北上广深房屋租赁数据分析

置顶 已于 2022-02-07 15:36:45 修改
阅读量2.8k 收藏 42
点赞数 5
分类专栏： R语言数据分析与挖掘 文章标签： 价格预测 R语言 可视化 数据分析 地图可视化
于 2021-05-04 20:12:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43180762/article/details/116404294
版权

房屋租赁信息

北上广深房屋租赁数据分析

北上广深四个一线城市，哪个城市的租房更加友好呢？城市各区域的租金是怎么分布的？离地铁口远近、房子大小、是否公寓房、精装简装、集中供暖等，租房时应该优先考虑哪些因素呢？

同时如何对带地理经纬度等信息进行可视化呢？

所以本项目获取了链家网北上广深四个城市的各三千条租房数据数据共有12000条进行实践探索

一、数据预处理

#设置工作路径
setwd("D:/LengPY")

#导入数据
data<- read.csv("housedata.csv",,encoding='UTF-8')

head(data)
A data.frame: 6 × 20
X_idbathroom_numbedroom_numbizcircle_namecitydistdistanceframe_orientationhall_numhouse_taghouse_titlelatitudelayoutlongitudem_urlrent_arearent_price_listingrent_price_unitresblock_nametype
<chr><int><int><chr><chr><chr><int><chr><int><chr><chr><dbl><chr><dbl><chr><chr><chr><chr><chr><chr>
15c714363397be4c5251a3ded23上地 北京海淀 NA南 北2精装 集中供暖 双卫生间 整租 · 上地西里二层三居 自住出租 随时入住采光好 无遮挡40.039003室2厅2卫116.3178https://m.lianjia.com/chuzu/bj/zufang/BJ2135934725586690048.html13715000元/月上地西里 整租
25c7148e6397be4c5251a583d12北大地 北京丰台 NA南 北1集中供暖 整租 · 丰台北大地电报局街家具家电齐全南北向两居 39.856662室1厅1卫116.2923https://m.lianjia.com/chuzu/bj/zufang/BJ2101229402263126016.html57 4500 元/月电报局街 整租
35c71321e397be4c5251a0b4611燕莎 北京朝阳 788北 1近地铁 精装 集中供暖 整租 · 远洋新干线 1室1厅 10500元 39.963231室1厅1卫116.4661https://m.lianjia.com/chuzu/bj/zufang/BJ2163171108206428160.html56 10500元/月远洋新干线 整租
45c712721397be4c52519fc0911阜成门 北京西城 886东 1近地铁 集中供暖 随时看房南露园 1室1厅 5600元 39.930661室1厅1卫116.3485https://m.lianjia.com/chuzu/bj/zufang/BJ2173622775712063488.html43 5600 元/月南露园 整租
55c7123bd397be4c52519f7af12和平里 北京朝阳 779东 南1近地铁 集中供暖 和平里东街15号院 2室1厅 6300元 39.957082室1厅1卫116.4314https://m.lianjia.com/chuzu/bj/zufang/BJ2158698783390056448.html56 6300 元/月和平里东街15号院整租
65c72ae43397be4c5251e2d7e12奥林匹克公园北京朝阳1139南 北2精装 随时看房 整租 · 澳林春天四期 南北通透精装两居室 距奥森一路之隔 40.018262室2厅1卫116.3807https://m.lianjia.com/chuzu/bj/zufang/BJ2158677644206948352.html11112000元/月澳林春天四期 整租
#修改编号
data$X_id<-c(1:12000)
#修改数据类型
data$rent_area<-as.numeric(data$rent_area)
data$distance<-as.numeric(data$distance)
data$rent_price_listing<-as.numeric(data$rent_price_listing)

