链家二手房销售数据分析

一、 数据集描述

数据集名称：链家二手房销售数据
数据来源：链家官方网站
数据集简介：此数据集是爬取的链家网北京市地区的二手房源销售信息数据，此数据集包含一张数据表lianjia
数据集量：3.8W条，30个字段
字段名称：成交价（万）、成交时间 、所在小区、户型、建筑面积、挂牌价格（万）、成交周期（天）、调价（次）、带看（次）、关注（人）、浏览（次）、链家编号、交易权属、挂牌时间、房屋用途、房屋年限、房权所属、房屋户型、所在楼层、户型结构、套内面积（㎡）、建筑类型、房屋朝向、建成年代、装修情况、建筑结构、供暖方式、梯户比例、产权年限、配备电梯

二、数据清洗
首先导入数据分析python库，导入要使用的科学计算包numpy，pandas可视化matplotlib，seaborn包且检查python版本
采用matplotlib作图时默认设置下是无法显示中文的，凡是汉字全部会显示成小方块这里更改设置，以便作图时能正常显示中文
排除警告，然后导入数据且显示前5行数据，并进行初步数据观察
查看一下整体的数据情况
由以上可以观察到按照分段组织起来的分区数据，不能直接看到每条数据是属于哪个区，需要将数据整理成每条记录都能直接看到所属的分区，以方便后续的数据处理和分析查看大区字段中含有的字符数据，查看可知，大区字段含有如“1125-1148”、“470”、“朝阳”等类型的数据，将“1125-1148”、“470”类型的数据替换成nan，替换成功了之后，由于大区字段总共只有14个大区的名称，说明大区字段总共只有14个非nan的值
删除像 “大兴 nan nan nan nan " 这种类似的行调整字段顺序，把大区字段放在到最前面来研究数据，进行预处理，包括了解数据特征的缺失值，异常值发现数据集一共有38379条数据，其中最后两个字段xx1,xx2有明显的缺失值，所以这两个字段要着重看下到底是什么原因造成的，把这两个字段都去重一下，看看都有哪些值。既然xx2这个字段的值有一部分是“有”、“无”这种值，但是这种值本身应该是配备电梯这个字段的值，xx1和xx2字段产生的原因是这些行中的数据在按照\t作为分隔符解析的时候，多解析出来了个两个字段，这就造成原本是配备电梯字段值的就变成xx2字段的值了，