《吊打分析师》实战—我要租个好房

可乐的数据分析之路

编者荐语：

超级详细的实战分析

2020，努力做一个无可替代的人！
长文多图，建议先收藏再看

作者|小一

全文共7948字，阅读全文需18分钟

写在前面的话

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。

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

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？

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

这里直接拿爬虫的数据字段看一下

# 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

1. 出租方式应该有：整租/合租 这两种，如果不是的话需要处理【需要处理】
2. 地址中的：可以划分为行政区+区域+详细地址【需要处理】
3. 经度&纬度：应该是float 类型，如果不是的话转换一下即可 【需要处理】
4. 户型：标准应该是xx室xx厅xx卫，如果不是的话进行合理处理 【需要处理】
5. 出租面积：应该是一个float 类型的数值，如果再严格点应该是int 类型 【需要处理】
6. 出租价格：应该是int 类型的数值 【需要处理】
7. 房屋标签：官方核验、近地铁、精装等标签都比较有用 【需要处理】
8. 所在楼层：高中低+楼层 【需要处理】
9. 是否有电梯：是|否  【需要处理】
10. 用水、用电：民水民电和商水商电，这两个字段可以确定小区的性质 【需要处理】
11. 提供车位：感觉无关紧要，先放着 【暂不处理】
12. 房屋燃气：感觉无关紧要，先放着 【暂不处理】

基本上数据的要求都列出来了，目前我们就先按照这个流程来

开始清洗数据

第一个字段：出租方式

先统计一下都有哪些房屋出租方式，

看来很规整，整租和合租都整的明明白白，没有异常数据，不需要再进行处理

第二个字段：地址

房屋地址的数据格式是行政区-区域-详细地址

直接通过split 方法进行划分，划分为行政区、区域、小区地址三列

等等，如果地址为空呢？刚好是 "--" 的这种形式呢？

对，所以我们先检测一下是否存在这样的数据

果然存在，有一条数据。

我们已知它的经纬度，直接通过经纬度去匹配数据集中的周边小区

可能有人会说：就一条数据，删了就完事了，还搞这么麻烦？

如果说这个字段不是主要字段，或者我们没有能力去填充它，那可能删了就删了。

题外话：数据清洗的难点在于过程的繁琐，而不是因为它的技术复杂，希望大家有点点耐心哈

接上面的，利用地址进行字段切分

# 将地址字段划分为行政区、区域和小区地址
df_data['station'] = df_data['house_address'].apply(lambda str: str.split('-')[0])
df_data['area'] = df_data['house_address'].apply(lambda str: str.split('-')[1])
df_data['address'] = df_data['house_address'].apply(lambda str: str.split('-')[2])

你可能以为这一步就结束了，细心点的同学会发现这样处理完之后存在空数据

其中有7个区域字段为空，看看是什么样的

中间的区域内容缺失，造成了切分字符串的时候为空

这一步小一是这样处理的

通过小区名查询到区域不为空的同名小区
使用同名小区的区域数据进行填充

即用同名小区的区域字段去填充（后面也会多次用到这个填充方法）

最后只有一条记录“南山区--聚宁山庄“没有区域，需要我们手动填充一下。

# 手动填充
df_data.loc[df_data.id == 10909, 'area'] = '西丽'

第三个字段：经度&纬度

将数据直接转换为float 类型即可

第四个字段：经度&纬度

剔除m²，并将数据转换成int

第五个字段：户型

户型数据应该是规整的xx室xx厅xx卫的格式，这样我们可以通过正则去匹配一下，如果都匹配到那就正常

import re
# 验证户型格式
df_data['house_layout'].map(lambda str: re.findall(r'^\d+室\d厅\d卫', str)[0]).shape[0]

不幸的是，报错了，检查之后发现“未知”的这种户型

同样的方法，使用同名小区的户型众数进行填充

如果不存在同名小区，则根据房屋的面积进行填充（粗略的标准，见代码if 部分）

第六个字段：房租价格

只保留价格数据，' 元/月'需要删除，注意空格

这里使用正则搞定：\d+表示至少为一个0-9的数字

从图中可以看到，处理后变为单纯的数字

第七个字段：房屋标签

去掉房屋标签的头尾 / ，并通过 / 进行划分

df_data['house_tag'] = df_data['house_tag'].str.slice(1, -1)

