在楼盘现场，我们可以看到销售用的密密麻麻的销控表，每一套房子的单价和总价都可以在上面找到，不同户型单价自然也不一样。定价因素一般由开发商所设定，各有各家规则。一般来说，决定房价单价高低的因子有：
楼层，如果高层景观好，那么高层的单价会高于低层；反之如果是没有电梯的洋房，那么低层可能会高过高层。
朝向，按照国人习惯，肯定是东南向价格高于西北向。
边单元还是中单元，边单元的价格可能会高于中单元。
户型，看当地客户需求，三房的单价可能贵过二房的，也可能正好相反。
.......
因此，销控表上的价格每一套都可能会不同，一看就让人头晕那种，但暗中应该遵循一定的规律。我一直比较好奇各家的售价规则如何制定。前两天参观杭州某个楼盘的时候，记录了该楼盘的销控表，如果我有个钉子，那么我会想找个锤子——R语言就是我新近获得的锤子，所以利用初步的R语言来分析看看吧。
这个楼盘位于远郊，容积率较低。特征是：
是五层高的小板楼；
户型基本只有两种，2房和3房，全部南北通透；
一幢楼是两个单元，一梯两户，就是1221分布。
总之，这个楼盘户型分布比较简单，朝向完全一样，作为练手的分析还是挺合适的。
首先代入excel表
install.packages("ggplot2")；library(ggplot2)
setwd("F://")#设置工作区间
data4 = read.table("sales.csv",header=T, sep=",")
原来的销控表只有房号，所以为了分析，利用substr语句，将room这个房号变量拆解为楼层和房号，例如，102的1拆解为floor，2拆解为房号room2。
#生成楼层
data4$floor<-substr(data4$room,1,1)
#生成房间名
data4$room2<-substr(data4$room,3,3)
可以看出多了两列，楼层和房间名：
因为R语言本身的绘图功能就很强大，试着用最简单的打印方法来看看：
#房间与价格
plot(data4$room2,data4$price)
可以看出，因为楼盘是一梯两户的1221分布，所以房号1和房号2的价格基本上是均匀分布的，大多数集中在22000-24000的区间。房号1稍微高一些。
然后试试功能更为强大的ggplot2包。
#楼层与价格
ggplot(data=data4,group=room2,aes(x=floor,y=price)+geom_point()
或者：gqplot(floor,price,data=data4,color=unit)
可以看出，2楼和3楼的定价较低，1楼最高，而且分布也较为均匀。这大概跟作为远郊盘，1楼没有干扰，风景较好甚或赠送花园面积有关。
#编号与价格
ggplot(data=data4,group=room2,aes(x=code,y=price))+geom_point()
因为编号集中在26,28,32,37,60,61,62,63,65这几个，所以散点图也集中在此几处。房号26，37的最便宜，其次是61,62的。编号60的单位较多且价格差异较大。
然后又用了一招，利用频率多边形freqpoly，这是比较复杂形势的一维连续性分布直方图。
ggplot(data4,aes(price))+geom_freqpoly(aes(y=..density..,colour=floor),binwidth=0.1)
再度分析楼层和价格的关系：
因为不同楼层被分配了不同的颜色（colour=floor)，所以可以看出：
红色的1楼集中在22500-25000的价位，分布密度也最为分散；
黄色的2楼则最为左偏，处于便宜的价格区间；
绿色的3楼价格集中度较高，特别在22000左右的价位。
蓝色的4楼在22500有所集中，但也有高价单位；
紫色的5楼价格分布密度基本与2楼相同，但价格更高。
最后做了个线性分析，ms第2层和第5层跟价格的相关较大。
理论上，如果我们能够知道对方的定价规则，那我们可以：1
a. 借鉴对方的定价规则
b. 在茫茫的数字中抓住规律，为我所用。
这次分析仍未能让我看出明确的定价规则，学习之路仍然漫漫。日后找到合适的资料，再度练习！
谢谢观看，欢迎意见。