Warning message in eval(expr, envir, enclos):
"强制改变过程中产生了NA"
Warning message in eval(expr, envir, enclos):
"强制改变过程中产生了NA"

head(data)
A data.frame: 6 × 20
X_idbathroom_numbedroom_numbizcircle_namecitydistdistanceframe_orientationhall_numhouse_taghouse_titlelatitudelayoutlongitudem_urlrent_arearent_price_listingrent_price_unitresblock_nametype
<int><int><int><chr><chr><chr><dbl><chr><int><chr><chr><dbl><chr><dbl><chr><dbl><dbl><chr><chr><chr>
1123上地 北京海淀 NA南 北2精装 集中供暖 双卫生间 整租 · 上地西里二层三居 自住出租 随时入住采光好 无遮挡40.039003室2厅2卫116.3178https://m.lianjia.com/chuzu/bj/zufang/BJ2135934725586690048.html13715000元/月上地西里 整租
2212北大地 北京丰台 NA南 北1集中供暖 整租 · 丰台北大地电报局街家具家电齐全南北向两居 39.856662室1厅1卫116.2923https://m.lianjia.com/chuzu/bj/zufang/BJ2101229402263126016.html 57 4500元/月电报局街 整租
3311燕莎 北京朝阳 788北 1近地铁 精装 集中供暖 整租 · 远洋新干线 1室1厅 10500元 39.963231室1厅1卫116.4661https://m.lianjia.com/chuzu/bj/zufang/BJ2163171108206428160.html 5610500元/月远洋新干线 整租
4411阜成门 北京西城 886东 1近地铁 集中供暖 随时看房南露园 1室1厅 5600元 39.930661室1厅1卫116.3485https://m.lianjia.com/chuzu/bj/zufang/BJ2173622775712063488.html 43 5600元/月南露园 整租
5512和平里 北京朝阳 779东 南1近地铁 集中供暖 和平里东街15号院 2室1厅 6300元 39.957082室1厅1卫116.4314https://m.lianjia.com/chuzu/bj/zufang/BJ2158698783390056448.html 56 6300元/月和平里东街15号院整租
6612奥林匹克公园北京朝阳1139南 北2精装 随时看房 整租 · 澳林春天四期 南北通透精装两居室 距奥森一路之隔 40.018262室2厅1卫116.3807https://m.lianjia.com/chuzu/bj/zufang/BJ2158677644206948352.html11112000元/月澳林春天四期 整租
## 可视化查看数据是否有缺失值
library(VIM)
aggr(data)

在这里插入图片描述

可知与地铁站距离distance缺失值较多，主要由于部分地区没有相邻地铁站，故缺失，可标注为无地铁。

同时经纬度有少量的缺失，占比极小，对分析结果基本无影响，可利用统计方法进行填补。填补经纬度,用数据前后的数据填补
其余缺失值均采用均值填充。

colnames(data)
  1. 'X_id'
  2. 'bathroom_num'
  3. 'bedroom_num'
  4. 'bizcircle_name'
  5. 'city'
  6. 'dist'
  7. 'distance'
  8. 'frame_orientation'
  9. 'hall_num'
  10. 'house_tag'
  11. 'house_title'
  12. 'latitude'
  13. 'layout'
  14. 'longitude'
  15. 'm_url'
  16. 'rent_area'
  17. 'rent_price_listing'
  18. 'rent_price_unit'
  19. 'resblock_name'
  20. 'type'
#填补地铁距离
data$distance[is.na(data$distance)] <-c(10000)
#填补经纬度,用数据前后的数据填补
library(zoo)
data$latitude <- na.locf(data$latitude)
data$longitude <- na.locf(data$longitude)
data$rent_area[is.na(data$rent_area)] <- mean(data$rent_area,na.rm = TRUE)
data$rent_price_listing[is.na(data$rent_price_listing)]<- mean(data$rent_price_listing,na.rm = TRUE)

## 可视化查看数据是否有缺失值
library(VIM)
aggr(data)

在这里插入图片描述

此时可知，数据填补完成，数据完整，可进一步描述分析

二、描述性统计

#查看城市数量
table(data$city)

北京 广州 上海 深圳 
3000 3000 3000 3000 

#区级分析
table(data$dist)

