系列文章目录

一、Python二手房价格预测（一）——数据获取

二、Python二手房价格预测（二）——数据处理及数据可视化

文章目录

系列文章目录
前言
一、数据处理
二、模型训练
- 1.引入库
- 2.读入数据
- 3.评价指标
- 4.线性回归
- 5.K近邻
- 6.决策树回归
- 7.随机森林
- 8.各模型结果
三、重要特征筛选
结语

前言

在上次分享中我们对数据进行了部分预处理和数据可视化，接下来将对数据完全处理，并且使用几种基线模型对二手房的价格进行预测。

一、数据处理

上次分享中我们将部分数据处理成了数值型数据，还有部分Object类型数据没有进行处理，先对这些数据进行一个处理。

def xiaoquInfo(df, flag):xiaoqu = json.loads(df['小区简介'].replace("'", '"'))if flag == 1:return int(xiaoqu['小区建造年份'][:-1])elif flag == 2:return int(xiaoqu['楼栋总数'][:-1])else:return xiaoqu['小区均价']data['小区建造年份'] = data.apply(lambda x:xiaoquInfo(x, 1), axis=1)
data['楼栋总数'] = data.apply(lambda x:xiaoquInfo(x, 2), axis=1)
data['小区均价'] = data.apply(lambda x:xiaoquInfo(x, 3), axis=1)# 剔除一些无用列，其中“户型分间”列还可以提取一些东西，这里为了节约时间我就没做，有能力的同学可以试着提取一些有效数据
data = data[['总价', '单位价格', '楼房信息', '所属区县', '所在楼层', '建筑面积', '户型结构', '套内面积', '建筑类型', '房屋朝向', '建筑结构', '装修情况', '供暖方式', '配备电梯', '挂牌时间', '交易权属', '上次交易', '房屋用途', '房屋年限', '产权所属', '抵押信息', '房屋户型_室', '房屋户型_厅', '房屋户型_厨', '房屋户型_卫', '梯户比例_梯', '梯户比例_户', '梯户比例_比例', '小区建造年份', '楼栋总数', '小区均价']]# 将列中只含两种类型的列进行0-1转换，“抵押信息”列中，可以理解为只含“无抵押”和“有抵押”
def diyaInfo(df):if df['抵押信息'] == '无抵押':return 0else:return 1data['抵押信息_01'] = data.apply(lambda x:diyaInfo(x), axis=1)
data['产权所属'] = data['产权所属'].replace("非共有", 0).replace("共有", 1)# 将数据获取时间定义
data['数据获取日期'] = '2022-04-24'# 定义一下处理日期型数据的函数，将日期转化为时间差值，天为单位
import datetime
def calDate(df, c):if df[c] == '暂无数据':return np.nand1=datetime.datetime.strptime('2022-04-24',"%Y-%m-%d")d2=datetime.datetime.strptime(df[c],"%Y-%m-%d")diff_days=d1-d2return diff_days.days
for c in ['挂牌时间', '上次交易']:data[c+'差（天）'] = data.apply(lambda x:calDate(x, c), axis=1)
# 有空缺值按均值填充了
for c in ['挂牌时间差（天）', '上次交易差（天）']:data[c].fillna(data[c].mean(), inplace=True)# 生成房龄数据
data['房龄'] = 2022 - data['楼房信息']# 将某些列做独热编码处理，房屋朝向这一列含有的类别过多，做独热编码时会使数据稀疏，因此，将一些少量类别的数据进行合并为“其他朝向”
def calChaoxiang(df):chaoxiangCol = ['南 北', '南', '东南', '西南', '北 南', '东 南 北', '西北', '西', '东', '南 西 北', '东北', '北', '东 西', '南 北 西', '东 北', '南 北 东']if df['房屋朝向'] not in chaoxiangCol:return "其他朝向"else:return df['房屋朝向']data['房屋朝向'] = data.apply(lambda x:calChaoxiang(x), axis=1)one_hot_col_names = ['所属区县','所在楼层','户型结构','建筑类型','房屋朝向','建筑结构','装修情况','供暖方式','配备电梯','交易权属','房屋用途','房屋年限']# 删除已处理过的时间列
data.drop(['挂牌时间', '上次交易', '数据获取日期'], axis=1, inplace=True)one_hot_data = pd.get_dummies(data[one_hot_col_names])
data = pd.concat([data,one_hot_data],axis = 1)
data.drop(one_hot_col_names, axis=1, inplace=True)# 将处理过的数据导出（注意，这一部分代码要续上之前分享过的代码，上次数据处理不完全）
data.to_excel("二手房数据（处理后）.xlsx", index=False)

