目的:本篇給大家介紹一個數據分析的初級項目,目的是通過項目了解如何使用Python進行簡單的數據分析。
數據源:博主通過爬蟲采集的鏈家全網北京二手房數據(公眾號後台回復 二手房數據 便可獲取)。
首先導入要使用的科學計算包numpy
,pandas
,可視化matplotlib
,seaborn
,以及機器學習包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
# 檢查Python版本
from sys import version_info
if version_info.major != 3:
raise Exception('請使用Python 3 來完成此項目')
復制代碼
然後導入數據,並進行初步的觀察,這些觀察包括了解數據特征的缺失值,異常值,以及大概的描述性統計。
# 導入鏈家二手房數據
lianjia_df = pd.read_csv('lianjia.csv')
display(lianjia_df.head(n=2))
復制代碼
初步觀察到一共有11
個特征變量,Price
在這裡是我們的目標變量,然後我們繼續深入觀察一下。
# 檢查缺失值情況
lianjia_df.info()
復制代碼
發現了數據集一共有23677
條數據,其中Elevator
特征有明顯的缺失值。
lianjia_df.describe()
復制代碼
上面結果給出了特征值是數值的一些統計值,包括平均數,標准差,中位數,最小值,最大值,25%分位數,75%分位數。這些統計結果簡單直接,對於初始了解一個特征好壞非常有用,比如我們觀察到 Size 特征
的最大值為1019平米,最小值為2平米,那麼我們就要思考這個在實際中是不是存在的,如果不存在沒有意義,那麼這個數據就是一個異常值,會嚴重影響模型的性能。
當然,這只是初步觀察,後續我們會用數據可視化來清晰的展示,並證實我們的猜測。
# 添加新特征房屋均價
df = lianjia_df.copy()
df['PerPrice'] = lianjia_df['Price']/lianjia_df['Size']
# 重新擺放列位置
columns = ['Region', 'District', 'Garden', 'Layout', 'Floor', 'Year', 'Size', 'Elevator', 'Direction', 'Renovation', 'PerPrice', 'Price']
df = pd.DataFrame(df, columns = columns)
# 重新審視數據集
display(df.head(n=2))
復制代碼
我們發現Id
特征其實沒有什麼實際意義,所以將其移除。由於房屋單價分析起來比較方便,簡單的使用總價/面積就可得到,所以增加一個新的特征 PerPrice
(只用於分析,不是預測特征)。另外,特征的順序也被調整了一下,看起來比較舒服。
對於區域特征,我們可以分析不同區域房價和數量的對比。
# 對二手房區域分組對比二手房數量和每平米房價
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('北京各大區二手房每平米單價對比',fontsize=15)
ax1.set_xlabel('區域')
ax1.set_ylabel('每平米單價')
sns.barplot(x='Region', y='Price', palette="Greens_d", data=df_house_count, ax=ax2)
ax2.set_title('北京各大區二手房數量對比',fontsize=15)
ax2.set_xlabel('區域')
ax2.set_ylabel('數量')
sns.boxplot(x='Region', y='Price', data=df, ax=ax3)
ax3.set_title('北京各大區二手房房屋總價',fontsize=15)
ax3.set_xlabel('區域')
ax3.set_ylabel('房屋總價')
plt.show()
復制代碼
使用了pandas
的網絡透視功能groupby
分組排序。區域特征可視化直接采用 seaborn
完成,顏色使用調色板palette
參數,顏色漸變,越淺說明越少,反之越多。 可以觀察到:
f, [ax1,ax2] = plt.subplots(1, 2, figsize=(15, 5))
# 建房時間的分布情況
sns.distplot(df['Size'], bins=20, ax=ax1, color='r')
sns.kdeplot(df['Size'], shade=True, ax=ax1)
# 建房時間和出售價格的關系
sns.regplot(x='Size', y='Price', data=df, ax=ax2)
plt.show()
復制代碼
distplot
和 kdeplot
繪制柱狀圖觀察 Size 特征的分布情況,屬於長尾類型的分布,這說明了有很多面積很大且超出正常范圍的二手房。regplot
繪制了 Size 和 Price 之間的散點圖,發現 Size 特征基本與Price呈現線性關系,符合基本常識,面積越大,價格越高。但是有兩組明顯的異常點:1. 面積不到10平米,但是價格超出10000萬;2. 一個點面積超過了1000平米,價格很低,需要查看是什麼情況。df.loc[df['Size']< 10]
復制代碼
經過查看發現這組數據是別墅,出現異常的原因是由於別墅結構比較特殊(無朝向無電梯),字段定義與二手商品房不太一樣導致爬蟲爬取數據錯位。也因別墅類型二手房不在我們的考慮范圍之內,故將其移除再次觀察Size分布和Price關系。
df.loc[df['Size']>1000]
復制代碼
經觀察這個異常點不是普通的民用二手房,很可能是商用房,所以才有1房間0廳確有如此大超過1000平米的面積,這裡選擇移除。
df = df[(df['Layout']!='疊拼別墅')&(df['Size']<1000)]
