python最终价格_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:
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
python最终价格_python分析北京租房现状,最后的价格分布地图亮了相关推荐
- 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 ...
- Python爬取链家北京租房信息
刚学习了python,中途遇到很多问题,查了很多资料,最关键的就是要善于调试,div信息一定不要找错,下面就是我爬取租房信息的代码和运行结果: 链家的房租网站 两个导入的包 1.requests 用来 ...
- 第5篇-分析北京租房的房源信息
提前声明:该专栏涉及的所有案例均为学习使用,如有侵权,请联系本人删帖! 文章目录 一.前言 二.网站分析 三.代码编写 一.前言 最近北京的房租是越来越贵了,钱包的钱有点不够呀 因此觉得把北京租房的房 ...
- python加油视频_python分析6625条视频,揭秘“打工人”凭啥刷爆全网!
原标题:python分析6625条视频,揭秘"打工人"凭啥刷爆全网! CDA数据分析师 出品 作者:Mika 数据:真达 后期:Mika [导读] Show me data,用数据 ...
- python股票买卖问题_Python分析股票买卖点 2
接着上一篇用python对科大讯飞股票分析,利用MA5和Ma20的指标,对股票的买卖点做了一个简单的分析. 下面,继续趁热打铁,结合前面的MA5和MA20来继续分析.最好一眼能看到买卖点. 如下图:分 ...
- python中奖号_Python分析彩票记录并预测中奖号码过程详解
0 引言 上周被一则新闻震惊到了,<2454万元大奖无人认领!福彩史上第二大弃奖在广东中山产生 >,在2019年5月2日开奖的双色球中,广东中山一位彩民博中2454万元,兑奖时间截至201 ...
- python最终目标_Python晋级之路-工欲善其事必先利其器
猴子老师Live中用一个盖房子的例子,很好的解释了大多数零基础朋友开始学习编程时的迷茫.面对一个客户需求,如何分三个步骤就能得出最后的结果. 我简单整理一下,第一步先仔细分析客户的需求,明确最终目标( ...
- python地铁车票_Python分析3034个地铁站,发现中国地铁名字的秘密。
原标题:Python分析3034个地铁站,发现中国地铁名字的秘密. 最近看了新周刊的一篇推送,有关地铁名字的分析,链接如下. 我们分析了3447个地铁站,发现了中国城市地名的秘密 于是乎也想着自己去获 ...
- Python爬取链家北京租房信息!北京租房都租不起啊!
一.效果图 二.代码 import re from fake_useragent import UserAgent from lxml import etree import asyncio impo ...
最新文章
- Windows 8部署系列PART6:准备模板计算机配置
- 《SolidWorks 2017中文版机械设计从入门到精通)》——1.4 操作环境设置
- 10笔记本怎么和台式机联网_笔记本电脑怎么重装系统Win7?给你10分钟能完成系统重装吗?...
- python爬虫原理-python爬虫从入门到放弃(二)之爬虫的原理
- c语言计算正方体表面积的程序,成都信息工程学院C语言考试题及答案
- 【机器学习】正则化的线性回归 —— 岭回归与Lasso回归
- Angular ngClick command parse
- CentOS 7 防火墙,端口开启命令
- 没有规则可制作目标modules_Modules简介
- 【免费】某机构最新3980元机器学习/大数据课程高速下载,限量200份
- 诺基亚X71上手评测:中端机市场中的绝对C位
- windows10安装ninja过程记录
- 人月神话-软件开发现状
- sas 分析家模块 安装,SAS9.3/9.4统计分析安装使用教程自学资料完整模块最新SID
- 数据分析方法,寻找事物之间的因果规律-逻辑关系法(2)
- wav转mp3格式转换器哪个好
- 使用ADO控件连接“文件DSN”
- MySQL按日期依次统计
- 阿里云cdn以及阿里云负载均衡配置方法
- 获取手机WiFi Ip地址
热门文章
- am335x uboot启动流程分析
- Python读取Word文档内容
- 高考631能上什么好的计算机学校,2021年高考631分左右能上什么大学(100所)
- 计算机网络部分知识梳理
- 使用U盘离线安装CentOS、包括5到8四个版本
- NB-IOT 模块 MT2625 使用总结
- C# VBA 提取word中图片方法
- API接口名称(包括在请求地址中)[item_search,item_get,item_search_shop等] item_get - 根据ID取商品详情
- Linux就该这么学——Day2
- 玩转NVIDIA Jetson AGX Xavier