      白云     宝安区       宝山       昌平       朝阳       崇明       从化 
       681        588        167        171       1049          1         21 
  大鹏新区       大兴       东城       番禺       房山       丰台       奉贤 
         2        221         64        555        111        319         57 
    福田区     光明区       海淀       海珠       虹口       黄浦       嘉定 
       491         69        330        279         78        111        189 
      金山       静安       荔湾     龙岗区     龙华区     罗湖区     门头沟 
         4         91        221        596        373        238         91 
      闵行       南沙     南山区     坪山区       浦东       普陀       青浦 
       287         52        608          9        794        192        173 
    石景山       顺义       松江       天河       通州       西城       徐汇 
        61        107        263        556        219        201        215 
    盐田区       杨浦 亦庄开发区       越秀       增城       闸北       长宁 
        26        108         56        266        369         90        180

2.1 区级租金箱线图

#区级箱线图
library(ggthemes)

g <- ggplot(data, aes(dist, rent_price_listing))

g + geom_boxplot(aes(fill=factor(dist))) +

theme(axis.text.x = element_text(angle=65, vjust=0.6)) +

labs(title="Box plot",

subtitle="City rent_price_listing",

caption="Source: mpg",

x="Class of Vehicle",

y="City Mileage")

Warning message:
"package 'ggthemes' was built under R version 4.0.4"

在这里插入图片描述

PS：可以用各区的平均值来做聚类分析，区分高低租金的行政区

#租房类型分布
table(data$type)

 合租  整租 
  414 11586

2.2 租金分布情况

#所有租金分布
hist(data$rent_price_listing, prob = TRUE, col = "red",main="Normal Distribution")

在这里插入图片描述

#简单对数据集进行拆分
bjhouse<-data[which(data$city=='北京'),]
shhouse<-data[which(data$city=='上海'),]
szhouse<-data[which(data$city=='深圳'),]
gzhouse<-data[which(data$city=='广州'),]

#北京租金分布
hist(bjhouse$rent_price_listing, prob = TRUE, col = "red",main="Normal Distribution")

在这里插入图片描述

#深圳租金分布
hist(szhouse$rent_price_listing, prob = TRUE, col = "red",main="Normal Distribution")

在这里插入图片描述

2.3 北京各行政区租金分布

library(reshape2)
library(ggplot2)
library(ggridges)
library(RColorBrewer)
colormap <- colorRampPalette(rev(brewer.pal(11,'Spectral')))(32)
dt<-bjhouse[,c(6,17)]
colnames(dt)<-c("主题","风险")
splitdata<-split(dt,dt$主题)
xmax<-max(dt$`风险`)*1.1
xmin<-min(dt$`风险`)*1.1


N<-length(splitdata)
labels_y<-names(splitdata)

mydata<-data.frame(x=numeric(),y=numeric(),variable=numeric()) #?????յ?Data.Frame

for (i in 1:N){
  tempy<-density(splitdata[[i]][2]$`风险`,bw = 3.37,from=xmin, to=xmax)
  newdata<-data.frame(x=tempy$x,y=tempy$y)
  newdata$variable<-i
  mydata<-rbind(mydata,newdata)
}

Step<-max(mydata$y)*0.6
mydata$offest<--as.numeric(mydata$variable)*Step
mydata$V1_density_offest<-mydata$y+mydata$offest

p<-ggplot()
for (i in 1:N){
  p<-p+ geom_linerange(data=mydata[mydata$variable==i,],aes(x=x,ymin=offest,ymax=V1_density_offest,group=variable,color=y),size =1, alpha =1) +
        geom_line(data=mydata[mydata$variable==i,],aes(x=x, y=V1_density_offest),color="black",size=0.5)
}

p+scale_color_gradientn(colours=colormap,name="Density")+
  scale_y_continuous(breaks=seq(-Step,-Step*N,-Step),labels=labels_y)+
  xlab("租金")+
  ylab("行政区")+
  theme_classic()+
  theme(
    panel.background=element_rect(fill="white",colour=NA),
    panel.grid.major.x = element_line(colour = "grey80",size=.25),
    panel.grid.major.y = element_line(colour = "grey60",size=.25),
    axis.line = element_blank(),
    text=element_text(size=15,colour = "black"),
    plot.title=element_text(size=15,hjust=.3),
    legend.position="right"
  )

