拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出。
目的
房价有关的数据可能反映了中国近年来的变化:
- 人们得到更多的资源(薪水),期望有更好的房子
- 人口众多
- 独生子女政策:如何影响房子的几何结构?更多的卧室,更多的空间
我核心的想法是预测房价。然而,我不打算使用任何arima模型;相反,我将使用数据的特性逐年拟合回归。
结构如下:
- 数据准备:将数值特征转换为分类;缺失值
- EDA:对于数值特征和分类特征:平均价格与这些特征的表现
- 建模:
- 分割训练/测试给定年份的数据:例如,在2000年分割数据;根据这些数据训练回归模型
- 然后,在2016年之前的所有年,预测每套房子的价值。
- 用于验证的度量将是房屋的平均价格(即每年从测试样本中获得平均价格和预测值)
数据准备
我们对特征有了非常完整的描述:
url:获取数据(字符)的url
id:id(字符)
Lng:和Lat坐标,使用BD09协议。(数字)
Cid:社区id(数字)
交易时间:交易时间(字符)
DOM:市场活跃日。(数字)
关注者:交易后的人数。(数字)
总价:(数值)
价格:按平方计算的平均价格(数值)
面积:房屋的平方(数字)
- 起居室
数(字符)
- 客厅
数(字符)
厨房数量(数字)
浴室数量(字符)
房子高度
建筑类型:包括塔楼(1)、平房(2)、板塔组合(3)、板(4)(数值)
施工时间
装修:包括其他(1)、粗(2)、简单(3)、精装(4)(数值)
建筑结构:包括未清(1)、混合(2)、砖和木(3)、砖混凝土(4)、钢(5)和钢-混凝土复合材料(6)。(数值)
梯梯比:同层居民数与电梯数量的比例。
电梯有(1)或没有电梯(0)(数值)
五年期:业主拥有不到5年(数字)
数据清理、特征创建
从最初的数据看:
- 从网址上,我发现它有位置信息,如chengjiao/101084782030。同样,一个简单的regexp进行省特征提取。
- 另一个大的数据准备工作是转换一些数字特征,比如地铁,地铁站附近的房子编码为1,相反的情况编码为0。
- 还有很大一部分DOM缺失。我既不能在建模中使用这个特性,也不能删除NA,但它也会减小数据帧的大小。
#从网址中提取省份sapply(df$url, function(x) strsplit(x,'/')[[1]][4])
检查缺失
#缺失数据图ggplot(data = .,aes(x = V2, y = V1)) + geom_tile(aes(fill = value )) +
- 如上所述,DOM的很大一部分丢失了。我决定先保留这个特性,然后用中间值来填充缺失的值(分布是非常倾斜的)
- 否则,buildingType和communityAverage(pop.)中只有几个缺少的值,我决定简单地删除这些值。事实上,它们只占了约30行,而整个数据集的数据量为300k+,因此损失不会太大。
- 下面我简单地删除了我以后不打算使用的特征。
ifelse(is.na(df$DOM),median(df$DOM,na.rm=T),df$DOM)
用于将数字转换为类别的自定义函数
对于某些特征,需要一个函数来处理多个标签,对于其他一些特征(客厅、客厅和浴室),转换非常简单。
df2$livingRoom <- as.numeric(df2$livingRoom)
似乎buildingType具有错误的编码数字值:
buildingType | count |
---|---|
0.048 | 4 |
0.125 | 3 |
0.250 | 2 |
0.333 | 5 |
0.375 | 1 |
0.429 | 1 |
0.500 | 15 |
0.667 | 1 |
1.000 | 84541 |
2.000 | 137 |
3.000 | 59715 |
4.000 | 172405 |
NaN | 2021 |
由于错误的编码值和NA的数量很少,因此我将再次丢弃这些行
df2$renovationCondition <- sapply(df2$renovationCondition, ionCondition)df2$buildingStructure <- sapply(df2$buildingStructure, makeStructure)
df2$elevator <- ifelse(df2$elevator==1,'has_elevator','no_elevator')
缺失值检察
# 缺失数据图
df2 %>% is.na %>% melt %>% ggplot(data = .,aes(x = Var2, y = Var1)) + geom_tile(aes(fill = value)) +scale_fill_manual(values = c("grey20","white")) + theme_minimal(14) +
kable(df %>% group_by(constructionTime) %>% summarise(count=n()) %>% arrange(-count) %>% head(5))
constructionTime | count |
---|---|
2004 | 21145 |
2003 | 19409 |
NA | 19283 |
2005 | 18924 |
2006 | 14854 |
df3 <- data.frame(df2 %>% na.omit())
插补后的最终检查
any(is.na(df3))
