简单分析贝壳在售厦门二手房数据（一）

这是我的python数据可视化练手项目，数据从贝壳厦门二手房网爬取，数据已经经过清理，并且补充了经纬和地铁/BRT站信息，系列文章：

• Scrapy-Redis爬虫贝壳网所有在售厦门二手房信息
• 初步清理贝壳网爬取的厦门二手房信息
• 百度API补完厦门二手房经纬度并找到最近的地铁站
• 本文->简单分析贝壳在售厦门二手房数据（一）
• 简单分析贝壳在售厦门二手房数据（二）
• 进行中：进一步收集和处理数据/建模

一、主要数据概览

# 导包
import pandas as pd

# 主要数据概览
data_clean_with_stations= pd.read_csv("data_clean_with_stations.csv", index_col=0)
# print(data_clean_with_stations[['area', 'price', 'unit_price', 'year_build']].describe())

显示如下：

对这张表我的一些疑问和想法，将一一尝试解答：

面积（area）方面：

1. 刚需的主流面积是多少?
2. 是否存在普适的“一次到位”的房子？
3. 房子面积有性价比区间吗？

价格（price 和 unitprice）方面：

1. 能否一张图看懂厦门房价？
2. 地铁房怎么个贵法？

建成年份（year_build）方面：

1. 厦门房子量价齐飞？
2. 厦门房子越来越小？

二、两室两厅的面积占比统计

2.1 绘图

饼图最适合统计占比，我们用pycharts来绘制：

    # 导可视化工具包
    import pyecharts.options as opts
    from pyecharts.charts import Grid, Boxplot, Scatter, Pie, Bar, Line

    # 过滤和排序
    data_filterd = data_clean_with_stations[(data_clean_with_stations.rooms == "2室2厅1卫")]
    data_sorted = data_filterd.sort_values(by='area')

    # 添加分bin字段'area_bin'对面积分bin，
    bins = [0]
    for i in range(0, 10):
        bins.append((i+1)*20)
    area_bin = pd.cut(data_sorted.area, bins)
    data_sorted['area_bin'] = area_bin
    # 分组获得数据
    area_grouped = data_sorted.groupby('area_bin')['area'].count()
    # 字段list
    intervals = ['%s~%s㎡' % (str(i.left), str(i.right)) for i in area_grouped.index]
    # 值list
    counts = list(area_grouped.astype('float64'))

    area_group = (
        Pie(opts.InitOpts(width="800px", height="600px", theme=ThemeType.LIGHT))
            .add("", [list(z) for z in zip(intervals, counts)])
            .set_global_opts(title_opts=opts.TitleOpts(title="在售二手2室2厅1卫房屋面积分布"),
                             legend_opts=opts.LegendOpts(type_="scroll", pos_right="left", orient="vertical"),
                             toolbox_opts=None)
            .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
    )
    area_group.render()

2.2 结果

2.3 分析

• 数据中80~100m占了绝大部分，这类数字有指导意义，比如说扫地机器人的设计续航必须要满足。

4.4 其他猜想

• 数据中存在40平以下的房子超紧凑两室两厅，这些房子是随着近年房价高企才涌现的吗？
• 这些超紧凑房子的位置是怎么分布的？单价如何？投资价值相比主流面积如何？

三、存在一步到位的房子吗？

3.1 绘图

对不同面积的房子持有时间的统计应该能回答这个问题，不过我们收集到的只有（上次交易时间）和（上架时间）数据，相减得到的是大概的从入手到想出手的时间差，就叫他“伪持有时间”吧，我们用直方图来反应”伪持有时间”和房屋面积的关系。

# 排序
data_sorted = data_clean_with_lng_lat.sort_values(by='area')
# 过滤'time_last_transaction'字段
data_filterd = data_sorted[data_sorted['time_last_transaction'].notna()]
data_filterd = data_filterd[data_filterd['time_on_sold'].notna()]
# 重建索引
data_filterd = data_filterd.reset_index(drop=True)

# 增加'area_bin'分bin字段
bins = [0]
for i in range(0, 15):
    bins.append((i + 1) * 20)
area_bin = pd.cut(data_filterd.area, bins)
data_filterd['area_bin'] = area_bin