在这里插入图片描述

2.4 各城市租金分布对比图

data$rent_price_listing<-as.numeric(data$rent_price_listing)
#不同城市租金分布之间对比
library(beanplot)
par(mai=c(0.5,0.5,0.25,1.2))
beanplot(rent_price_listing~city, data,col = list("#FF6B5E", "#00C3C2"),
         side = "both",xlab ="city",ylab ="value")

log="y" selected

在这里插入图片描述

2.5 北京各行政区租金分布之间对比（豆荚图）

#北京租金分布之间对比
library(beanplot)
par(mai=c(0.5,0.5,0.25,1.2))
beanplot(rent_price_listing~dist, bjhouse,col = list("red", "#00C3C2"),
         side = "both",xlab ="city",ylab ="value")

log="y" selected

在这里插入图片描述

2.6 整租房屋中，不同卧室数量租金分布情况对比

zzdata<-data[which(data$type=='整租'),]
#房型分布之间对比
library(beanplot)
par(mai=c(0.5,0.5,0.25,1.2))
beanplot(rent_price_listing~bedroom_num, zzdata,col = list("red", "#00C3C2"),
         side = "both",xlab ="city",ylab ="value")

log="y" selected

在这里插入图片描述

2.7 不同城市各数据矩阵散点图

# 矩阵散点图
library(ggplot2)
library(GGally)
ggdata<-data[,c(2,3,7,16,17,5)]
ggscatmat(data =ggdata,columns = 1:5,color = "city",alpha = 0.8)+
  theme_bw(base_family = "STKaiti",base_size = 10)+
  theme(plot.title = element_text(hjust = 0.5))+
  ggtitle("矩阵散点图")

在这里插入图片描述

三、数据探索

3.1面积和租金价格分布图

##面积和租金价格分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(
  zzdata, x ='rent_area', y = 'rent_price_listing', shape=21,fill="#00AFBB",color = "black",size = 3, alpha = 1,
  #palette = c("#00AFBB", "#E7B800", "#FC4E07"),
  margin.params = list( fill="#00AFBB",color = "black", size = 0.2,alpha=1),
  margin.plot =  "histogram",
  legend = c(0.8,0.8),
  ggtheme = theme_minimal())

在这里插入图片描述

可发现，房屋面积与房租之间存在一定线性关系

3.2 地铁距离和租金价格分布图

##地铁价格和租金价格分布图
bj<-bjhouse[which(bjhouse$distance!=10000),]
bj<-bj[which(bj$type=='整租'),]
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(
  bj, x ='distance', y = 'rent_price_listing', shape=21,fill="#00AFBB",color = "black",size = 3, alpha = 1,
  #palette = c("#00AFBB", "#E7B800", "#FC4E07"),
  margin.params = list( fill="#00AFBB",color = "black", size = 0.2,alpha=1),
  margin.plot =  "histogram",
  legend = c(0.8,0.8),
  ggtheme = theme_minimal())

在这里插入图片描述


g <- ggplot(bj, aes(distance, rent_price_listing)) +

geom_count() +

geom_smooth(method="lm", se=F,color='red')

ggMarginal(g, type = "histogram", fill="blue")

ggMarginal(g, type = "boxplot", fill="transparent")
 ggMarginal(g, type = "density", fill="transparent")

`geom_smooth()` using formula 'y ~ x'

`geom_smooth()` using formula 'y ~ x'

`geom_smooth()` using formula 'y ~ x'

`geom_smooth()` using formula 'y ~ x'

`geom_smooth()` using formula 'y ~ x'

`geom_smooth()` using formula 'y ~ x'

在这里插入图片描述

可发现有一定的线性关系，且离地铁越远，房租相应下降，但由于样本中，要么无地铁信息，要么都是附近有地铁的楼盘，而一定距离范围内，距离影响并不显著，故线性相关系数较低，若能获得缺失地铁信息的楼盘与地铁站的距离，结果应当会有更大发现。

