入门Python数据分析最好的实战项目（一）

做者：xiaoyu

微信公众号：Python数据科学

知乎：python数据分析师

---

目的：本篇给你们介绍一个数据分析的初级项目，目的是经过项目了解如何使用Python进行简单的数据分析。

数据源：博主经过爬虫采集的链家全网北京二手房数据（公众号后台回复 二手房数据 即可获取）。

数据初探

首先导入要使用的科学计算包numpy,pandas,可视化matplotlib,seaborn,以及机器学习包sklearn。

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib as mpl

import matplotlib.pyplot as plt
from IPython.display import display
plt.style.use("fivethirtyeight")
sns.set_style({'font.sans-serif':['simhei','Arial']})
%matplotlib inline


# 检查Python版本
from sys import version_info
if version_info.major != 3:
    raise Exception('请使用Python 3 来完成此项目')
复制代码

而后导入数据，并进行初步的观察，这些观察包括了解数据特征的缺失值，异常值，以及大概的描述性统计。

# 导入链家二手房数据
lianjia_df = pd.read_csv('lianjia.csv')
display(lianjia_df.head(n=2))
复制代码

初步观察到一共有11个特征变量，Price 在这里是咱们的目标变量，而后咱们继续深刻观察一下。

# 检查缺失值状况
lianjia_df.info()
复制代码

发现了数据集一共有 23677条数据，其中 Elevator特征有明显的缺失值。

lianjia_df.describe()
复制代码

上面结果给出了特征值是数值的一些统计值，包括平均数，标准差，中位数，最小值，最大值，25%分位数，75%分位数。这些统计结果简单直接，对于初始了解一个特征好坏很是有用，好比咱们观察到 Size 特征 的最大值为1019平米，最小值为2平米，那么咱们就要思考这个在实际中是否是存在的，若是不存在没有意义，那么这个数据就是一个异常值，会严重影响模型的性能。

固然，这只是初步观察，后续咱们会用数据可视化来清晰的展现，并证明咱们的猜想。

# 添加新特征房屋均价
df = lianjia_df.copy()
df['PerPrice'] = lianjia_df['Price']/lianjia_df['Size']

# 从新摆放列位置
columns = ['Region', 'District', 'Garden', 'Layout', 'Floor', 'Year', 'Size', 'Elevator', 'Direction', 'Renovation', 'PerPrice', 'Price']
df = pd.DataFrame(df, columns = columns)

# 从新审视数据集
display(df.head(n=2))
复制代码

咱们发现Id特征其实没有什么实际意义，因此将其移除。因为房屋单价分析起来比较方便，简单的使用总价/面积就可获得，因此增长一个新的特征 PerPrice（只用于分析，不是预测特征）。另外，特征的顺序也被调整了一下，看起来比较舒服。

数据可视化分析

Region特征分析

对于区域特征，咱们能够分析不一样区域房价和数量的对比。

# 对二手房区域分组对比二手房数量和每平米房价
df_house_count = df.groupby('Region')['Price'].count().sort_values(ascending=False).to_frame().reset_index()
df_house_mean = df.groupby('Region')['PerPrice'].mean().sort_values(ascending=False).to_frame().reset_index()

f, [ax1,ax2,ax3] = plt.subplots(3,1,figsize=(20,15))
sns.barplot(x='Region', y='PerPrice', palette="Blues_d", data=df_house_mean, ax=ax1)
ax1.set_title('北京各大区二手房每平米单价对比',fontsize=15)
ax1.set_xlabel('区域')
ax1.set_ylabel('每平米单价')

sns.barplot(x='Region', y='Price', palette="Greens_d", data=df_house_count, ax=ax2)
ax2.set_title('北京各大区二手房数量对比',fontsize=15)
ax2.set_xlabel('区域')
ax2.set_ylabel('数量')

sns.boxplot(x='Region', y='Price', data=df, ax=ax3)
ax3.set_title('北京各大区二手房房屋总价',fontsize=15)
ax3.set_xlabel('区域')
ax3.set_ylabel('房屋总价')

plt.show()
复制代码

使用了pandas的网络透视功能groupby分组排序。区域特征可视化直接采用 seaborn完成，颜色使用调色板palette 参数，颜色渐变，越浅说明越少，反之越多。 能够观察到：

