了Xpath、Beautiful Soup、正则三种方法分别爬取，用于练习巩固。数据来源如下：
Xpath爬取：
这里主要解决运用Xpath如何判断某些元素是否存在的问题，比如如果房屋没有装修信息，不加上判断，某些元素不存在就会导致爬取中断。
importrequests
fromlxml importetree
fromrequests.exceptions importRequestException
importmultiprocessing
importtime
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
defget_one_page(url):
try:
response = requests.get(url, headers=headers)
ifresponse.status_code == 200:
returnresponse.text
returnNone
exceptRequestException:
returnNone
defparse_one_page(content):
try:
selector = etree.HTML(content)
ALL = selector.xpath( '//*[@id="f_mew_list"]/div[6]/div[1]/div[3]/div[1]/div')
fordiv inALL:
yield{
'Name': div.xpath( 'dl/dd[1]/a/text()')[ 0],
'Type': div.xpath( 'dl/dd[2]/span[1]/text()')[ 0],
'Area': div.xpath( 'dl/dd[2]/span[3]/text()')[ 0],
'Towards': div.xpath( 'dl/dd[2]/span[5]/text()')[ 0],
'Floor': div.xpath( 'dl/dd[2]/span[7]/text()')[ 0].strip().replace( 'n', ""),
'Decorate': div.xpath( 'dl/dd[2]/span[9]/text()')[ 0],
#地址需要特殊处理一下
'Address': div.xpath( 'dl/dd[3]//text()')[ 1]+div.xpath( 'dl/dd[3]//text()')[ 3].replace( 'n', '')+div.xpath( 'dl/dd[3]//text()')[ 4].strip(),
'TotalPrice': div.xpath( 'dl/dd[5]/div[1]/span[1]/text()')[ 0] + div.xpath( 'dl/dd[5]/div[1]/span[2]/text()')[ 0],
'Price': div.xpath( 'dl/dd[5]/div[2]/text()')[ 0]
}
ifdiv[ 'Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None: ##这里加上判断，如果其中一个元素为空，则输出None
returnNone
exceptException:
returnNone
defmain():
fori inrange( 1, 500): #这里设置爬取500页数据，在数据范围内，大家可以自设置爬取的量
url = 'http://bj.ganji.com/fang5/o{}/'.format(i)
content = get_one_page(url)
print( '第{}页抓取完毕'.format(i))
fordiv inparse_one_page(content):
print(div)
if__name__ == '__main__':
main()
Beautiful Soup爬取：
importrequests
importre
fromrequests.exceptions importRequestException
frombs4 importBeautifulSoup
importcsv
importtime
headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
defget_one_page(url):
try:
response = requests.get(url,headers = headers)
ifresponse.status_code == 200:
returnresponse.text
returnNone
exceptRequestException:
returnNone
defparse_one_page(content):
try:
soup = BeautifulSoup(content, 'html.parser')
items = soup.find( 'div',class_=re.compile( 'js-tips-list'))
fordiv initems.find_all( 'div',class_=re.compile( 'ershoufang-list')):
yield{
'Name':div.find( 'a',class_=re.compile( 'js-title')).text,
'Type': div.find( 'dd', class_=re.compile( 'size')).contents[ 1].text, #tag的 .contents 属性可以将tag的子节点以列表的方式输出
'Area':div.find( 'dd',class_=re.compile( 'size')).contents[ 5].text,
'Towards':div.find( 'dd',class_=re.compile( 'size')).contents[ 9].text,
