数据分析: 线性回归分析之研究二手房价的影响因素，建立房价预测模型

# -*- coding: utf-8 -*-
'''
研究二手房价的影响因素，建立房价预测模型，数据存放在“sndHsPr.csv”中。
分析思路：
在对房价的影响因素进行模型研究之前，首先对各变量进行描述性分析，
以初步判断房价的影响因素，进而建立房价预测模型
变量说明如下：
dist-所在区
roomnum-室的数量
halls-厅的数量
AREA-房屋面积
floor-楼层
subway-是否临近地铁
school-是否学区房
price-平米单价
步骤如下：
（一）	因变量分析：单位面积房价分析
（二）	自变量分析：
   2.1 自变量自身分布分析
   2.2 自变量对因变量影响分析
（三）建立房价预测模型
   3.1	线性回归模型
   3.2  对因变量取对数的线性模型
   3.3  考虑交互项的对数线性
（四）预测： 假设有一家三口，父母为了能让孩子在东城区上学，
想买一套邻近地铁的两居室，面积是70平方米，中层楼层，那么房价大约是多少呢？
'''

import pandas as pd
import os
from scipy import stats
import statsmodels.api as sm
from statsmodels.formula.api import ols
import matplotlib.pyplot as plt
import seaborn as sns

# 解决matplotlib中文显示以及负号(-)显示
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 数据导入和数据清洗
os.chdir(r'F:\python_data_analysis\data_file')
data = pd.read_csv('sndHsPr.csv')
print('数据预览: \n{}'.format(data.head()))

dist_columns = {'chaoyang': '朝阳区',
                'haidian': '海淀区',
                'fengtai': '丰台区',
                'xicheng': '西城区',
                'dongcheng': '东城区',
                'shijingshan': '石景山区'}

data['dist'] = data['dist'].map(dist_columns)
data['price'] = data['price']/10000

print(data.head())

# 描述性统计分析
# 频数统计
for i in range(7):
    if i != 3:
        print(data.columns.values[i], ':')
        print(data[data.columns.values[i]].agg(['value_counts']).T)
        print('===================================================')

# 两个连续性变量AREA和price的描述性统计
print('AREA :')
print(pd.DataFrame(data.AREA.agg(['mean', 'min', 'max', 'median', 'std'])).T)
print('===================================================')
print('连续型因变量price的描述性统计分析 :')
print(data[['price']].describe().T)

# 地区占比情况 饼图
data['dist'].value_counts().plot(kind='pie', autopct='%6.3f%%')
plt.show()

# 房价的分布 直方图
plt.hist(data['price'], bins=20)
plt.show()
# 各地区平均房价的差异 柱状图
data.groupby('dist')['price'].mean().sort_values(ascending=True).plot(x='price', y='dist', kind='barh')
plt.xlabel('平均房价')
plt.ylabel('地区', rotation=0)
plt.show()

# 各地区房价的分布 盒须图
dist_price_df = data[['dist', 'price']]
dist_price_df['dist'] = dist_price_df['dist'].astype('category')
dist_price_df['dist'].cat.set_categories(['石景山区', '丰台区', '朝阳区', '海淀区', '东城区', '西城区'], inp