3.3 经纬度信息挖掘

bjzz<-bjhouse[which(bjhouse$type=='整租'),]
library(dplyr)
bjzz<-arrange(bjzz,desc(bjzz$rent_price_listing))
#剔除一个极端大值
bjzz<-bjzz[-1,]
head(bjzz)
A data.frame: 6 × 20
X_idbathroom_numbedroom_numbizcircle_namecitydistdistanceframe_orientationhall_numhouse_taghouse_titlelatitudelayoutlongitudem_urlrent_arearent_price_listingrent_price_unitresblock_nametype
<int><int><int><chr><chr><chr><dbl><chr><int><chr><chr><dbl><chr><dbl><chr><dbl><dbl><chr><chr><chr>
2202124CBD 北京朝阳 372南 1近地铁 集中供暖 随时看房阳光100 4室1厅 99450元 39.918394室1厅2卫116.4815https://m.lianjia.com/chuzu/bj/zufang/BJ2169359626858921984.html24399450元/月阳光100 整租
3 58024方庄 北京朝阳 21南 北 2近地铁 双卫生间 随时看房整租 · 时代芳群一层复式，临街带花园。 跃层 39.871014室2厅2卫116.4300https://m.lianjia.com/chuzu/bj/zufang/BJ2045376803442532352.html26195000元/月时代芳群 整租
4198666中央别墅区北京朝阳10000东 南 北 2精装 整租 · 卓锦万代精装6居室，房子状况新，诚意出租 40.031536室2厅6卫116.5389https://m.lianjia.com/chuzu/bj/zufang/BJ2024422078433992704.html31290000元/月卓锦万代 整租
5 14713苏州桥 北京海淀 553南 北 1近地铁 集中供暖 整租 · 海淀区可随时使用的中关村SOHO 39.989454房间1卫 116.3167https://m.lianjia.com/chuzu/bj/zufang/BJ2059876706667200512.html22382500元/月中关村SOHO 整租
6 51526方庄 北京朝阳 21南 北 2近地铁 双卫生间 整租 · 时代芳群 6室2厅 80000元 39.871016室2厅2卫116.4300https://m.lianjia.com/chuzu/bj/zufang/BJ2095502709607104512.html32880000元/月时代芳群 整租
7 43133建国门外 北京朝阳 660东 南 西 北1近地铁 精装 集中供暖 整租 · 嘉华世纪 南北通透两层复式带空中花园 精装修39.911553室1厅3卫116.4470https://m.lianjia.com/chuzu/bj/zufang/BJ1967782834081112064.html21479000元/月嘉华世纪公寓整租
#上海可视化
ggplot(shhouse, aes(x = latitude, y = longitude, fill=rent_price_listing)) +
  geom_point(shape=21,size=4,colour="black",alpha=0.95) +
  scale_fill_distiller(palette="RdYlBu")+
  theme(
    text=element_text(size=15,color="black"),
    plot.title=element_text(size=15,family="myfont",face="bold.italic",hjust=.5,color="black"),
    legend.background = element_blank(),
    legend.position=c(0.85,0.2)
  )

在这里插入图片描述

summary(bjzz$rent_price_listing)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
    900    4800    6500    8948    9500   99450 