二、模型训练

1.引入库

代码如下：

# 写在前面，大家可以关注一下微信公众号：吉吉的机器学习乐园
# 可以通过后台获取数据，不定期分享Python，Java、机器学习等相关内容import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.pyplot import MultipleLocator
import sys
import seaborn as sns
import warnings
import math
warnings.filterwarnings("ignore")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
pd.set_option('display.max_rows', 100,'display.max_columns', 1000,"display.max_colwidth",1000,'display.width',1000)from sklearn.metrics import *
from sklearn.linear_model import *
from sklearn.neighbors import *
from sklearn.svm import *
from sklearn.neural_network import *
from sklearn.tree import *
from sklearn.ensemble import *
from xgboost import *
import lightgbm as lgb
import tensorflow as tf
from tensorflow.keras import layers
from sklearn.preprocessing import *
from sklearn.ensemble import RandomForestRegressor as RFR
from sklearn.model_selection import *

2.读入数据

代码如下：

data = pd.read_excel("二手房数据（处理后）.xlsx", na_values=np.nan)# 将数据划分输入和结果集
X = data[ data.columns[1:] ]
y_reg = data[ data.columns[0] ]# 切分训练集和测试集， random_state是切分数据集的随机种子，要想复现本文的结果，随机种子应该一致
x_train, x_test, y_train, y_test = train_test_split(X, y_reg, test_size=0.3, random_state=42)

3.评价指标

平均绝对误差（MAE）

平均绝对误差的英文全称为 Mean Absolute Error，也称之为 L1 范数损失。是通过计算预测值和真实值之间的距离的绝对值的均值，来衡量预测值与真实值之间的距离。计算公式如下：

均方误差（MSE）

均方误差英文全称为 Mean Squared Error，也称之为 L2 范数损失。通过计算真实值与预测值的差值的平方和的均值来衡量距离。计算公式如下：

均方根误差（RMSE）

均方根误差的英文全称为 Root Mean Squared Error，代表的是预测值与真实值差值的样本标准差。计算公式如下：

决定系数（R2）

决定系数评估的是预测模型相对于基准模型（真实值的平均值作为预测值）的好坏程度。计算公式如下：

最好的模型预测的 R2 的值为 1，表示预测值与真实值之间是没有偏差的；
但是最差的模型，得到的 R2 的值并不是 0，而是会得到负值；
当模型的 R2 值为负值，表示模型预测结果比基准模型（均值模型）表现要差；
当模型的 R2 值大于 0，表示模型的预测结果比使用均值预测得到的结果要好。

定义评价指标函数：

# 评价指标函数定义，其中R2的指标可以由模型自身得出，后面的score即为R2
def evaluation(model):ypred = model.predict(x_test)mae = mean_absolute_error(y_test, ypred)mse = mean_squared_error(y_test, ypred)rmse = math.sqrt(mse)print("MAE: %.2f" % mae)print("MSE: %.2f" % mse)print("RMSE: %.2f" % rmse)return ypred

4.线性回归

代码如下：

model_LR = LinearRegression()
model_LR.fit(x_train, y_train)
print("params: ", model_LR.get_params())
print("train score: ", model_LR.score(x_train, y_train))
print("test score: ", model_LR.score(x_test, y_test))
predict_y = evaluation(model_LR)