## [1] FALSE
探索性分析
由于有数字和分类特征,我将使用的EDA技术有:
- 数值:相关矩阵
- 分类:箱线图和地图
我们必须关注价格(单位价格/单位价格)以及总价格(百万元)
totalPrice将是回归模型的目标变量。
数值特征
corrplot(cor(df3 ,tl.col='black')
评论
- totalPrice与communityAverage有很强的正相关关系,即人口密集区的房价较高
- totalPrice与客厅、卫浴室数量有一定的正相关关系。
- 至于面积变量,我们看到它与上述变量也有很强的相关性:这是有道理的,因为如果房子的面积大,可以建造更多的房间(显而易见)。
- 其他一些有趣的相关性:communityAverage与建筑时间呈负相关,这意味着在人口密集区建房所需的时间更短
分类特征
地图
- 中国三级(省)地图
- 我看了看城郊,它位于北京附近,所以我过滤了那个特定省份的地图
ggplot() + geom_polygon(data = shapefile_test,aes(x = long, y = lat, group = group), BeijingLoc <- data.frame('Long'=116.4075,'Lat' = 39.904)
建筑结构
makeEDA('buildingStructure' )
砖木结构的房屋是最昂贵的,几乎是其他类型房屋的两倍
建筑类型
makeEDA('buildingType' )
平房是最昂贵的,也是最本地化的
装修条件
电梯
- 价格对电梯的依赖性非常小
- 住宅的分布与这一特征是相对相等的。
地铁
- 价格对地铁站附近的依赖性非常小。
- 住宅的分布与这一特征是相对相等的。
是否满五年
makeFeatureCatEDA('fiveYearsProperty', length(unique(df3$fiveYearsProperty)))
- 对于是否拥有不到5年房产来说,价格的依赖性确实很小
- 就这一特征而言,房子分布是相对平等的
区域
回归模型
策略
- 从tradeTime中提取年份和月份
按年度和月份分组,得到房屋的数量和均价
- 拆分数据集:
- 对于年[2010-2017]=在这组年上训练并运行回归模型
- 对于>2017年:逐月对测试样本并预测平均价格
平均价格总览
首先我们需要看看我们想要预测什么
df3$year <- year(df3$tradeTimeTs)
df3$month <- month(df3$tradeTimeTs)
df3 %>% filter(year>2009) %>% group_by(monthlyTrad) %>% summarise(count=n(), mean = mean(price)) %>% ggplot(aes(x=monthlyTradeTS, y= mean)) +
- 平均价格上涨至2017年中期,然后迅速下降
- 同时,房屋数量随着价格的上涨而增加,而且现在房屋交易的数量也随着价格的上涨而减少。
准备训练/测试样本
我在2017-01-01拆分数据。对于所有样本,我需要把分类特征变成伪变量。
df_train <- data.frame(df %>% filter(year>2009 & year<2017))
df_test <- data.frame(df %>% filter(year>=2017))
as.data.frame(cbind(df_train %>% select_if(is.numeric) %>% select(-Lng, -Lat, -year, -month),'bldgType'= dummy.code(df_train$buildingType),'bldgStruc'= dummy.code(df_train$buildingStructure),'renovation'= dummy.code(df_train$renovationCondition),'hasElevator'= dummy.code(df_train$elevator),
在这一步中,我只训练一个线性模型
regressors<-c('lm')Control <- trainControl(method = "cv",number = 5, repeats=3)
for(r in regressors){cnt<-cnt+1res[[cnt]]<-train(totalPrice ~., data = train ,method=r,trControl = Control)
r^2在0.88左右,不错。让我们看看细节。
训练精度
g1<-ggplot(data=PRED,aes(x=Prediction,y=True)) + geom_jitter() + geom_smooth(method='lm',size=.5) +#计算指标mse <- mean((PRED$True-PRED$Prediction)^2)rmse<-mse^0.5SSE = sum((PRED$Pred - PR
## [1] "MSE: 15952.845934 RMSE : 126.304576 R2 :0.795874"
- 所以看起来残差还不错(分布是正态的,以0为中心),但对于低价格来说似乎失败了。
训练和测试样本的预测与时间的关系
- 基本上与上述相同,但我将重复预测所有月份的训练数据
- 我的目标指标是平均房价。
- 训练是在10多年的训练样本中完成的,因此逐月查看预测将非常有趣。
