python分析北京租房现状，最后的价格分布地图亮了

租房信息已经有了，为了能对北京目前的租房市场有个直观认识，我对数据进行深度分析，并进行可视化展示

从分析结果中，我得到了哪些位置房源多、各区租房平均价格以及心仪价格地理位置分布等重要信息，为帮助我租房提供重要依据

下面带大家一起看一下整个分析过程:

很多人学习python，不知道从何学起。
很多人学习python，掌握了基本语法过后，不知道在哪里寻找案例上手。
很多已经做案例的人，却不知道如何去学习更加高深的知识。
那么针对这三类人，我给大家提供一个好的学习平台，免费领取视频教程，电子书籍，以及课程的源代码！
QQ群：1156465813

1.分析各行政区房源数量及单价

import pandas as pd
beijing_daname=['朝阳区', '丰台区', '海淀区', '大兴区', '通州区', '昌平区', '东城区', '西城区', '顺义区']
data=pd.read_csv('租房数据加经纬度.csv',encoding='gbk')
areas=list(set(list(data['行政区'])))
area_sums={}
for area in areas:area_sums[area]=list(data['行政区']).count(area)
from pyecharts import options as opts
from pyecharts.charts import Bar
import random
hotel_num=[area_sums[i] for i in beijing_daname]
bar = (Bar().add_xaxis(beijing_daname).add_yaxis("", hotel_num).set_global_opts(title_opts=opts.TitleOpts(title="北京各区房源数量")).set_series_opts(label_opts=opts.LabelOpts(is_show=True),markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="min", name="最小值"),opts.MarkLineItem(type_="max", name="最大值"),opts.MarkLineItem(type_="average", name="平均值"),]),)
)
bar.render_notebook()

从上图可以得出以下结论：

朝阳区的房源数量最多，有1877套顺义区的房源数量最少，有272套9个区平均房源数量为611套。

各城区房源单价情况（每平米单价*30平米为例）

unit_price={}
for i in list(data.groupby('行政区')):if i[0] in beijing_daname:unit_price[i[0]]=int(i[1]['价格'].sum()/i[1]['面积'].sum())*30
unit_price
bar = (Bar().add_xaxis(list(unit_price.keys())).add_yaxis("", [unit_price[i] for i in list(unit_price.keys())]).set_global_opts(title_opts=opts.TitleOpts(title="北京各区租房均价（每平米单价*30平米为例）")).set_series_opts(label_opts=opts.LabelOpts(is_show=True),markline_opts=opts.MarkLineOpts(data=[opts.MarkLineItem(type_="min", name="最小值"),opts.MarkLineItem(type_="max", name="最大值"),opts.MarkLineItem(type_="average", name="平均值"),]),)
)
bar.render_notebook()

以30平米为例：

西城区的住房价格最高，为4350元通州区的租房价格最低，为1620元价格差距还是很大的。

2.分析分析各户型占比及价格分布

layouts=list(set(data['户型']))
layout=data.loc[:,'户型'].value_counts()
from pyecharts import options as opts
from pyecharts.charts import Pie
print(list(layout.index)[:10])
values=[int(i) for i in list(layout.values)[:10]]
pie = (Pie().add("",[(i,j)for i,j in zip(list(layout.index)[:10],values)],radius=["30%", "75%"],center=["40%", "50%"],rosetype="radius",label_opts=opts.LabelOpts(is_show=False),).set_global_opts(title_opts=opts.TitleOpts(title="北京市各区出租房户型占比"),legend_opts=opts.LegendOpts(type_="scroll", pos_left="85%", orient="vertical"),).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c},{d}%"))
)
pie.render_notebook()

由于户型种类比较多，所以我只选了前10种，从图中可以看出，房源主流是1室1厅1卫，占比41.86%,其次分别是是2室1厅1卫、1室0厅1卫，各占比30.58%和11.02%

cut_n=list(range(0,12000,1000))
income=pd.cut(data["价格"],cut_n)
price_cut=data['价格'].groupby(income).count()
index=list(price_cut.index)
index=[str(i) for i in list(price_cut.index)]
values=[int(i) for i in list(price_cut.values)]
pie = (Pie().add("",[(i,j)for i,j in zip(index,values)],radius=["30%", "75%"],center=["40%", "50%"],rosetype="radius",label_opts=opts.LabelOpts(is_show=False),).set_global_opts(title_opts=opts.TitleOpts(title="北京市各区出租房户型占比"),legend_opts=opts.LegendOpts(type_="scroll", pos_left="85%", orient="vertical"),).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:  {c}, {d}%"))
)
pie.render_notebook()

目前，主流的租房价格在3000至6000元，占比50%左右，最便宜有1000元以下的,位置相对较偏，且面积在20平以内；贵的有1万多的,这种一般面积在100平以上，位置在主城区。

3.房子位置分布

根据上述分析情况和我的预算，我决定在朝阳区找一套合适的房子，取出价格在4000至6000元的数据，另存表格，并将表格导入水经注地图下载器中

com_data=data[data['价格'].le(6000)]
com_data=com_data[com_data['价格'].ge(3000)]
com_data=com_data[com_data['行政区']=='朝阳区']
com_data.to_csv('心仪房子.csv',encoding='gbk')

结果展示如下:

下面红色数字为租房价格，这样找起房子来就更方便了

在这里还是要推荐下我自己建的Python开发学习群:1156465813，群里都是学Python开发的，如果你正在学习Python ，欢迎你加入，大家都是软件开发党，不定期分享干货（只有Python软件开发相关的），包括我自己整理的一份2020最新的Python进阶资料和高级开发教程，欢迎进阶中和进想深入Python的小伙伴！