输出结果：

params:  {'copy_X': True, 'fit_intercept': True, 'n_jobs': None, 'normalize': False}
train score:  0.9393799595620992
test score:  0.9369392050137573
MAE: 12.11
MSE: 370.69
RMSE: 19.25

我们可以将 y_test 转换为 numpy 的 array 形式，方便后面的绘图。

test_y = np.array(y_test)

由于数据量较多，我们取预测结果和真实结果的前50个数据进行绘图。

plt.figure(figsize=(10,10))
plt.title('线性回归-真实值预测值对比')
plt.plot(predict_y[:50], 'ro-', label='预测值')
plt.plot(test_y[:50], 'go-', label='真实值')
plt.legend()
plt.show()

上图中，绿色点为真实值，红色点为预测值，当两点几乎重合时，说明模型的预测结果十分接近。

5.K近邻

代码如下：

model_knn = KNeighborsRegressor()
model_knn.fit(x_train, y_train)
print("params: ", model_knn.get_params())
print("train score: ", model_knn.score(x_train, y_train))
print("test score: ", model_knn.score(x_test, y_test))
predict_y = evaluation(model_knn)

输出结果：

params:  {'algorithm': 'auto', 'leaf_size': 30, 'metric': 'minkowski', 'metric_params': None, 'n_jobs': None, 'n_neighbors': 5, 'p': 2, 'weights': 'uniform'}
train score:  0.8055745690649098
test score:  0.7144393809856229
MAE: 27.67
MSE: 1678.59
RMSE: 40.97

绘图：

plt.figure(figsize=(10,10))
plt.title('KNN-真实值预测值对比')
plt.plot(predict_y[:50], 'ro-', label='预测值')
plt.plot(test_y[:50], 'go-', label='真实值')
plt.legend()
plt.show()

6.决策树回归

代码如下：

model_dtr = DecisionTreeRegressor(max_depth = 5, random_state=30)
model_dtr.fit(x_train, y_train)
print("params: ", model_dtr.get_params())
print("train score: ", model_dtr.score(x_train, y_train))
print("test score: ", model_dtr.score(x_test, y_test))
predict_y = evaluation(model_dtr)

在这里，决策树学习器加入了一个 max_depth 的参数，这个参数限定了树的最大深度，设置这个参数的主要原因是为了防止模型过拟合

输出结果：

params:  {'criterion': 'mse', 'max_depth': 5, 'max_features': None, 'max_leaf_nodes': None, 'min_impurity_decrease': 0.0, 'min_impurity_split': None, 'min_samples_leaf': 1, 'min_samples_split': 2, 'min_weight_fraction_leaf': 0.0, 'presort': False, 'random_state': 30, 'splitter': 'best'}
train score:  0.9624891829996234
test score:  0.9457849042838976
MAE: 12.19
MSE: 318.69
RMSE: 17.85

如果不限定树的最大深度会发生什么呢？

model_dtr = DecisionTreeRegressor(random_state=30)
model_dtr.fit(x_train, y_train)
print("params: ", model_dtr.get_params())
print("train score: ", model_dtr.score(x_train, y_train))
print("test score: ", model_dtr.score(x_test, y_test))
predict_y = evaluation(model_dtr)

输出结果：

params:  {'criterion': 'mse', 'max_depth': None, 'max_features': None, 'max_leaf_nodes': None, 'min_impurity_decrease': 0.0, 'min_impurity_split': None, 'min_samples_leaf': 1, 'min_samples_split': 2, 'min_weight_fraction_leaf': 0.0, 'presort': False, 'random_state': 30, 'splitter': 'best'}
train score:  1.0
test score:  0.9819886071850025
MAE: 4.36
MSE: 105.88
RMSE: 10.29

获得树的最大深度：

model_dtr.get_depth()

