zillow房价预测比赛_Zillow房价预测系列：Kmeans聚类地理信息并可视化

利用K-Means算法对Zillow竞赛数据的经纬度地理信息进行聚类，并将聚类结果进行可视化。

Kaggle举办了很多次房价预测相关的比赛。在房价预测比赛中都会有涉及到地理位置的特征，比如：最基本的经纬度(longitude、latitude)，还包括地区编码、邮编等。

地理位置对房价的重要性想必大家都是知道的，对一套相同条件的房子来说，位于北京和昆明的可谓天壤之别。因此需要我们花费大量的时间和精力来处理这些特征。

一、地理位置特征处理方法

看到地理位置信息，首先就会想到聚类，一个简单的方式将每个房子划分到同一块区域中去；除了聚类以外，通过算出几个中心点坐标，计算曼哈顿距离或者欧式距离可能都会有神奇的效果。

二、Zillow地理信息可视化实战分析

我最近在刷Zillow，所以就以Zillow数据集为例，介绍地理信息聚类方法。

第一步，我们把地理信息先可视化出来，看看效果。

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.cluster import KMeans

properties = pd.read_csv('../input/properties_2017.csv')

# make geo_df

geo_df = properties[['parcelid','latitude', 'longitude']]

geo_df['longitude'] = geo_df['longitude'] / 1e6

geo_df['latitude'] = geo_df['latitude'] / 1e6

x = np.array(geo_df['latitude'])

y = np.array(geo_df['longitude'])

fig = plt.figure(figsize=(16, 12))

plt.scatter(x, y, alpha=0.5)

plt.show()

第二步，利用KMeans算法进行聚类，并可视化聚类效果。

kmeans = KMeans(n_clusters=10).fit(geo_df[['latitude', 'longitude']])

geo_df['cluster_n'] = kmeans.labels_

fig = plt.figure(figsize=(16, 12))

x = np.array(geo_df['latitude'])

y = np.array(geo_df['longitude'])

colors = ['b', 'g', 'r', 'c', 'm', 'y', 'k', 'aqua', 'brown', 'darkblue']

#print color

for i,c in enumerate(geo_df['cluster_n'][:500]):

plt.scatter(x[i], y[i], c=colors[c], alpha=0.5)

plt.show()

可视化结果，将地理信息聚类为10类并用不同的颜色来表示，在地图上的位置相对是比较集中的，具体代表的含义需要我们下来深挖。这里只是提供一个想法。

结束语

地理信息对房价来说真的非常非常非常重要，仅仅是简单的聚类完全没有将特征的价值发挥出来，需要再尝试不断的用其他方法来处理。还有很多更加深入的处理方法，我们可以参考在之前的比赛中其他优秀获奖选手的处理思路，改进我们的处理方法，毕竟模仿也是学习最快的手段。

欢迎关注个人微信公众号：“kaggle数据分析”，分享kaggle比赛的经验和方法。