kaggle房价预测特征意思_用python进行房价预测

开始打怪升级之路啦，朝着更严谨细腻的数据科学之路前进！

一、项目介绍

数据集来自kaggle，数据来源 ：房价预测kaggle入门项目。Ames数据集包含来自Ames评估办公室的2930条记录。 该数据集具有23个定类变量，23个定序变量，14个离散变量和20个连续变量（以及2个额外的观察标识符） - 总共82个特征。 可以在包含的codebook.txt文件中找到每个变量的说明。 该信息用于计算2006年至2010年在爱荷华州艾姆斯出售的个别住宅物业的评估价值。实际销售价格中增加了一些噪音，因此价格与官方记录不符。

分别分为训练和测试集，分别为2000和930个观测值。 在测试集中保留实际销售价格。 此外，测试数据进一步分为公共和私有测试集。

本次练习需要围绕以下目的进行：

• 理解问题 ： 观察每个变量特征的意义以及对于问题的重要程度
• 研究主要特征 ： 也就是最终的目的变量----房价
• 研究其他变量 ： 研究其他多变量对“房价”的影响的他们之间的关系
• 基础的数据清理 ： 对一些缺失数据、异常点和分类数据进行处理
• 拟合模型：建立一个预测房屋价值的模型，并且准确预测房价

二、导入相关的数据

1.导入相关的python包

import numpy as np

import pandas as pd
from pandas.api.types import CategoricalDtype

%matplotlib inline
import matplotlib.pyplot as plt
import seaborn as sns

from sklearn import linear_model as lm
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold

# Plot settings
plt.rcParams['figure.figsize'] = (12, 9)
plt.rcParams['font.size'] = 12

2. 导入训练数据集和测试数据集

training_data = pd.read_csv("ames_train.csv")
test_data = pd.read_csv("ames_test.csv")
pd.set_option('display.max_columns', None)
#显示所有行
pd.set_option('display.max_rows', None)
#设置value的显示长度为100，默认为50
pd.set_option('max_colwidth',100)
training_data.head(7)

三、观察各项主要特征与房屋售价的关系

该数据集具有46个类别型变量，34个数值型变量，整理到excel表格中，用于筛选与房价息息相关的变量。从中筛选出以下几个与房价相关的变量：

类别型变量：

Utilities : 可用设施（电、天然气、水）

Heating (Nominal): 暖气类型

Central Air (Nominal): 是否有中央空调

Garage Type (Nominal): 车库位置

Neighborhood (Nominal): Ames市区内的物理位置（地图地段）

Overall Qual (Ordinal): 评估房屋的整体材料和光洁度

数值型变量：

Lot Area（Continuous）：地皮面积（平方英尺）

Gr Liv Area (Continuous): 地面以上居住面积平方英尺

Total Bsmt SF (Continuous): 地下面积的总面积

TotRmsAbvGrd (Discrete): 地面上全部房间数目

1. 分析最重要的变量"SalePrice"

training_data['SalePrice'].describe()

从上面的描述性统计可以看出房价的平均值、标准差、最小值、25%分位数、50%分位数、75%分位数、最大值等，并且SalePrice没有无效或者其他非数值的数据。

#绘制"SalePrice"的直方图
sns.distplot(training_data['SalePrice'])
#计算峰度和偏度
print("Skewness: %f" % training_data['SalePrice'].skew())
print("Kurtosis: %f" % training_data['SalePrice'].kurt())