'Floor':div.find( 'dd',class_=re.compile( 'size')).contents[ 13].text.replace( 'n', ''),
'Decorate':div.find( 'dd',class_=re.compile( 'size')).contents[ 17].text,
'Address':div.find( 'span',class_=re.compile( 'area')).text.strip().replace( ' ', '').replace( 'n', ''),
'TotalPrice':div.find( 'span',class_=re.compile( 'js-price')).text+div.find( 'span',class_=re.compile( 'yue')).text,
'Price':div.find( 'div',class_=re.compile( 'time')).text
}
#有一些二手房信息缺少部分信息，如：缺少装修信息，或者缺少楼层信息，这时候需要加个判断，不然爬取就会中断。
ifdiv[ 'Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None:
returnNone
exceptException:
returnNone
defmain():
fori inrange( 1, 50):
url = 'http://bj.ganji.com/fang5/o{}/'.format(i)
content = get_one_page(url)
print( '第{}页抓取完毕'.format(i))
fordiv inparse_one_page(content):
print(div)
withopen( 'Data.csv', 'a', newline= '') asf: # Data.csv 文件存储的路径,如果默认路径就直接写文件名即可。
fieldnames = [ 'Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price']
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
foritem inparse_one_page(content):
writer.writerow(item)
time.sleep( 3) #设置爬取频率，一开始我就是爬取的太猛，导致网页需要验证。
if__name__== '__main__':
main()
正则爬取：我研究了好久，还是没有解决。
这一过程中容易遇见的问题有：
有一些房屋缺少部分信息，如缺少装修信息，这个时候需要加一个判断，如果不加判断，爬取就会自动终止（我在这里跌了很大的坑）。
Data.csv知识点存储文件路径默认是工作目录，关于Python中如何查看工作目录：
importos
#查看pyhton 的默认工作目录
print(os.getcwd())
#修改时工作目录
os.chdir( 'e:workpython')
print(os.getcwd())
#输出工作目录
e:workpython
爬虫打印的是字典形式，每个房屋信息都是一个字典，由于Python中excel相关库是知识盲点，所以爬虫的时候将字典循环直接写入了CSV。
Pycharm中打印如下：
将字典循环直接写入CSV效果如下：
很多初学者对于Address不知如何处理，这里强调一下Beautiful Soup 中.contents的用法，亲身体会，我在这里花了好多时间才找到答案。
R对爬取的二手房房价做一般线性回归分析
下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。
数据的说明
Name：主要是商家的醒目标题，不具备分析参考意义
Type：卧室数、客厅数、卫生间数
Area：面积（平方米）
Towards：朝向
Floor：楼层
Decorate：装修情况，如精装修、简单装修、毛坯房
Address：二手房的地址
TotalPrice：总价
Price：均价（元/平方米）
数据清洗
data<-read.csv("E://Data For R/RData/data.csv")
DATA<-data[,-c(1,7)] #将Name和Address两列去掉
DATA[sample(1:nrow(DATA),size=10),]
#在爬取的时候加入了判断，所以不知道爬取的数据中是否存在缺失值，这里检查一下
colSums( is.na(DATA))
#这里将Type的卧室客厅和卫生间分为三个不同的列
##这里需要注意，有一些房屋没有客厅如：1室1卫这时候需要单独处理，还有一些没有厕所信息。
library(tidyr)
library(stringr)
DATA=separate(data=DATA,col=Type,into = c( "Bedrooms", "Halls"),sep= "室")
DATA=separate(data=DATA,col=Halls,into = c( "Halls", "Toilet"),sep= "厅")
##将卫生间后面的汉字去掉
DATA $Toilet<-str_replace(DATA $Toilet, "卫", "")
###如图六，将Halls中带有汉字去掉，因为有一些房屋信息没有客厅，如：1室1厅，在分成卧室和客厅时，会将卫生间分到客厅一列。
DATA $Halls<-str_replace(DATA $Halls, "卫", "")
##取出没有客厅信息的数据，这些数据被separate到Halls列
newdata<-DATA[ which(DATA $Toilet% in% NA),2]
newdata
##将没有客厅的房屋信息Halls列填充为0