# 训练样本->训练精度for (i in 1:length(dates_train)){current_df <- prepareDF(current_df)current_pred <- mean(predict(res[[1]],current_df))#运行测试样本-->测试精度for (i in 1:length(dates_test)){current_df <- prepareDF(current_df)current_pred <- mean(predict(res[[1]],current_df))
RES %>% reshape2::melt(id=c('date','split')) %>% ggplot(aes(x=date,y=value)) + geom_line(aes(color=variable, lty=split),size=1) +
- 预测对于2012年之后的数据确实非常好,这可能与有足够数据的月份相对应
改进
地理位置作为特征
- 下面是一个有趣的图;它显示了每个位置的总价格。 在二维分布的中心,价格更高。
- 这个想法是计算每个房子到中心的距离,并关联一个等级/分数
BeijingLoc <- data.frame('Long'=116.4075,'Lat' = 39.904)
df3 %>% ggplot(aes(x=Lng,y=Lat)) + geom_point(aes(color=price),size=.1,alpha=.5) + theme(legend.position = 'bottom') +
拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例相关推荐
- R语言线性回归和时间序列分析北京房价影响因素可视化案例
原文链接:http://tecdat.cn/?p=21467 目的 房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子 人口众多 独生子女政策:如何影响房子的几何 ...
- 拓端tecdat|R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险 逻辑回归Logistic模型原理和R语言分类预测冠 ...
- 拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解(STL)进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
- 拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
- R语言mgcv包时间序列分析在空气污染与健康领域的应用(3)---模型自由度选择
广 义 相 加 模 型 ( generalized additional model,GAM)是对传统广义线性模型的非参数拓展,可有效处理解释变量与效应变量间复杂的非线性关系.GAM 目前已广泛应用于 ...
- R语言mgcv包时间序列分析在空气污染与健康领域的应用(1)
在空气污染与健康研究领域,经常需要用时间序列方法将随时间变化的污染物暴露资料和随时间变化的事件发生数资料联系起来,分析人群健康结局与暴露水平之间的关系. 时间序列分析是根据系统观测得到的时间序列数据, ...
- 如何在R语言中建立六边形矩阵热图heatmap可视化
原文链接:http://tecdat.cn/?p=18879 这是一个六边形热图可视化程序,主要用到的知识RColorBrewer,fields,也就是R中的可视化绘图库(点击文末"阅读原文 ...
- 拓端tecdat荣获掘金社区入驻新人奖
2021年7月,由掘金发起了"入驻成长礼"颁奖活动.本次活动邀请到知名开发者.服务机构代表等业界人士. 据了解,掘金社区"新入驻创作者礼"主要对已经积累了一定历 ...
- 视频|分类模型评估:精确率、召回率、ROC曲线、AUC与R语言生存分析时间依赖性ROC实现
最近我们被客户要求撰写关于分类模型的研究报告,包括一些图形和统计输出. 本文将帮助您回答以下问题: ROC曲线是什么? 曲线下的面积是多少? 二元分类的决策阈值是多少? 分类模型可接受的 AUC值是多 ...
最新文章
- Java学习总结:24
- access对比数据_数据仓库系列之数据质量管理
- 姐妹花考上川大本硕博连读,网红兄弟一起上清华
- IE10、IE11解决不能播放Flash的问题!
- Spring IOP 面向切面编程
- 网站 smtp服务器,网站smtp服务器
- 7,Matlab实现末端轨迹跟踪
- 毕业设计所用到的工具,需要了解的神器,不妨来看看,工具基本全了
- 怎样通过《Sbo维护与开发助手软件》进行Sbo开发和维护(1/3)
- Django搭建网站的个人笔记记录
- 关于ImportError: No module named ‘tensorflow‘报错的解决
- 计算机图形学 | 基于MFC和二维变换的画图软件
- 如何u盘安装Linux系统CentOS7.2
- LTE:PHICH物理层处理过程及资源映射
- Ubuntu14.04停留在开机logo界面
- flash的计算机知识,了解flash动画基础知识 -电脑资料
- 杭电ACM-LCY算法进阶培训班-专题训练(计算几何入门)
- 揭开影响RS485通讯因素的面纱
- Vivado 工程文件的结构
- 高端电视选购调查:8成用户放弃OLED选择ULEDX