• 二手房均价：西城区的房价最贵均价大约11万/平，由于西城在二环以里，且是热门学区房的汇集地。其次是东城大约10万/平，而后是海淀大约8.5万/平，其它均低于8万/平。
• 二手房房数量：从数量统计上来看，目前二手房市场上比较火热的区域。海淀区和朝阳区二手房数量最多，差很少都接近3000套，毕竟大区，需求量也大。而后是丰台区，近几年正在改造建设，有赶超之势。
• 二手房总价：经过箱型图看到，各大区域房屋总价中位数都都在1000万如下，且房屋总价离散值较高，西城最高达到了6000万，说明房屋价格特征不是理想的正太分布。

Size特征分析

f, [ax1,ax2] = plt.subplots(1, 2, figsize=(15, 5))
# 建房时间的分布状况
sns.distplot(df['Size'], bins=20, ax=ax1, color='r')
sns.kdeplot(df['Size'], shade=True, ax=ax1)
# 建房时间和出售价格的关系
sns.regplot(x='Size', y='Price', data=df, ax=ax2)
plt.show()
复制代码

• Size 分布： 经过 distplot 和 kdeplot 绘制柱状图观察 Size 特征的分布状况，属于长尾类型的分布，这说明了有不少面积很大且超出正常范围的二手房。
• Size 与 Price 的关系： 经过 regplot 绘制了 Size 和 Price 之间的散点图，发现 Size 特征基本与Price呈现线性关系，符合基本常识，面积越大，价格越高。可是有两组明显的异常点：1. 面积不到10平米，可是价格超出10000万；2. 一个点面积超过了1000平米，价格很低，须要查看是什么状况。

df.loc[df['Size']< 10]
复制代码

通过查看发现这组数据是别墅，出现异常的缘由是因为别墅结构比较特殊（无朝向无电梯），字段定义与二手商品房不太同样致使爬虫爬取数据错位。也因别墅类型二手房不在咱们的考虑范围以内，故将其移除再次观察Size分布和Price关系。

df.loc[df['Size']>1000]
复制代码

经观察这个异常点不是普通的民用二手房，极可能是商用房，因此才有1房间0厅确有如此大超过1000平米的面积，这里选择移除。

df = df[(df['Layout']!='叠拼别墅')&(df['Size']<1000)]
复制代码

从新进行可视化发现就没有明显的异常点了。

Layout特征分析

f, ax1= plt.subplots(figsize=(20,20))
sns.countplot(y='Layout', data=df, ax=ax1)
ax1.set_title('房屋户型',fontsize=15)
ax1.set_xlabel('数量')
ax1.set_ylabel('户型')
plt.show()
复制代码

这个特征真是不看不知道，各类厅室组合搭配，居然还有9室3厅，4室0厅等奇怪的结构。其中，2室一厅占绝大部分，其次是3室一厅，2室2厅，3室两厅。可是仔细观察特征分类下有不少不规则的命名，好比2室一厅与2房间1卫，还有别墅，没有统一的叫法。这样的特征确定是不能做为机器学习模型的数据输入的，须要使用特征工程进行相应的处理。

Renovation 特征分析

df['Renovation'].value_counts()
复制代码

精装 11345

简装 8497

其余 3239

毛坯 576

南北 20

Name: Renovation, dtype: int64

发现Renovation装修特征中居然有南北，它属于朝向的类型，多是由于爬虫过程当中一些信息位置为空，致使“Direction”朝向特征出如今这里，因此须要清除或替换掉。

# 去掉错误数据“南北”，由于爬虫过程当中一些信息位置为空，致使“Direction”的特征出如今这里，须要清除或替换
df['Renovation'] = df.loc[(df['Renovation'] != '南北'), 'Renovation']

# 画幅设置
f, [ax1,ax2,ax3] = plt.subplots(1, 3, figsize=(20, 5))
sns.countplot(df['Renovation'], ax=ax1)
sns.barplot(x='Renovation', y='Price', data=df, ax=ax2)
sns.boxplot(x='Renovation', y='Price', data=df, ax=ax3)
plt.show()
复制代码