可以看到，每个记录中都包括不止一个标签，到底哪个标签标记最多？最多是多少次？

我们将在可视化部分继续分析

第八个字段：房屋楼层

这个数据很有迷惑性，先来看一下数据

前面的楼层高中低是根据后面的具体楼层来看的，但是31层楼的高楼层和5层楼的高楼层并不能比较

这里我们取直接保留前面的楼层范围，取一个相对值

另外，对于显示“未知”的楼层，我们通过同名小区的楼层众数进行填充

处理后效果如下：

第九个字段：是否有电梯

同样存在缺失数据，使用和楼层同样的处理方式进行处理

并且针对无同名小区的数据通过前面的楼层高度数据进行填充

例如：低楼层的默认无电梯

对331 个缺失数据进行了相应的填充

第九、十个字段：提供停车位&提供燃气

这两个字段属于我们直接看一下统计情况

缺失数据较多，而且没有有用的填充方法，这两个字段我们了解就行

最后两个字段：用水&用电

通过水电字段可以将房屋分为普通住宅、商业住宅、商住两用三种

（房屋性质这个欢迎补充，这个领域小一真不了解，补课也没查到多少，555）

到此，我们的重头戏算是落下帷幕了

你会发现，数据清洗的过程就是一个不断的去寻找方法验证数据、填充数据的过程。

这个验证、填充方法一定要合理，要和实际的业务结合，本文中的业务指实际的租房现状。

读到这，请思考一个问题，我们的数据现在一定是对的吗？

三、可视化分析探索

同样，我们在进行可视化之前，得先明确一下目的：

异常数据的检查与处理
单特征对房租价格的影响
多个特征下房租价格的分布情况
热力图探索地铁路线

对，你没看错，通过可视化进行异常数据的检查

这是很重要的一步，在预处理的过程中我们并不能直观的发现异常数据，但是通过可视化，就一目了然了。

先看看一下数值型数据的描述性统计，其中数据值数据包括：房租价格、经纬度、房屋面积

统计包括：均值，中位数，众数，方差，标准差，最大值，最小值等

其中房屋面积最大1223m²，最小5m²；

房租价格最大25w 元，最小880 元，平均值6398。

这个值，怎么说呢，要不就是小一见识短，要不就是数据还有异常值。

你怎么看？

3.1、异常数据检查与处理

首先先来看房租价格，为什么先看这个呢？先暂时保密，看看你能不能发现。

对合租和整租数据分开进行可视化，画出各自的箱型图

可视化的代码有点多，需要的同学直接拉文末获取源码

哦豁，是不是有一些值看着有点过分，比如像25w 的那个整租房，1w的那个合租房

到底是什么神仙房子，租不起的我只想去看看

于是就有了下面这些图：

第一张是25w/月的整租房，第二张是1w/月的合租（海景房），是你想要的房子吗？

不过，小一也不是光看豪宅了，还发现了这个图

像这些，面积比较大的房屋，应该是整租的房屋，而并不是合租房。

所以，一个严重的问题出来了：

合租的房屋里面有整租的房屋，同理，整租的应该也有合租的。

这就是我们遇到的异常数据了，如果只是看分布很难直观看出来的。

异常数据找到了，怎么纠正呢？总不能直接删掉吧

肯定不能删，小一我手动查了大概几十上百个合租房（竟然没被官方限制），做了如下的探索：

首先，通过房屋面积去进行过滤，大于45㎡
其次，通过价钱进行过滤，大于4500元
接着，通过房屋户型进行过滤，非一居室的

整合起来就是：面积大于45㎡、房租超过4500元、户型是两室及以上，注意是合租房！合租房！合租房！基本都应该是整租房

同样的操作，小一我又查了几十上百个整租房（这次还没被封，哈哈，以后租房一定去你家）

大概确定了价钱低于3800、面积超过55㎡的非一室的整租房基本都是合租房

加上面积是因为一室两室这种标准太宽泛，而且没有定数，需要用面积再次限制

处理之后我们再来看一下箱型图

可以发现：

整租的价格是在3000-25000范围内，均价为5600，大于50000的房屋占比较少

合租的价格是在1000-3400范围内，均值为1900，大于3400的房屋占比较少

接下来，到了看图时间，多图预警
☟☟☟

3.2、单特征的可视化

先来看出租方式的整体统计

似乎有点单调，那我们把其他的特征都拎出来看看

我们大概能从27150条记录中得到这些：

深圳市的整租房源较多，占比77.34%远高于合租的22.66%
房源的楼层高度分布很均匀，竟然有0.01% 的地下室出租
有电梯的房源占比较多，为78.98%
有3.85%的房屋提供免费车位
提供燃气的房屋占比90.60%
普通住宅的占比86.45%