# 给用户打上类型标签
bjzz$pricetype<- "4800元以下"
bjzz[bjzz$rent_price_listing>=4800 & bjzz$rent_price_listing<6500,'pricetype'] <- "4800-6500元"
bjzz[bjzz$rent_price_listing>=6500 & bjzz$rent_price_listing<9500 ,'pricetype'] <- "6500-9500元"
bjzz[bjzz$rent_price_listing>=9500 & bjzz$rent_price_listing<=99450,'pricetype'] <- "大于9500元"
head(bjzz)
A data.frame: 6 × 21
X_idbathroom_numbedroom_numbizcircle_namecitydistdistanceframe_orientationhall_numhouse_tag...latitudelayoutlongitudem_urlrent_arearent_price_listingrent_price_unitresblock_nametypepricetype
<int><int><int><chr><chr><chr><dbl><chr><int><chr>...<dbl><chr><dbl><chr><dbl><dbl><chr><chr><chr><chr>
2202124CBD 北京朝阳 372南 1近地铁 集中供暖 随时看房...39.918394室1厅2卫116.4815https://m.lianjia.com/chuzu/bj/zufang/BJ2169359626858921984.html24399450元/月阳光100 整租大于9500元
3 58024方庄 北京朝阳 21南 北 2近地铁 双卫生间 随时看房...39.871014室2厅2卫116.4300https://m.lianjia.com/chuzu/bj/zufang/BJ2045376803442532352.html26195000元/月时代芳群 整租大于9500元
4198666中央别墅区北京朝阳10000东 南 北 2精装 ...40.031536室2厅6卫116.5389https://m.lianjia.com/chuzu/bj/zufang/BJ2024422078433992704.html31290000元/月卓锦万代 整租大于9500元
5 14713苏州桥 北京海淀 553南 北 1近地铁 集中供暖 ...39.989454房间1卫 116.3167https://m.lianjia.com/chuzu/bj/zufang/BJ2059876706667200512.html22382500元/月中关村SOHO 整租大于9500元
6 51526方庄 北京朝阳 21南 北 2近地铁 双卫生间 ...39.871016室2厅2卫116.4300https://m.lianjia.com/chuzu/bj/zufang/BJ2095502709607104512.html32880000元/月时代芳群 整租大于9500元
7 43133建国门外 北京朝阳 660东 南 西 北1近地铁 精装 集中供暖 ...39.911553室1厅3卫116.4470https://m.lianjia.com/chuzu/bj/zufang/BJ1967782834081112064.html21479000元/月嘉华世纪公寓整租大于9500元
#北京房源分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(
  bjzz, x ='latitude', y = 'longitude',  #iris
  shape=21,color ="black",fill= "pricetype", size =4, alpha = 0.8,
  palette = c("#00AFBB", "#E7B800", "#FC4E07","pink"),
  margin.plot =  "density",
  margin.params = list(fill = "pricetype", color = "black", size = 0.2),
  legend = c(0.9,0.15),
  ggtheme = theme_minimal())

在这里插入图片描述

由图可知，高租金房源多集中在中心位置，因为地段繁华，寸土寸金，且写字楼林立，供不应求，故租金高昂，符合常理，而外围分布散乱，离市中心较远，交通不变，故符合实情。

#北京房源分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(
  bjzz, x ='latitude', y = 'longitude', shape=21,fill="#00AFBB",color = "black",size = 3, alpha = 1,
  #palette = c("#00AFBB", "#E7B800", "#FC4E07"),
  margin.params = list( fill="#00AFBB",color = "black", size = 0.2,alpha=1),
  margin.plot =  "histogram",
  legend = c(0.8,0.8),
  ggtheme = theme_minimal())

在这里插入图片描述

由经纬度信息，还原房源位置分布情况，由于正中心属于故宫天安门等区域，不存在在租房源，故除中心外，是向外扩散趋势，符合常理。可考虑结合颜色信息，对租金大小进行可视化。

# 给用户打上类型标签
shhouse$pricetype<- "4800元以下"
shhouse[shhouse$rent_price_listing>=4800 & shhouse$rent_price_listing<6500,'pricetype'] <- "4800-6500元"
shhouse[shhouse$rent_price_listing>=6500 & shhouse$rent_price_listing<9500 ,'pricetype'] <- "6500-9500元"
shhouse[shhouse$rent_price_listing>=9500 & shhouse$rent_price_listing<=99450,'pricetype'] <- "大于9500元"
head(shhouse)

##上海分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)

ggscatterhist(
 shhouse, x ='latitude', y = 'longitude',  #iris
  shape=21,color ="black",fill= "pricetype", size =4, alpha = 0.8,
  palette = c("#00AFBB", "#E7B800", "#FC4E07","pink"),
  margin.plot =  "density",
  margin.params = list(fill = "pricetype", color = "black", size = 0.2),
  legend = c(0.9,0.15),
  ggtheme = theme_minimal())

在这里插入图片描述

同理

同时也可结合GeoQ地图可视化平台，简单快捷地进行可视化。
在这里插入图片描述
或者
在这里插入图片描述
可结合道路分布，沿海情况等信息进行分析。
也可尝试结合R shiny包应用，建立交互地图可视化工具。可参考另一篇文章《2017年国赛拍照赚钱问题地图可视化APP（shiny）》
《2017年国赛拍照赚钱问题地图可视化APP（shiny）》