# 添加房屋持有时间字段
list_days_hold = []
for i in range(0, len(data_filterd)):
    date_last_tras = datetime.strptime(data_filterd.loc[i]['time_last_transaction'], '%Y年%m月%d日').date()
    time_on_sold = datetime.strptime(data_filterd.loc[i]['time_on_sold'], '%Y年%m月%d日').date()
    # date_now = datetime.today().date()
    days_hold = time_on_sold - date_last_tras
    list_days_hold.append(days_hold.days)
data_filterd['days_hold'] = list_days_hold


# 分组获得数据
area_grouped = data_filterd.groupby('area_bin')['days_hold'].mean()
# 字段list
intervals = ['%s~%s㎡' % (str(i.left), str(i.right)) for i in area_grouped.index]
# 值list
days_hold_avg_list = list(area_grouped.astype('float64'))


bar = (
    Bar(init_opts=opts.InitOpts(width="800px", height="600px", theme=ThemeType.LIGHT))
        .add_xaxis(intervals)
        .add_yaxis("持有天数", days_hold_avg_list, category_gap=1)
        .set_global_opts(title_opts=opts.TitleOpts(title="房屋面积持有时间的关系"),
                         legend_opts=opts.LegendOpts(type_="scroll", pos_right="middle", orient="vertical"),
                         datazoom_opts=[opts.DataZoomOpts(type_="slider")], toolbox_opts=opts.ToolboxOpts(),
                         tooltip_opts=opts.TooltipOpts(is_show=True, axis_pointer_type="line", trigger="item",
                                                       formatter='{c}'))
        .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
)
bar.render()

3.2 结果

3.3 分析

• 不同面积的房子的“伪持有时间”并没有形成明显规律，而是都在6~7年浮动，考虑到数据样本不够多，我们甚至可以忽略这些差异。
• 人性贪婪，当然是越大越好？

3.4 其他猜想

• 特定年龄段的人群对不同面积的房子持有时间是否有规律？
• 面积和流通性关联如何，哪些面积区间换手率最高？

四、房子面积真的有性价比区间

4.1 绘图

拟合平均单价-面积区间曲线，尝试找到规律。

# 排序并查看数据
data_sorted = data_clean_with_lng_lat.sort_values(by='area')
# print(data_sorted[0: 10])
# 增加'area_bin'分bin字段
bins = [20]
# 仅统计20~200平米的房子
for i in range(4, 40):
    bins.append((i + 1) * 5)
area_bin = pd.cut(data_sorted.area, bins)
data_sorted['area_bin'] = area_bin

# 分组获得数据
area_grouped = data_sorted.groupby('area_bin')['unit_price'].mean()
# 字段list(横坐标)
interval_list = ['≈%s㎡' % str(i.right) for i in area_grouped.index]
# 值list(纵坐标坐标)
avg_price_list = list(area_grouped.astype('float64'))

print(interval_list)

line = (
    Line()
        .set_global_opts(
        tooltip_opts=opts.TooltipOpts(is_show=False),
        xaxis_opts=opts.AxisOpts(type_="category"),
        yaxis_opts=opts.AxisOpts(
            type_="value",
            axistick_opts=opts.AxisTickOpts(is_show=True),
            splitline_opts=opts.SplitLineOpts(is_show=True),
        ),
    )
        .add_xaxis(xaxis_data=interval_list)
        .add_yaxis(
        series_name="二手房平均单价和面积",
        y_axis=avg_price_list,
        symbol="emptyCircle",
        is_symbol_show=True,
        label_opts=opts.LabelOpts(is_show=False),
        is_smooth=True
    )
)
line.render()

4.2 结果

4.3 分析

• 90以下单价随面积缩小而增长，推测是受“学位房”影响
• 90平左右是最佳性价比点，90~120平时性价比区间，推测该区间开发商主要建“经济型”的“刚需房”
• 120平以上房子单价反而高，推测该区间开发商主要建各方面优越的“豪宅”，并且地段较好

4.4 其他猜想

• 岛外四区房价较低，该结果是否受岛外房子90~120平占比较多影响？
• “豪宅”分布在哪？是否对特定行业门店选址有指导意义？

爱心提示：本文仅当个人（非专业人士）练手项目（数据少且不可靠），不作任何投资建议（手动滑稽）。

分析part2：简单分析贝壳在售厦门二手房数据（二）