復制代碼
重新進行可視化發現就沒有明顯的異常點了。
f, ax1= plt.subplots(figsize=(20,20))
sns.countplot(y='Layout', data=df, ax=ax1)
ax1.set_title('房屋戶型',fontsize=15)
ax1.set_xlabel('數量')
ax1.set_ylabel('戶型')
plt.show()
復制代碼
這個特征真是不看不知道,各種廳室組合搭配,竟然還有9室3廳,4室0廳等奇怪的結構。其中,2室一廳占絕大部分,其次是3室一廳,2室2廳,3室兩廳。但是仔細觀察特征分類下有很多不規則的命名,比如2室一廳與2房間1衛,還有別墅,沒有統一的叫法。這樣的特征肯定是不能作為機器學習模型的數據輸入的,需要使用特征工程進行相應的處理。
df['Renovation'].value_counts()
復制代碼
精裝 11345
簡裝 8497
其他 3239
毛坯 576
南北
20
Name: Renovation, dtype: int64
發現Renovation裝修特征中竟然有南北,它屬於朝向的類型,可能是因為爬蟲過程中一些信息位置為空,導致“Direction”朝向特征出現在這裡,所以需要清除
或替換掉
。
# 去掉錯誤數據“南北”,因為爬蟲過程中一些信息位置為空,導致“Direction”的特征出現在這裡,需要清除或替換
df['Renovation'] = df.loc[(df['Renovation'] != '南北'), 'Renovation']
# 畫幅設置
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()
復制代碼
觀察到,精裝修的二手房數量最多,簡裝其次,也是我們平日常見的。而對於價格來說,毛坯類型卻是最高,其次是精裝修。
初探數據的時候,我們發現 Elevator 特征是有大量缺失值的,這對於我們是十分不利的,首先我們先看看有多少缺失值:
misn = len(df.loc[(df['Elevator'].isnull()), 'Elevator'])
print('Elevator缺失值數量為:'+ str(misn))
復制代碼
Elevator 缺失值數量為:8237
這麼多的缺失值怎麼辦呢?這個需要根據實際情況考慮,常用的方法有平均值/中位數填補法,直接移除,或者根據其他特征建模預測等。
這裡我們考慮填補法,但是有無電梯不是數值,不存在平均值和中位數,怎麼填補呢?這裡給大家提供一種思路:就是根據樓層 Floor 來判斷有無電梯,一般的樓層大於6的都有電梯,而小於等於6層的一般都沒有電梯。有了這個標准,那麼剩下的就簡單了。
# 由於存在個別類型錯誤,如簡裝和精裝,特征值錯位,故需要移除
df['Elevator'] = df.loc[(df['Elevator'] == '有電梯')|(df['Elevator'] == '無電梯'), 'Elevator']
# 填補Elevator缺失值
df.loc[(df['Floor']>6)&(df['Elevator'].isnull()), 'Elevator'] = '有電梯'
df.loc[(df['Floor']<=6)&(df['Elevator'].isnull()), 'Elevator'] = '無電梯'
f, [ax1,ax2] = plt.subplots(1, 2, figsize=(20, 10))
sns.countplot(df['Elevator'], ax=ax1)
ax1.set_title('有無電梯數量對比',fontsize=15)
ax1.set_xlabel('是否有電梯')
ax1.set_ylabel('數量')
sns.barplot(x='Elevator', y='Price', data=df, ax=ax2)
ax2.set_title('有無電梯房價對比',fontsize=15)
ax2.set_xlabel('是否有電梯')
ax2.set_ylabel('總價')
plt.show()
復制代碼
結果觀察到,有電梯的二手房數量居多一些,畢竟高層土地利用率比較高,適合北京龐大的人群需要,而高層就需要電梯。相應的,有電梯二手房房價較高,因為電梯前期裝修費和後期維護費包含內了(但這個價格比較只是一個平均的概念,比如無電梯的6層豪華小區當然價格更高了)。
grid = sns.FacetGrid(df, row='Elevator', col='Renovation', palette='seismic',size=4)
grid.map(plt.scatter, 'Year', 'Price')
grid.add_legend()
復制代碼
在Renovation和Elevator的分類條件下,使用 FaceGrid
分析 Year 特征,觀察結果如下:
f, ax1= plt.subplots(figsize=(20,5))
sns.countplot(x='Floor', data=df, ax=ax1)
ax1.set_title('房屋戶型',fontsize=15)
ax1.set_xlabel('數量')
ax1.set_ylabel('戶型')
plt.show()
復制代碼
可以看到,6層二手房數量最多,但是單獨的樓層特征沒有什麼意義,因為每個小區住房的總樓層數都不一樣,我們需要知道樓層的相對意義。另外,樓層與文化也有很重要聯系,比如中國文化七上八下,七層可能受歡迎,房價也貴,而一般也不會有4層或18層。當然,正常情況下中間樓層是比較受歡迎的,價格也高,底層和頂層受歡迎度較低,價格也相對較低。所以樓層是一個非常復雜的特征,對房價影響也比較大。
本次分享旨在讓大家了解如何用Python做一個簡單的數據分析,對於剛剛接觸數據分析的朋友無疑是一個很好的練習。不過,這個分析還存在很多問題需要解決,比如:
更多內容會慢慢介紹和分享,敬請期待。