观察到，精装修的二手房数量最多，简装其次，也是咱们平平常见的。而对于价格来讲，毛坯类型倒是最高，其次是精装修。

Elevator 特征分析

初探数据的时候，咱们发现 Elevator 特征是有大量缺失值的，这对于咱们是十分不利的，首先咱们先看看有多少缺失值：

misn = len(df.loc[(df['Elevator'].isnull()), 'Elevator'])
print('Elevator缺失值数量为：'+ str(misn))
复制代码

Elevator 缺失值数量为：8237

这么多的缺失值怎么办呢？这个须要根据实际状况考虑，经常使用的方法有平均值/中位数填补法，直接移除，或者根据其余特征建模预测等。

这里咱们考虑填补法，可是有无电梯不是数值，不存在平均值和中位数，怎么填补呢？这里给你们提供一种思路：就是根据楼层 Floor 来判断有无电梯，通常的楼层大于6的都有电梯，而小于等于6层的通常都没有电梯。有了这个标准，那么剩下的就简单了。

# 因为存在个别类型错误，如简装和精装，特征值错位，故须要移除
df['Elevator'] = df.loc[(df['Elevator'] == '有电梯')|(df['Elevator'] == '无电梯'), 'Elevator']

# 填补Elevator缺失值
df.loc[(df['Floor']>6)&(df['Elevator'].isnull()), 'Elevator'] = '有电梯'
df.loc[(df['Floor']<=6)&(df['Elevator'].isnull()), 'Elevator'] = '无电梯'

f, [ax1,ax2] = plt.subplots(1, 2, figsize=(20, 10))
sns.countplot(df['Elevator'], ax=ax1)
ax1.set_title('有无电梯数量对比',fontsize=15)
ax1.set_xlabel('是否有电梯')
ax1.set_ylabel('数量')
sns.barplot(x='Elevator', y='Price', data=df, ax=ax2)
ax2.set_title('有无电梯房价对比',fontsize=15)
ax2.set_xlabel('是否有电梯')
ax2.set_ylabel('总价')
plt.show()
复制代码

结果观察到，有电梯的二手房数量居多一些，毕竟高层土地利用率比较高，适合北京庞大的人群须要，而高层就须要电梯。相应的，有电梯二手房房价较高，由于电梯前期装修费和后期维护费包含内了（但这个价格比较只是一个平均的概念，好比无电梯的6层豪华小区固然价格更高了）。

Year 特征分析

grid = sns.FacetGrid(df, row='Elevator', col='Renovation', palette='seismic',size=4)
grid.map(plt.scatter, 'Year', 'Price')
grid.add_legend()
复制代码

在Renovation和Elevator的分类条件下，使用 FaceGrid 分析 Year 特征，观察结果以下：

• 整个二手房房价趋势是随着时间增加而增加的；
• 2000年之后建造的二手房房价相较于2000年之前有很明显的价格上涨；
• 1980年以前几乎不存在有电梯二手房数据，说明1980年以前尚未大面积安装电梯；
• 1980年以前无电梯二手房中，简装二手房占绝大多数，精装反而不多；

Floor 特征分析

f, ax1= plt.subplots(figsize=(20,5))
sns.countplot(x='Floor', data=df, ax=ax1)
ax1.set_title('房屋户型',fontsize=15)
ax1.set_xlabel('数量')
ax1.set_ylabel('户型')
plt.show()
复制代码

能够看到，6层二手房数量最多，可是单独的楼层特征没有什么意义，由于每一个小区住房的总楼层数都不同，咱们须要知道楼层的相对意义。另外，楼层与文化也有很重要联系，好比中国文化七上八下，七层可能受欢迎，房价也贵，而通常也不会有4层或18层。固然，正常状况下中间楼层是比较受欢迎的，价格也高，底层和顶层受欢迎度较低，价格也相对较低。因此楼层是一个很是复杂的特征，对房价影响也比较大。

总结

本次分享旨在让你们了解如何用Python作一个简单的数据分析，对于刚刚接触数据分析的朋友无疑是一个很好的练习。不过，这个分析还存在不少问题须要解决，好比：

• 解决爬虫获取的数据源准确度问题；
• 须要爬取或者寻找更多好的售房特征；
• 须要作更多地特征工程工做，好比数据清洗，特征选择和筛选；
• 使用统计模型创建回归模型进行价格预测；

更多内容会慢慢介绍和分享，敬请期待。

---

关注微信公众号Python数据科学，获取 120G 人工智能 学习资料。