Pyechars练习分析二手房数据

直接上代码

import pandas as pd
from pyecharts.charts import Map
from pyecharts.charts import Bar
from pyecharts.charts import Line
from pyecharts.charts import Grid
from pyecharts.charts import Pie
from pyecharts.charts import Scatter
from pyecharts import options as optsif __name__ == '__main__':""" 分析二手房数据，使用pyecharts进行可视化 """# 1.读取数据dataDF = pd.read_csv('二手房数据.csv', encoding='GB18030')print(dataDF.head().to_string())# 2.查看表格数据，一共有23677条数据。print(dataDF.describe())# 3.查看是否缺失print(dataDF.isnull().sum())# 4.将看到电梯数据缺失8257行，将缺失数据填充为“未知”：dataDF['电梯'].fillna('未知', inplace=True)print(dataDF.isnull().sum())# 5.统计各城区二手房数量g = dataDF.groupby('市区')df_region = g['小区'].count()region = df_region.index.tolist()list_region = []for row in region:list_region.append(row + '区')count = df_region.values.tolist()print(df_region)# 实列化Map对象map = (Map().add(series_name='', data_pair=[list(z) for z in zip(list_region, count)], maptype='北京').set_global_opts(title_opts=opts.TitleOpts(title='北京市二手房各区分布'),visualmap_opts=opts.VisualMapOpts(is_show=True, min_=0, max_=3000)))map.render('北京各城区二手房数量地图分布.html')# 6.可视化展示-北京各城区二手房数量-平均价格柱状图mean = g.mean()price = round(mean['价格(万元)'], 2)mean_price = price.values.tolist()print(mean_price)# 实例化一个柱形图对象bar = (Bar().add_xaxis(xaxis_data=region))bar.add_yaxis(series_name='数量', y_axis=count)bar.extend_axis(yaxis=opts.AxisOpts(name='价格(万元)', max_=900, min_=200, interval=100))bar.set_global_opts(title_opts=opts.TitleOpts(title='各城区二手房数量-平均价格柱状图'),yaxis_opts=opts.AxisOpts(name='数量', max_=3000, min_=0),tooltip_opts=opts.TooltipOpts(trigger='axis', axis_pointer_type='cross'),xaxis_opts=opts.AxisOpts(axispointer_opts=opts.AxisPointerOpts(is_show=True, type_='shadow')), )# 实例化一个折线图line = (Line().add_xaxis(xaxis_data=region))line.add_yaxis(series_name='价格', y_axis=mean_price, yaxis_index=1)# 重叠overlap()# bar.overlap(line).render('北京各城区二手房数量-平均价格柱状图.html')# 组合图bar.overlap(line)grid = Grid()grid.add(bar, grid_opts=opts.GridOpts(), is_control_axis_index=True)grid.render('北京各城区二手房数量-平均价格柱状图.html')# 7.可视化展示-二手房价格最高的TOP15top_price = dataDF.sort_values(by='价格(万元)', ascending=False)[:15]housing = top_price['小区'].values.tolist()price_top15 = top_price['价格(万元)'].values.tolist()# 实列化一个柱形图对象bar1 = (Bar().add_xaxis(xaxis_data=housing))bar1.add_yaxis(series_name='数量', y_axis=price_top15, category_gap='50%')bar1.set_global_opts(title_opts=opts.TitleOpts(title='二手房价格最高的TOP15'),yaxis_opts=opts.AxisOpts(name='价格(万元)', min_=0, max_=6000, interval=1000),xaxis_opts=opts.AxisOpts(name='小区',axispointer_opts=opts.AxisPointerOpts(is_show=True, type_='shadow')),tooltip_opts=opts.TooltipOpts(trigger='axis', axis_pointer_type='cross'), )bar1.extend_axis(yaxis=opts.AxisOpts(name='价格(万元)', max_=900, min_=200, interval=100))bar1.render('北京二手房价格最高的TOP15.html')# 8.装修情况-有无电梯（玫瑰图）situation = dataDF.groupby('装修情况').count()renovate = situation.index.tolist()renovate_count = situation['小区'].values.tolist()lift = dataDF.groupby('电梯').count()lift_index = lift.index.tolist()lift_count = lift['小区'].values.tolist()# 实列化一个柱形图对象bar2 = (Bar().add_xaxis(xaxis_data=renovate))bar2.add_yaxis(series_name='', y_axis=renovate_count, category_gap='50%',label_opts=opts.LabelOpts(position='right'))bar2.set_global_opts(title_opts=opts.TitleOpts(title='装修情况-有无电梯（玫瑰图）'),tooltip_opts=opts.TooltipOpts(trigger='axis', axis_pointer_type='cross'),xaxis_opts=opts.AxisOpts(name='数量'),yaxis_opts=opts.AxisOpts(name='装修情况',axispointer_opts=opts.AxisPointerOpts(is_show=True, type_='shadow')))bar2.reversal_axis()# 实列化一个饼图对象pie = Pie()pie.add(series_name='', data_pair=[list(z) for z in zip(lift_index, lift_count)],radius=['30%', '65%'],center=['50%', '50%'],rosetype='raduis',)pie.set_series_opts(label_opts=opts.LabelOpts(is_show=True, formatter='{b}: {c}({d}%)'))# 重叠overlap()# bar2.overlap(pie)# 组合图grid = Grid()grid.add(bar2, grid_opts=opts.GridOpts())grid.add(pie, grid_opts=opts.GridOpts(pos_left="60%", pos_right="75%"))grid.render('装修情况-有无电梯（玫瑰图）.html')# 9.二手房总价与面积（散点图）total_price = dataDF['价格(万元)'].values.tolist()total_area = dataDF['面积(㎡)'].values.tolist()# 实列化一个散点图对象scatter = Scatter()scatter.add_xaxis(xaxis_data=total_area)scatter.add_yaxis(series_name='', y_axis=total_price)scatter.set_global_opts(title_opts=opts.TitleOpts(title='二手房总价与面积（散点图）'),xaxis_opts=opts.AxisOpts(name='面积(㎡)', type_='value'),yaxis_opts=opts.AxisOpts(name='价格(万元)'))scatter.render('二手房总价与面积（散点图）.html')