也可尝试使用机器学习算法建立租金预测模型，参考文章：《利用机器学习方法对猪肉价格预测》
《利用机器学习方法对猪肉价格预测》

俱往矣`
关注
  • 5
    点赞
  • 踩
  • 42
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
专栏目录
基于python的北京房屋出租数据可视化分析与3D展示——亲测可用
08-01
基于python的北京房屋出租数据可视化分析与3D展示
【大开眼界】Python爬虫骚操作
湾区人工智能
05-08 1532
多图，请确保在Wi-Fi环境下点开！主要是爬取数据，并把爬回来的数据进行分析和挖掘，做过的小项目主要有：扒了扒蔡徐坤100万+微博转发中，假流量占了多少的比例随机抓取蔡徐...
疫情后北上广深租房价格跌了吗？ | Alfred数据室
Alfred数据室
04-13 4671
去年3月份我们发布了《北上广深租房图鉴》（点击阅读），细数了北上广深租房的各种因素对租房价格的影响。一年过去了，在面临新冠疫情的后续影响、城市尚未完全恢复正常运转、学校还没开学等情况下...
链家网北京市租房数据分析（二）——基于python的数据可视化
Stella的博客
05-06 1万+
本次分析的数据为链家网租房首页的3000余条整租房源数据，分析工具为python的常用包pandas, matplotlib, seaborn。 数据源可点击链接至百度网盘提取，永久有效。 本项目分为两部分，数据清洗、可视化探索。本文为第二部分，第一部分可跳转我的另一篇文章。
爬取了10W条数据，我们整理出了这份北上广深租房图鉴
数据森麟
03-20 833
作者 | AlfredWu来源 |Alfred数据室俗话说“金三银四”，又到了春招换工作、乃至换城市的时候了。这对于“回望楼价又一年”的小伙伴们来说，也意味着又到了...
利用python + pyecharts+Pandas对北上广深等城市进行租房数据分析
小肥柴YD的博客
07-05 5029
本次分析的租房数据主要来源于上一篇博客中获取的“房天下”网站租房信息，对该数据分析主要使用了Pandas数据处理库。
数据项目总结 - 租房数据分析（完整篇）
Datawhale
06-01 7947
Datawhale干货作者：皮钱超，厦门大学，Datawhale成员深圳租房数据分析完整篇从2020年11月发表第一篇深圳租房数据分析的文章，到这篇基于深度学习框架Keras的建模分析和预测，在此谈谈3篇文章的特点：1、第一篇：写于2020年11月，笔者作为一名数据分析师，学习了Python、SQL、爬虫、可视化以及部分机器学习的常见算法和模型，所以在第一篇文章中的重...
深圳租房数据可视化分析【Plotly库绘图】
qq_51366016的博客
01-09 1815
基于python的深圳租房数据可视化分析【Plotly库绘图】
《吊打分析师》实战—深圳链家租房数据分析 | 附源码
小一的博客
04-05 2136
2020，努力做一个无可替代的人！ 长文多图，建议先收藏再看 写在前面的话 你好，我是小一 又要开始新的系列了，这个系列保证你一定会喜欢 考虑到前面的系列都是基础内容，而且篇幅还不少 所以这个系列打算多来点实战项目，像今天这种的，先做他十几二十个再说。 至于源码都会分享出来，一般都会在文末，需要的同学自取 做一下必要的介绍： 小一使用的Python版本是3.8 开发环境是Pychar......
深圳租房信息聚类与回归分析
donruo的博客
12-16 2084
一、简介 随着越来越多的人才涌入深圳工作，深圳的房价近两年来直线上升，增长速度一直居高不下。而每年刚来到来到深圳的毕业生们一开始都需要租房，而租房真的是一个折磨人的活计，想要找到一个租金便宜地段好真的是难上加难；一些黑心房东和中介坑害租客的话题也是层出不穷。因此笔者就想对链家网上的租房信息进行数据分析，看看影响房租的主要特征有那些，以及对房租进行线性回归预测。 本项目使用reques和Beat
python数据可视化：北上广深空气质量分析
03-29
Python数据可视化，2018年北上广深空气质量分析，作出AQI值走势图，以及PM2.5走势图，并对北上广深全年空气质量情况进行分析，得出优良天气占比。
北上广深租房数据分析jupyter
最新发布
01-08
北上广深数据分析，适合初学者及大学生课设答辩 首先数据清洗 然后绘制房屋朝向柱状图、各地区平均单价前三横向柱状图、北上广深户型饼图、北上广深各地区房源数量折线图，词云图。
