您的选房系统已上线——利用python和R如何进行房价预测

本文约1500字，阅读需要5分钟。讲述了如何使用python进行房价信息获取，如何利用R构建回归模型以达到预测上海某个地区房价的目的。

关键词：买房 Python 选房 R 定价

本文讲述了借助Python，Gis和R语言制作房源定价系统的方法，对原理、过程都有详细的讲述

p.s.文末有源代码分享

为了能在当今竞争激烈的社会活下去，我一直在孜孜不倦地开发自己的潜能，寻找更多的副职业增加收入，从而在双十一后的双十二可以继续剁手。

这不，成为业余房地产咨询师的第一天，客户戳我了：我要在上海16个区买16套房子，资金到位，您给估个价吧。

对于这类在在如此严峻的房地产政策之下，还想拥有两位数以上房产的“忽悠”高手，我一向给予至尊VIP的待遇。

决定一套房子价格的因素主要是三个方面，房屋本身的属性，房屋的空间位置和周边的其他因素。这篇文章会讲述考虑这些因素的分析——建模——检验的过程。

1、 数据集的准备

这里分为两步：

##第一步，抓取所有URL：

if__name__=='__main__':

url_list = create_url(220,2)#填写区间最大面积和公差，保证按大于最大面积搜索，房源数小于等于3000

data_list = []

#data_list = craw_second_url(url_list)

craw_second_url(url_list)

data =  pd.DataFrame(pd.Series(data_list),columns=['url'])

data.to_csv('./urls.csv',encoding='gbk',index=0)

print('finish')

##第二步，爬取房源信息：

defread_url(path):

path = path

data = pd.read_csv(path,engine='python')

try:

data_received = pd.read_csv('./house_inf_lianjia.csv',engine='python')

print('导入爬取数据')

data_received_list = data_received['url'].tolist()

print('转换表格')

url_list = data[~data['url'].isin(data_received_list)]['url'].unique().tolist()

print('剔除已爬取数据')

print(len(url_list))

except:

url_list = data['url'].unique().tolist()

data = pd.DataFrame(

columns=['house_id','name','price','area_price','area','room','livingroom','kitchenroom',

'bathroom','lng','lat','url'])

data.to_csv('./house_inf_lianjia.csv', encoding='gbk', index=0)

print('无历史数据')

returnurl_list

我还顺手做了一个断点续传功能&#x