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Pycharm2019.3
- 图形可视化使用matplotlib+seaborn+echarts
为了显示美观，部分截图是在Jupyter 下运行的结果，大家不用纠结
使用echarts 是因为小一做过前端的一些开发，对echarts 的使用还相对熟悉点，文章中主要会用echarts 来做热力图
ok，开始我们的第一篇实战
正文
这是一篇关于深圳租房数据分析的文章
文章会对深圳整体、各区域的租房价格、房屋属性等多个维度进行分析
也会对深圳的租房价格洼地、热点区域分布等进行相关探索
首先，今天的数据集来自于之前的爬虫项目：
[ 爬虫实战—拿下最全租房数据 | 附源码
](https://mp.weixin.qq.com/s?__biz=MzI5MjYwNTU5NQ==&mid=2247484012&idx=1&sn=50aa0f8034d51981346ee36fb34da6a1&chksm=ec7f9998db08108edf9e08ac3dd680093bafb42684303dea28e4551a9a6e74a37cb9fbfe14d9&token=896269182&lang=zh_CN#rd)
今天的分析流程主要分为以下三步：
- 提出问题&问题分析
- 数据预处理
- 可视化分析与探索
如果对数据分析流程还不是很了解的同学可以看看前面的这篇文章：
[ 2020，如何转行数据分析？
](https://mp.weixin.qq.com/s?__biz=MzI5MjYwNTU5NQ==&mid=2247484208&idx=1&sn=25912850bd5b78242e93e6e08f80e11d&chksm=ec7f98c4db0811d27177d0b70fc4fbda3ecb94bde3da06070283674bfba3dd7be18a9742ba95&token=896269182&lang=zh_CN#rd)
一、提出问题&问题分析
想必在提出问题之前，避免问题太大太夸张不能完成，我们得先了解一下数据都有什么
这里直接拿爬虫的需求字段数据看一下
# 数据字段
city: 城市
house_id：房源编号
house_rental_method：房租出租方式：整租/合租/不限
house_address：房屋地址：城市/行政区/小区/地址
house_longitude：经度
house_latitude：纬度
house_layout：房屋户型
house_rental_area：房屋出租面积
house_rental_price：房屋出租价格
house_update_time：房源维护时间
house_orientation：房屋朝向
house_tag：房屋标签
house_floor：房屋楼层
house_elevator：是否有电梯
house_parking：房屋车位
house_water：房屋用水
house_electricity：房屋用电
house_gas：房屋燃气
house_heating：房屋采暖
create_time：创建时间
house_note：房屋备注
一共21个字段，共21750条数据
1.1、数据特征分析
到这你可能会有疑问了，为什么先进行这个步骤？
在我们上面的22个特征中，会存在一些主要特征
像地址、房租价格、面积这些，是我们重点要分析的特征，而像房屋用水、用电、采暖这些就属于次要特征，可以进行辅助参考
就类似你去租房的时候你会首先考虑房屋的水电吗？你肯定是看了户型和价格觉得可以才会继续问水电，甚至就算水电不符合你的要求你也可能会说服自己租下的
在数据的21个特征中，其中主要数据特征包括：
- 出租方式（整租 or 合租）
- 地址（行政区-区域-小区名）
- 经纬度（房源经纬度数据）
- 格局（x室x厅x卫）
- 面积（xx m²）
- 价格（xxxx元/月）
房源编号、创建时间、采暖、备注等特征为多余特征
房源编号是房子的唯一标识，我们用小区名可以替代
深圳是沿海城市，暖气这个词似乎很遥远
创建时间没有可对比性
如果你的数据时间跨度比较大，可以做环比分析，这个时候时间字段就有用了，今天我们暂且用不上
剩下的特征都是次要特征，主要描述房屋的一些附加属性，例如车位、楼层、燃气等
1.2、提出问题
重头戏来啦，我们需要解决的问题是什么？
小一我每次搬家找房子的时候都会超级焦虑，每次都是
所以在准备做这个项目时就立刻有一个目标：如何找一个便宜又超值的房子？
嗯！也就是文章的标题，我要租个好房
我们都知道地铁口周围的房租会贵很多，那么我们知道了房源分布和价格，能不能模拟出城市的地铁线路？
这，是小一想到的第二个问题
另外，小一目前是做运营商网络数据分析的，所以就想着这个项目能够对网络的运营优化有一点点帮助，或者有个参考思路也行
这，是小一想到的第三个问题
1.3、问题分析
自己提的问题流着泪也要想出解决方法
对于上面的三个问题，我们首先需要对深圳的租房数据做一个整体统计
通过整体分布情况再次细分需要研究的数据特征，通过特征结果筛选分析确定最终的心仪目标
整体就是一个总—分的思想，从整体中选出符合要求的部分，针对部分再次分析，筛选、分析…
对于本次数据，我们可以从以下几个问题去进行分析：
- 深圳整体房源出租方式比例是什么样的？
- 深圳的房源数量分布是什么样的？
- 房租价格分布呢？
- 价格相对便宜的房源分布在哪些区域？
- 这些区域的房租、房源数据分布？
- …
这样我们就可以在目标的导向下，一步步的去细分数据，去靠近目标，并完成最终的探索分析
二、数据预处理
终于到了预处理这一步，前面学习的Pandas、NumPy 都能派上用场了，是不是有点小激动？
问题已经明确，数据也都准备好了，开始我们的第一个难题：数据预处理
数据预处理我们需要处理以下问题：
- 数据统计、分布情况
- 找出缺失数据，选用合适的方法处理
- 找出异常数据，选用合适的方法处理
- 数据合并重塑
先来看一下数据的分布情况
一共22个字段，其中house_note 全部为空，经纬度数据有一条为空，其他全部不为空
等一下，经纬度只有一条空数据，是不是可以先处理一下？
ok，满足你，看一下缺失经纬度的数据
这里直接用最简单粗暴的处理方式：
去百度坐标拾取系统输入房屋地址拿到经纬度信息
# 使用经纬度填充异常值
df_data.loc[df_data.house_longitude.isnull(), 'house_longitude'] = 114.018609
df_data.loc[df_data.house_latitude.isnull(), 'house_latitude'] = 22.604297
再来看字段：22个字段中，房源编号、房屋备注、房源维护时间、创建时间、供暖等五个字段可以直接删除
我们在提出问题的时候已经分析过可以删除的原因
# 即删除房源编号、供暖、房屋备注、房源维护时间和创建时间字段
df_data.drop(columns=['city', 'house_id', 'house_update_time', 'create_time', 'house_heating', 'house_note'],
axis=1, inplace=True
)
剩余的字段中，我们需要挨个处理，一起来看一下
最低0.47元/天 解锁文章
8490
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