DATA[ which(DATA $Toilet% in% NA),2]<-0
DATA[ which(DATA $Toilet% in% NA),3]<-newdata
colSums(DATA== "")
Bedrooms Halls Toilet Area Towards Floor Decorate
0 0 2 0 0 0 0
TotalPrice Price
0 0
##发现有2个厕所没有信息,将其填写为0。
DATA $Toilet[DATA $Toilet== ""]<-0
##这里将Area后的㎡去掉
DATA$Area<-str_replace(DATA$Area,"㎡","")
##查看Towards的类型
table(DATA$Towards)
Towards 北向 东北向 东南向 东西向 东向 南北向 南向 西北向
51 25 23 50 65 32 1901 678 38
西南向 西向
28 26
##将Floor信息带括号的全部去除
DATA$Floor<-str_replace(DATA$Floor,"[（].*[）]","")##正则表达式
#查看Floor的类别信息
低层 地下 高层 共1层 共2层 共3层 共4层 共5层 中层
632 32 790 36 61 101 68 130 1016
#分别将TotalPrice和Price后面的万元、元/㎡去掉
DATA$TotalPrice<-str_replace(DATA$TotalPrice,"万元","")
DATA$Price<-str_replace(DATA$Price,"元/㎡","")
head(DATA)
##将数据转换格式
DATA$Bedrooms<- as.factor(DATA$Bedrooms)
DATA$Halls<- as.factor(DATA$Halls)
DATA$Toilet<- as.factor(DATA$Toilet)
DATA$Area<- as.numeric(DATA$Area)
DATA$TotalPrice<- as.numeric(DATA$TotalPrice)
DATA$Price<- as.numeric(DATA$Price)
DATA$Towards<- as.factor(DATA$Towards)
DATA$Decorate<- as.factor(DATA$Decorate)
str(DATA)
以上数据清洗完毕。
描述性分析
这部分的主要思路是探究单个自变量对因变量的影响，对房价的影响因素进行模拟探究之前，首先对各变量进行描述性分析，以初步判断房价的影响因素。这里探究各个因素对总价影响。
探究Bedrooms与TotalPrice的关系
table(DATA $Bedrooms)
1 2 3 4 5 6 7 9
541 1225 779 193 102 20 5 1
##由于拥有6、7、9个卧室数的数量较少，这里我们排出这些数据。
DATA<-DATA[-( which(DATA $Bedrooms% in% "6")),]
DATA<-DATA[-( which(DATA $Bedrooms% in% "7")),]
DATA<-DATA[-( which(DATA $Bedrooms% in% "9")),]
table(DATA $Bedrooms)
1 2 3 4 5
541 1225 779 193 102
library(ggplot2)
ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col= "red")
DATA$Bedrooms<- as.numeric(DATA$Bedrooms)
##这里将卧室数为1、2、3命名为A，4为B，5为C
DATA$Bedrooms[DATA$Bedrooms== '1']<- "A"
DATA$Bedrooms[DATA$Bedrooms== '2']<- "A"
DATA$Bedrooms[DATA$Bedrooms== '3']<- "A"
DATA$Bedrooms[DATA$Bedrooms== '4']<- "B"
DATA$Bedrooms[DATA$Bedrooms== '5']<- "C"
不同卧室数，TotalPrice不同。且随着卧室数的增多，总价越高，符合大众的认知。
探究Halls与TotalPrice的关系
table(DATA $Halls)
0 1 2 3 4 5 9
20 1674 1050 77 18 1 0
##5个客厅只有一个个体，我们这里将其排出
DATA<-DATA[-( which(DATA $Halls% in% "5")),]
table(DATA $Halls)
0 1 2 3 4 5 9
20 1674 1050 77 18 0 0
ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col= "red")
客厅数为3时候总价最高，客厅数为0、1和2的时候总价低于客厅数3和客厅数4。
探究Toilet与TotalPrice的关系
#探究卫生间与总价的关系
table(DATA $Toilet)
0 1 2 3 4 5 6 7 9
2 2142 470 116 74 26 7 2 0
#这里将卫生间数为0、6和7的去掉
DATA<-DATA[-( which(DATA $Toilet% in% "0")),]
DATA<-DATA[-( which(DATA $Toilet% in% "6")),]
DATA<-DATA[-( which(DATA $Toilet% in% "7")),]
table(DATA $Toilet)
0 1 2 3 4 5 6 7 9
0 2142 470 116 74 26 0 0 0
ggplot(DATA,aes(x=Toilet,y=TotalPrice))+geom_boxplot(col= "red")
一般卧室数越多，卫生间数也越多，即卫生间数越多，总价越高。