输出结果：

我们发现，在不限定树的最大深度时，决策树模型的训练得分（R2）为：1.0，但测试得分为：0.9819886071850025。
这就是模型过拟合，在训练数据上的表现非常良好，当用未训练过的测试数据进行预测时，模型的泛化能力不足，导致测试结果不理想。
感兴趣的同学可以自行查阅关于决策树剪枝的过程。

绘图：

plt.figure(figsize=(10,10))
plt.title('决策树回归-真实值预测值对比')
plt.plot(predict_y[:50], 'ro-', label='预测值')
plt.plot(test_y[:50], 'go-', label='真实值')
plt.legend()
plt.show()

7.随机森林

代码如下：

model_rfr = RandomForestRegressor(random_state=30)
model_rfr.fit(x_train, y_train)
print("params: ", model_rfr.get_params())
print("train score: ", model_rfr.score(x_train, y_train))
print("test score: ", model_rfr.score(x_test, y_test))
predict_y = evaluation(model_rfr)

输出结果：

params:  {'bootstrap': True, 'criterion': 'mse', 'max_depth': None, 'max_features': 'auto', 'max_leaf_nodes': None, 'min_impurity_decrease': 0.0, 'min_impurity_split': None, 'min_samples_leaf': 1, 'min_samples_split': 2, 'min_weight_fraction_leaf': 0.0, 'n_estimators': 10, 'n_jobs': None, 'oob_score': False, 'random_state': 30, 'verbose': 0, 'warm_start': False}
train score:  0.9950702190060036
test score:  0.9891553887607397
MAE: 3.07
MSE: 63.75
RMSE: 7.98

绘图：

plt.figure(figsize=(10,10))
plt.title('随机森林-真实值预测值对比')
plt.plot(predict_y[:50], 'ro-', label='预测值')
plt.plot(test_y[:50], 'go-', label='真实值')
plt.legend()
plt.show()

8.各模型结果

重新定义一个评估函数

def evaluation2(model):ypred = model.predict(x_test)mae = mean_absolute_error(y_test, ypred)mse = mean_squared_error(y_test, ypred)rmse = math.sqrt(mse)return ypred, mae, mse, rmse# 记录各个模型的误差及R2得分
maeList = []
mseList = []
rmseList = []
trainr2List = []
testr2List = []for model in [model_LR, model_knn , model_dtr, model_rfr]:ypred, mae, mse, rmse = evaluation2(model)trainr2 = model.score(x_train, y_train)testr2 = model.score(x_test, y_test)maeList.append(mae)mseList.append(mse)rmseList.append(rmse)trainr2List.append(trainr2)testr2List.append(testr2)# 用折线图可视化一下
plt.figure(figsize=(8,6))
# plt.subplot(1,3,1)
plt.plot(['线性回归', 'KNN', '决策树', '随机森林'], maeList, '--^', label="MAE")
plt.plot(['线性回归', 'KNN', '决策树', '随机森林'], rmseList, '--*', label="RMSE")
plt.legend()
plt.show()
plt.figure(figsize=(8,6))
# plt.subplot(1,3,2)
plt.plot(['线性回归', 'KNN', '决策树', '随机森林'], mseList, '--o', label="MAE")
plt.legend()
plt.show()
plt.figure(figsize=(8,6))
# plt.subplot(1,3,3)
plt.plot(['线性回归', 'KNN', '决策树', '随机森林'], trainr2List, '--x', label="Train R2")
plt.plot(['线性回归', 'KNN', '决策树', '随机森林'], testr2List, '--v', label="Test R2")
plt.legend()
plt.show()

从上面的图中可以看出，随机森林模型的整体表现最好（随机森林yyds）。当然，这不代表最优结果，因为上述几种模型都没有进行调参优化，经过调参后的各个模型效果还有可能提升。

