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:

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

注意：如果你是打算找python高薪工作的话。我建议你多写点真实的企业项目积累经验。不然工作都找不到，当然很多人没进过企业，怎么会存在项目经验呢？ 所以你得多找找企业项目实战多练习下撒。如果你很懒不想找，也可以进我的Python交流圈：1156465813。群文件里面有我之前在做开发写过的一些真实企业项目案例。你可以拿去学习，不懂都可以在裙里找我，有空会耐心给你解答下。

以下内容无用，为本篇博客被搜索引擎抓取使用

(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)

python 是干什么的 零基础学 python 要多久 python 为什么叫爬虫

python 爬虫菜鸟教程 python 爬虫万能代码 python 爬虫怎么挣钱

python 基础教程 网络爬虫 python python 爬虫经典例子

python 爬虫

(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)(*￣︶￣)

以上内容无用，为本篇博客被搜索引擎抓取使用