5万条房租数据集.rar
06-02
类别 字段 字段内容 说明 租赁房源 ID 房屋编号 每间房屋编号唯一 area 房屋面积 租赁房间的面积单位平方米 ren tType 1出租方式:整租/合租/未知 房间的出租方式 houseType 房型 房屋的形状 houseFloor 所在楼层 房间所在的楼层(分为高、中、低三类) totalFloor 总楼层数 房间所在楼栋的总楼层数 houseToward 房屋朝向 房间的朝向 houseDecorati on 房屋装修 房屋内的装修情况 小区信息 commu nityName 小区名称 房屋所在小区(XQ00001) city 城市 城市(SH) region 区域 城市行政区域(RG00001) plate 板块 区域板块(BK00001) buildYear 小区建筑年代 小区建筑年代 saleSecHouseNum 该板块当月挂牌房源数 板块当月二手房挂牌房源数 配套设施 subwayStati onNum 该板块地铁站数量 板块当前地铁站总数量 busStati onNum 该板块公交站数量 板块当前公交站总数量 interSchool
北上广深历史天气分析.ipynb
07-25
北上广深历史天气分析.ipynb
北上广深公交线路数据.zip
08-18
抓取的8684网站北上广深公交线路数据，包括以数字开头和以字母/拼音开头的数据，如：1路,10路,11路,12路。注意：仅为名称，如需线数据，请访问https://blog.csdn.net/sinat_36226553/article/details/104948734
北上广深公交路线数据csv.zip
08-18
高德API获取北上广深公交路线数据。注意：此为csv文本数据，如需矢量线数据，请访问https://blog.csdn.net/sinat_36226553/article/details/104948734
R语言数据可视化案例（世界杯球员信息数据可视化）
热门推荐
诗酒趁年华。
06-21 1万+
R语言数据可视化案例（世界杯球员信息数据可视化）世界杯球员案例数据预处理 世界杯球员案例 在 faraway 包中包含一个名为 worldcup 的数据集（加载 faraway 包后，可通过代码“head(worldcup)”查看数据的前 5 行，该数据集是 2010 年世界杯上球员的信息数据，每个变量所表示的信息如下： Team： 国家 Position：位置，包括后卫、前锋、守门员、中场 Time： 上场总时间 Shots： 射门的次数 Passes：传球次数 Tackles：铲球次数 Saves： 救
R语言聚类分析案例
诗酒趁年华。
09-26 1万+
R语言聚类分析案例 在 mclust 包中包含一个 diabetes 数据集（加载 mclust 包后，可通过代码“head(diabetes)”查看数据的前 5 行，通过“?diabetes”查看每个变量的具体意义），该数据集包含 145 名糖尿病患者的三个指标的测量数据，针对该数据集，请进行如下分析： （1）只考虑 3 个指标数据，使用 k-means 聚类对数据进行聚类分析，找到合适的聚类数目，并对聚类效果进行评估； ######################第五题 聚类分析############
teengamb数据集进行回归分析
诗酒趁年华。
09-26 9745
回归分析 在 faraway 包中，包含一个 47 行 5 列的 teengamb 数据集（加载 faraway包后，可通过代码“head(teengamb)”查看数据的前 5 行，通过“?teengamb”查看每个变量的具体意义），该数据是研究关于青少年赌博情况的数据集。针对该数据集，请回答以下问题：
jupyter北上广深租房数据
01-04
根据提供的引用内容，你可以使用Jupyter notebook来分析北上广深的租房数据。首先，你需要安装所需的包，如requests、pyecharts和pandas。然后，你可以使用Jupyter notebook打开名为"北上广深租房图鉴.ipynb"的代码文件。该文件包含了对北上广深租房数据进行分析的代码。你还可以使用"data_sample.csv"文件来进行数据分析，该文件包含了随机选择的12000条租房数据（每个城市3000条）。通过运行这些代码，你可以得到关于北上广深租房数据的可视化结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值