继续看图：

深圳市房屋出租数量前三的分别是龙岗区、南山区和福田区，分别占比24.90%、24.22%、18.90%，为房屋出租的主要区域

房屋标签数量前三的分别是近地铁、随时看房、官方核验

看来某家已经牢牢把握住租房用户的心思了，连标签都这么符合民意

房屋卧室数量：整租类型的出租房卧室数量前三分别是1居室、3居室和2居室；

合租类型的前三分别是4居室、5居室和3居室。其中整租的一居室数量最多

咦，竟然有一个13个卧室的房屋，小一我又好奇了，走，一起去看看

搜了一下这个房子，看房屋介绍应该是公寓，平摊下来一个卧室也有二十多m²，ok，属于正常数据

看完房屋的基本信息，心里大概有了一个底，那接下来我们应该选择哪个行政区呢？

先来看个行政区整租的价格分布

选取价格小于15000/月的数据

除了罗湖、福田和南山价格稍高些，其他几个区的价格分布都稍低

再来看看各行政区合租的情况

选取价格小于4000/月的数据

从整体来说福田、南山和罗湖的合租房租最低价在1500，而其他区域最低房价在1000附近，

另外，盐田区和坪山区数量太少，可以不用考虑

小总结：

从房价的分布来看，龙岗和龙华的房价较低，罗湖、福田和南山的房价较高

房源最多的三个区分别是龙岗、南山和福田。

可以初步确定：便宜的房源->龙岗区最佳、龙华次之；不在乎价格的话优选福田、南山

既然确定了区域，那我们针对这几个区域再进行分析

3.3、多特征的可视化

分析完了单一维度的特征，接下来需要进行特征组合分析。

举个例子：我们前面提出的假设--楼层、车位、燃气、电梯等会对房租有影响吗？在分析的时候它们只和房租有关，属于两个特征的相关分析

但是像区域分布、房屋面积、房租等是可以互相影响的，需要联立特征分析，比如福田区的房屋面积和房租的关系、福田区整租的房租分布等等这些

记住我们的最终目标：确定价值洼地

看一下龙岗区的房源分布情况

我们把整租的房价选取价格调低至小于12000/月的数据，合租房的房价调低至3800/月
以下区域同此标准

其中，坂田、龙岗中心城区域的房源最多，可以重点考虑。

整租房的价格在3000~5000元左右，合租房的价格在1200~1700元之间

龙华区的房源分布

其中，龙华中心、民治、红山区域房源最多，可以重点考虑。

整租房的价格在3000~7000元之间，合租房的价格在1000~2500元之间

再来看关内区域

深圳有一个关内关外的概念，关内指的是市中心的几个行政区。

福田区的房源分布

此图的小提琴图太过密集，容易引起不适感，换成了箱型图

福田区整租房屋中，皇岗、石厦和梅林的房源最多，房租价格在4500~8500元之间

福田区合租房屋中，梅林、新洲和景田的房源最多，房租价格在1800~2400元之间

南山区的房源分布

南山区整租房屋中，前海、蛇口和南山中心房源最多，房租价格在4000~10000元之间

南山区合租房屋中，前海、蛇口和南头房源最多，房租价格在1600~3000元之间

罗湖区的房源分布

罗湖区整租房屋中，春风路、地王和黄贝岭房源最多，房租价格在3000~7000元之间，整体房源较少

罗湖区合租房源相对偏少，房租均价在1800~2200元之间

小总结：

小一直接做了个对比表格，一起看看吧

你以为这就完了？当然没有，上面一大堆推荐区域，到底选哪啊？

想到这的时候，小一的脑海突然冒出两个词：单价

对啊，买房有单价，租房也有啊，和买房一样，我们想要的价值洼地一定是单价低、地段好的区域

3.4、热力图探索

基于上面的思考，我们进行了进一步的探索

首先需要对数据进行处理，筛选出上面表中的区域
然后对每个区域计算房屋单价，取单价的倒数作为权重
最后根据百度热力图，进行可视化展示，确定价值洼地

筛选区域数据并计算权重

# 筛选数据
df_data_area = df_data.loc[(df_data.area.isin(area)) &
                           (df_data.house_rental_method == type) &
                           (df_data.house_rental_price < max_price),
                           ['house_rental_price', 'house_rental_area', 'house_longitude', 'house_latitude']]

# 计算每平米的房屋价值当做权重
df_data_area['weight'] = 1.0/df_data_area['house_rental_price']/df_data_area['house_rental_area']