效果展示

Pyechars练习分析二手房数据相关推荐

PythonR爬取分析赶集网北京二手房数据（附详细代码）
本文转载自数据森麟(ID:shujusenlin) 作者介绍:徐涛,19年应届毕业生,专注于珊瑚礁研究,喜欢用R各种清洗数据. 知乎:parkson 如何挑战百万年薪的人工智能! https://ed ...
Python 爬取北京二手房数据，分析北漂族买得起房吗？（附完整源码）
来源:CSDN 本文约3500字,建议阅读9分钟. 本文根据Python爬取了赶集网北京二手房数据,R对爬取的二手房房价做线性回归分析,适合刚刚接触Python&R的同学们学习参考. 房价高是 ...
gridview ashx实现数据更新_Python分析了香港26281套在售二手房数据，结果发现
作者:J哥背景香港的贫富差距问题一直十分尖锐,最突出的体现就是收入和楼价的巨大差异.早在60年代末香港房价就经历了暴涨,人们早已对不动产的金融属性了如指掌,全港的投资情绪一直都相当火热. 即便香港 ...
Python采集3000条北京二手房数据，看我都分析出了啥？
最近呢,对链家平台上的北京二手房数据做了个可视化分析,对目前北京的二手房交易情况有了个大致了解,最终得到一个很实在的结论:奋斗一辈子也买不到一个厕所这句话不是骗人的,是真的:关于具体分析内容请看下文 ...
python二手房价格预测_分析香港2万6千套在售二手房数据，1000万的居然有那么多...
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理以下文章来源于菜J学Python ,作者J哥前言香港的贫富差距问题一直十分尖锐 ...
武汉二手房市场现在怎样了？涨了还是跌了？分析下武汉二手房数据
一.背景与挖掘目标经常听到这么一句话"坐拥百万大学生,武汉却留不住人.",在人才竞争的大背景下,武汉出台了一系列包括"人才租房.购房8折优惠"等政策.&quo ...
深圳python多少钱信息_用Python分析深圳在售二手房数据，看看买房需要多少预算...
白岩松曾说:"高房价正在毁掉无数年轻人的爱情,毁灭了年轻人的想象力."尤其是北上广深这类一线城市,对于一般的工薪阶层,买房更是难上加难.前不久,DT财经写了一篇文章<我只有3 ...
用Python分析深圳在售二手房数据，看看买房需要多少预算
白岩松曾说:"高房价正在毁掉无数年轻人的爱情,毁灭了年轻人的想象力."尤其是北上广深这类一线城市,对于一般的工薪阶层,买房更是难上加难.前不久,DT财经写了一篇文章<我只有3 ...
Python爬取中原地产香港26281套在售二手房数据并分析
背景香港的贫富差距问题一直十分尖锐,最突出的体现就是收入和楼价的巨大差异.早在60年代末香港房价就经历了暴涨,人们早已对不动产的金融属性了如指掌,全港的投资情绪一直都相当火热.即便香港当前失业率高企 ...
Python分析香港26281套在售二手房数据
公众号后台回复"图书",了解更多号主新书内容作者:J哥来源:菜J学Python 背景香港的贫富差距问题一直十分尖锐,最突出的体现就是收入和楼价的巨大差异.早在60年代末香港房 ...

Pyechars练习分析二手房数据

直接上代码

效果展示

Pyechars练习分析二手房数据相关推荐

最新文章

热门文章