利用Python对天津二手房进行简单的分析

在MySQL里无意中看到去年利用scrapy爬取的天津是二手房信息，由于当时还不到了解pandas和matplotlib的用法，爬得的数据并没有利用上。既然今天看见了，就拿来尝试着进行一下简单的分析吧~
首先当然是导模块

import pandas as pd
import matplotlib.pyplot as plt
from pymysql import connect
import seaborn as sns
%matplotlib inline
sns.set()

查看数据

db = connect('localhost','root','666666','fangtianxia')
df = pd.read_sql('select * from ershou',con=db, index_col='id')
df.head()

首先通过read_sql函数读取MySQL中的叫做‘ershou’的表格
查看表格的前五行如下

咳咳，英文不好，这些字段都是我当时随意起的，知道嘛意思就行拉~

df.info()

可以看到并没有缺失字段，这说明我当时爬取的很完美，嘿嘿。但是数据量就有点少了，879条。

df.describe()

describe()函数返回数据集的一些基本统计值。从上面一些统计值分别表示数据条数、平均数、标准差、最小值、下四分位数、中位数、上四分位数、最大值。从这些统计结果我们可以得出一些结论，最大的房屋面积为900平米，最小的为17平米。最便宜的房子单价为5116平/米，最贵的房子单价为95960平/米。平均房屋面积水平为98平，平均单价为22084平/米(若想追上天津平均水品，本人表示亚历山大。。)

单价分析

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(16,6))
df.groupby('address')['price'].mean().sort_values(ascending=False).plot(kind='bar')

可以看出，和平区的房价水平遥遥领先于其他区。不出意外，市内六区的房价排名前六。开发区（也就是滨海新区）和西青区房价紧跟市内六区。另外，数据中并没有蓟州区的房价信息。

plt.figure(figsize=(16,6))
sns.boxplot(x='address', y='price', data=df)

从箱线图上可以看到，最贵单价房子位于和平区。我对这个房子还是比较好奇的，这到底是一个什么样的房子价格如此优秀~

df[df['price'] > 90000]

经过查找发现，单价超过9w的房屋只有这么一个，属于所谓的独单，39平380万！经过初步了解忠厚里是一个非常老的小区，得益于它的地理位置，临近滨江道、实验小学、耀华中学、天津一中，占尽资源优势，不贵没才没天理呀。。。另外，这是去年年底抓取的数据，现在这小区已经破10w了。

户型分析

df['mode'].value_counts()

发现户型中有叫‘暂无’的户型，总数不多，只有8条，可以考虑直接删掉。

df = df[df['mode'] != '暂无']
df['mode'].value_counts(ascending=True).plot(kind='barh', figsize=(6,15))

大多数都属于常见户型，其中两室户型是绝对的主力。当然一室是很多刚毕业的年轻人首选户型，三室也是那些有些经济实力的，或者有首套房子，考虑换个空间宽裕的家庭的选择。这里看到有六室和八室的户型，这是什么样的房子呢，我又有些好奇了。

df[df['mode'].isin(['8室4厅5卫', '6室2厅4卫'])]

通过筛查发现，原来这两个是别墅。好吧，果然贫穷限制了我的想象。

面积分析

f, [ax1, ax2] = plt.subplots(1, 2, figsize=(16,6))
sns.distplot(df['area'], bins=30, ax=ax1, color='g')
sns.kdeplot(df['area'], shade=True, ax=ax1)
sns.regplot(x='area', y='total_price', data=df, ax=ax2)

通过左图可以知道面积的分布情况，属于右偏分布，说明有不少超出正常房屋面积范围的二手房。右图描绘了房屋面积和总价之间的关系，可以看到两者呈正相关性，即面积大，价格也会相应高些，符合大家的认知。

楼层分析

df['floor'].value_counts().plot(kind='bar')

可以看到中层二手房数量较多，但是三种类型的数量相差不大。单独的比较楼层数量意义并不大，我们关心的是，各类型的楼层是否对房价有影响？这里简单的比较一下各类型楼层二手房的平均房价。

df.groupby('floor')['total_price'].mean().plot(kind='bar')

通过比较发现，低层的二手房均价较高，中高层价格相差无几。这与我的常识有些相悖。。。

总结
本次只是练习了一下Python常用的数据分析模块，为了分析而分析，并没有什么目的性。不过也能大概了解一下天津二手房的一些行情。比如哪个区的房子最贵，哪个区最便宜。户型和面积都是怎么样的，分布如何。也见识到了市中心那一骑绝尘的老学区房价格。这些单纯看躺在数据库中的数据，是不可能看到的。
本次简单的进行了一次描述性分析，接下来我会尝试建立一个回归模型（如线性回归，KNN，决策树等）来进行一次预测性分析。