探究Area与TotalPrice的关系
ggplot(DATA, aes(x=Area, y=TotalPrice)) + geom_point(col= 'red')
这个完全符合住房面积越大，总价越高。
探究Towards与TotalPrice的关系
ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col= "red")
探究Floor与TotalPrice的关系
ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col= "red")
图中信息显示楼层一共只有1、2、3、地下的总价较高。
探究Decorate与TotalPrice的关系
ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col= "red")
不同装修信息对总价影响较小。
模型建立
fit <-lm(TotalPrice~Bedrooms+Halls+Toilet+Area+Towards+Floor+Decorate,data=DATA)
summary(fit)
Call:
lm(formula = TotalPrice ~ Bedrooms + Halls + Toilet + Area +
Towards + Floor + Decorate, data = DATA)
Residuals:
Min 1Q Median 3Q Max
-1330.80-103.49-21.4163.882961.59
Coefficients:
Estimate Std. Errort value Pr(>|t|)
(Intercept) -112.763388.3010-1.2770.201697
Bedrooms2 -43.593416.2533-2.6820.007359**
Bedrooms3 -82.656520.7641-3.9817.04e-05***
Bedrooms4 -63.309634.9521-1.8110.070198.
Bedrooms5 79.061854.07631.4620.143842
Halls1 -5.066364.2764-0.0790.937182
Halls2 -53.890565.4427-0.8230.410307
Halls3 -303.975079.2280-3.8370.000127***
Halls4 -528.5427104.0849-5.0784.07e-07***
Toilet2 112.956619.11715.9093.87e-09***
Toilet3 543.730438.805614.012< 2e-16***
Toilet4 735.189455.097713.343< 2e-16***
Toilet5 338.790684.28514.0205.98e-05***
Area 5.10910.161931.557< 2e-16***
Towards东北向 138.908879.38171.7500.080248.
Towards东南向 187.189568.53882.7310.006351**
Towards东西向 176.305565.83842.6780.007453**
Towards东向 210.943573.27442.8790.004022**
Towards南北向 75.783157.11991.3270.184704
Towards南向 60.194956.96781.0570.290763
Towards西北向 75.432671.14151.0600.289091
Towards西南向 169.810675.96262.2350.025467*
Towards西向 234.081676.55853.0580.002253**
Floor地下 -812.357863.3277-12.828< 2e-16***
Floor高层 12.352514.24660.8670.385991
Floor共 1层 -313.727852.1342-6.0182.00e-09***
Floor共 2层 -453.369241.6829-10.877< 2e-16***
Floor共 3层 -601.703244.3336-13.572< 2e-16***
Floor共 4层 -183.786636.3396-5.0574.52e-07***
Floor共 5层 -41.418425.7922-1.6060.108419
Floor中层 -1.722313.5961-0.1270.899204
Decorate简单装修 -63.159122.0584-2.8630.004224**
Decorate精装修 -49.327619.8544-2.4840.013033*
Decorate毛坯 -157.029924.3012-6.4621.22e-10***
---
Signif. codes: 0‘***’ 0.001‘**’ 0.01‘*’ 0.05‘.’ 0.1‘ ’ 1
Residual standard error: 265.5on2794degrees offreedom
Multiple R-squared: 0.6852, Adjusted R-squared: 0.6815
F-statistic: 184.3on33and2794DF, p-value: < 2.2e-16
模型的F检验拒绝原假设，说明建立的模型是显著的；Ajusted R-squared为0.6815，模型的拟合程度尚可接受。
作者：徐涛，19年应届毕业生，专注于珊瑚礁研究，喜欢用R各种清洗数据，知乎用户@parkson。
声明：本文为公众号数据森麟投稿，版权归对方所有。
“
责任编辑：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