三、重要特征筛选

为了提升模型效果也可以对数据做特征筛选，这里可以通过相关系数分析法，将影响二手房售价的特征与售价做相关系数计算，pandas包很方便的集成了算法，并且可以通过seaborn、matplotlib等绘图包将相关系数用热力图的方式可视化。

# 这里的列取data中，除0-1和独热编码形式的数据
corr_cols = list(data.columns[:20])
test_data = data[corr_cols]
test_data_corr = test_data.corr()
price_corr = dict(test_data_corr.iloc[0])
price_corr = sorted(price_corr.items(), key=lambda x: abs(x[1]), reverse=True)
# 输出按绝对值排序后的相关系数
price_corr

输出结果，除"总价"外，共有19个特征：

[('总价', 1.0),('单位价格', 0.8222981290702119),('小区均价', 0.7687546742386121),('建筑面积', 0.7251709920087407),('套内面积', 0.7204559353359032),('房屋户型_卫', 0.6312862646749),('房屋户型_室', 0.5902144343661491),('房屋户型_厅', 0.39760899920810316),('梯户比例_比例', -0.3133978158118177),('小区建造年份', 0.2796377353906572),('梯户比例_户', -0.27384128491689264),('房龄', -0.22880814058196702),('楼房信息', 0.2288081405819666),('上次交易差（天）', -0.1499606404095348),('抵押信息_01', 0.0854414739678885),('挂牌时间差（天）', 0.07980048870698007),('梯户比例_梯', -0.06639533403491238),('产权所属', 0.05344184918071662),('房屋户型_厨', 0.04939490040354267),('楼栋总数', -0.04560798084636813)]

绘制热力图：

price_corr_cols = [ r[0] for r in price_corr ]
price_data = test_data_corr[price_corr_cols].loc[price_corr_cols]
plt.figure(figsize=(15, 10))
plt.title("相关系数热力图")
ax = sns.heatmap(price_data, linewidths=0.5, cmap='OrRd', cbar=True)
plt.show()

为了验证相关系数分析出来的重要特征是否对模型有效，我们将模型效果最好的随机森林模型的前19个重要特征输出。

feature_important = sorted(zip(x_train.columns, map(lambda x:round(x,4), model_rfr.feature_importances_)),key=lambda x: x[1],reverse=True)for i in range(19):print(feature_important[i])

输出结果：

('单位价格', 0.6123)
('建筑面积', 0.2775)
('套内面积', 0.0853)
('小区均价', 0.0121)
('挂牌时间差（天）', 0.0025)
('所属区县_和平', 0.0022)
('房屋户型_卫', 0.001)
('楼栋总数', 0.001)
('楼房信息', 0.0008)
('梯户比例_梯', 0.0008)
('小区建造年份', 0.0006)
('房龄', 0.0006)
('上次交易差（天）', 0.0005)
('户型结构_暂无数据', 0.0004)
('房屋户型_室', 0.0002)
('梯户比例_比例', 0.0002)
('抵押信息_01', 0.0002)
('配备电梯_有', 0.0002)
('房屋用途_别墅', 0.0002)

将相关系数分析出来的重要特征集合与随机森林的前19个重要特征取交集，并输出有多少个重复的特征。

f1_list = []
f2_list = []for i in range(19):f1_list.append(feature_important[i][0])for i in range(1, 20):f2_list.append(price_corr[i][0])cnt = 0
for i in range(19):if f1_list[i] in f2_list:print(f1_list[i])cnt += 1
print("共有"+str(cnt)+"个重复特征！")

输出结果：

单位价格
建筑面积
套内面积
小区均价
挂牌时间差（天）
房屋户型_卫
楼栋总数
楼房信息
梯户比例_梯
小区建造年份
房龄
上次交易差（天）
房屋户型_室
梯户比例_比例
抵押信息_01
共有15个重复特征！

结语

回归预测模型的baseline总是相似的，掌握好套路就可以轻松得到一个baseline结果，一般都是先将数据进行清洗，将非数值型数据通过一些规则转化成数值型数据，再进行多特征的模型训练，一通百通。希望能给大家抛砖引玉，同学们可以根据自己的需求处理数据，不同的处理方法，模型的效果可能也不相同。回归问题的预测写了有两个系列的博客了，接下来应该不会再更新这方面的内容了，尝试一些新的知识，比如NLP、图像识别、推荐系统等等。我喜欢根据问题提出实际的解决方法，从0到1的去实现（掉包除外，hhh，有机会再从头好好学学原理，写各个模型的源码才有意思），因此可能就某些问题写一些实战。即将毕业，马上步入工作岗位了，希望能坚持下来写博客分享的习惯~

Python二手房价格预测（三）——二手房价格预测模型baseline相关推荐

【价格预测】LSTM价格预测模型(生猪价格、多变量-经管)
一.前言本文基于LSTM模型,使用torch搭载,本文输入的为多变量,输出结果为生猪价格.数据结构如下图所示: 由于数据本身版权原因,因此仅公布部分数据. 二.输入特征选择明确猪肉价格的伙伴应当 ...
python二手车价格预测_二手车价格预测--特征工程task3
3.1 特征工程目标数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已. 本质是一项工程活动,目的是最大限度地从原始数据中提取特征以供算法和模型使用. 3.2 内容介绍常见的特征工程 ...
Python二手房价格预测（二）——数据处理及数据可视化
系列文章目录数据获取部分:Python二手房价格预测(一)--数据获取文章目录系列文章目录一.数据清洗二.数据可视化总结一.数据清洗 1.先导入需要的库: import pandas a ...
【大作业项目】二手房价格预测 Python
大家早上好,本人姓吴,大家也可以叫我吴老师.欢迎大家跟我一起走进数据分析的世界,一起学习! 感兴趣的朋友可以关注我或者我的数据分析专栏,里面有许多优质的文章跟大家分享哦. 其实一开始自己没怎么接触过数 ...
[B4]链家二手房价格预测
"这篇博客主要分享一个数据分析初级项目,基本概括了一个完整项目的各个分析阶段,但是数据获取是直接在链家官网爬取的,这部分先不分享了.过程中还有很多不足的地方,希望各位大佬多多指点." ...
Python二手车价格预测（二）—— 模型训练及可视化
系列文章目录一.Python数据分析-二手车数据获取用于机器学习二手车价格预测二.Python二手车价格预测(一)-- 数据处理文章目录系列文章目录前言一.明确任务二.模型训练 1.引入 ...
Python数据处理课程设计-房屋价格预测
注:可能有些图片未能成功上传,可在文档处进行下载链接:Python数据处理课程设计-房屋价格预测-机器学习文档类资源-CSDN下载课程设计报告课程名称 Python数据处理课程设计项目名称房 ...
基于Python的贝壳某城市二手房交易分析及预测系统文档+项目源码+演示视频
目录一．项目目的及意义 0 二．技术路线 1 三．研发情况 3 数据预处理 3 可视化分析 6 价格预测及聚类分析 10 可视化页面 13 卖方价格预测页面 14 买方房屋推荐页面 14 四． ...
基于python机器学习 Django的二手房交易预测及展示系统完整代码+报告文档
一.项目目的及意义项目的目的是在采集自贝壳二手房交易平台的成都市二手房成交数据的基础上,对数据进行处理和挖掘,以网站为载体实现二手房交易分析.卖方价格预测和买方房屋推荐三个主要功能. 二手房交易分析 ...

Python二手房价格预测（三）——二手房价格预测模型baseline

系列文章目录

文章目录

前言

一、数据处理

二、模型训练

1.引入库

2.读入数据

3.评价指标

4.线性回归

5.K近邻

6.决策树回归

7.随机森林

8.各模型结果

三、重要特征筛选

结语

Python二手房价格预测（三）——二手房价格预测模型baseline相关推荐

最新文章

热门文章