前言

根据上一篇文章，利用Python对房天下网站中深圳十个区的二手房房源信息进行了爬取，并保存到了本地。然后对数据集进行重复值检查、缺失值检查、分列处理、异常值检查等清洗操作，得到了新数据集，现对其进行可视化分析，研究深圳二手房房源的整体情况，并从分析结果给出相关建议。

数据可视化

深圳各区二手房情况

首先，本文从深圳各区二手房平均单价、平均总价和数量这三个方面入手，分别绘制各区的对比图如下：

#读取清洗后的数据
newdata2 = pd.read_excel(r"C:\Users\Administrator\OneDrive\桌面\数据清洗\aftercleandata.xls")# 绘制深圳各区二手房单价对比图
plt.figure(figsize=(10,5))
x = newdata2['区名'].unique()
y1 = round(newdata2.groupby(by=['区名'])['单价'].mean().sort_values(ascending=False),2)
ax = sns.barplot(x,y1,palette='Blues_r')
ax.set_title('深圳各区二手房平均单价对比')# 绘制深圳各区二手房总价对比图
plt.figure(figsize=(10,5))
x = newdata2['区名'].unique()
y2 = round(newdata2.groupby(by=['区名'])['总价'].mean().sort_values(ascending=False),2)
ax = sns.barplot(x,y2,palette='BuGn_r')
ax.set_title('深圳各区二手房平均总价对比')# 绘制深圳各区房子数量对比图
plt.figure(figsize=(10,5))
x = newdata2['区名'].unique()
y3 = round(newdata2.groupby(by=['区名']).size().sort_values(ascending=False),2)
ax = sns.barplot(x,y3,palette='Oranges_d')
ax.set_title('深圳各区二手房数量对比')

通过上述三幅图惊讶地发现各区二手房的平均单价、平均总价和数量都是一样的排列顺序，最高的是罗湖区，最低的是大鹏新区。罗湖区的总价比其他区的都要高100万左右，单价比其他区要高2000元左右，数量比其他区要高1000左右，推测原因是罗湖有关口，设施齐全，交通便利；而彭山区和大鹏新区均处于弱势，推测原因是作为正式成立不久的地区，正在进行大拆大建的进程中，二手房数量最少也能理解。

房子朝向分布

对于深圳二手房房源中的朝向，本文用Python中的pyecharts模块中的饼图进行绘制如下（图片保存为朝向分布.html，需要用浏览器打开）：

#绘制房子朝向分布图（详见文件夹里的朝向分布.html[用浏览器打开]）
position = ['东','南','西','北','东北','东南','西北','西南']
num = [580,3157,226,835,484,2374,527,773]
pie = Pie("朝向分布",title_pos='ceter',width=900,title_text_size=20)
pie.add("方向",position,num,center=[50,50],is_random=False,radius=[30,75],rosetype='area',is_legend_show=False,is_label_show=True,labe_text_size=20)
pie.render(path="朝向分布.html")

从结果可以看出，朝南、东南、北的房源是最多的，人们喜欢房屋坐北向南，因为这种房子采光好，顺光顺水，冬暖夏凉，适宜居住，同样促使开发商尽量开发朝南、朝北的房子，同时价格相对来说要贵一点。

户型与总价的关系

对于深圳二手房房源中的户型，本文统计了户型和总价两个变量，绘制出了布局排名前十的总价平均值：

#绘制户型排名前十与总价平均值的情况图
top_10 = newdata2.groupby(by=["布局"])["总价"].mean().sort_values(ascending=False)
plt.title("布局排名前十的总价平均值")
top_10.head(10).plot.barh(alpha=0.7,color=['#CD3700','#9ACD32','#7EC0EE','y','orange','#4876FF','#EEA9B8','#EE7942','#CD69C9','#668B8B'])
plt.grid(color='#DDA0DD',linestyle='--',alpha=0.5)
plt.show()

从结果可以看出，户型对总价影响比较大，不同的室、厅、卫又会产生不同的影响。通过计数统计，3室2厅的户型是最多的，符合中国人偏好3室的特点；其次是2室1厅，在老房子中也是很普遍。

楼层与总价的关系

对于深圳二手房房源中的楼层，本文对楼层进行了分组计数，其中发现有一行为地下室，数据量太少对研究意义不大，故删除。把剩余低、中、高楼层与总价绘制了箱线图：

#对楼层进行分组计数
newdata2.groupby(by=['楼层']).size()#存在一行数据为地下室
#把值为地下室的数据行剔除，不参与讨论
newdata2 = newdata2[~newdata2['楼层'].isin(['地下室'])]
newdata2.groupby(by=['楼层']).size()
#绘制楼层和总价的关系图
plt.figure(figsize=(10,8))
order = newdata2.groupby(by=["楼层"])["总价"].median().sort_values(ascending=False).index
sns.boxplot(x='楼层',y='总价',data=newdata2,width=0.3,notch=True,order=order)

从箱线图可以看出不同楼层对总价影响较小，三个楼层等级分布几乎相同。

结论

在对数据集进行可视化分析后，对于不同行政区、不同户型、不同朝向、不同楼层进行分析，对深圳二手房房源的大体情况有了一定的了解。进而，对所得到的所有可视化结果进行总结，并提出深圳购买二手房的策略和方向。

房价分布情况

对于深圳各区的二手房平均单价分布情况，借用Python代码计算，结果如下：

结合pyecharts中的Map绘制了深圳各区房价分布地图（图片保存为深圳房价地图.html，需要用浏览器打开）：

#利用上述得到的数据绘制房价分布的地图（详见文件夹里的深圳房价地图.html[用浏览器打开]）
shenzhen = ['南山区', '福田区', '宝安区', '龙华区', '罗湖区', '盐田区', '龙岗区', '光明区', '坪山区', '大鹏新区']
values = [82468, 71293, 64054, 57714, 55755, 46298, 42804, 37434, 35368, 32863]
map = Map("深圳地图", "深圳", width=1200, height=600)
map.add("2020年深圳各区房价情况", shenzhen, values, visual_range=[30000, 83000], maptype='深圳', is_visualmap=True,is_piecewise=True,pieces=[{"max": 0, "min": 0, "label": "0","color":"#FFFFFF"},{"max": 40000, "min": 1, "label": "1-40000","color":"#FFE4E1"},{"max": 50000, "min": 40001, "label": "40001-50000","color":"#FF7F50"},{"max": 60000, "min": 50001, "label": "50001-60000","color":"#F08080"},{"max": 70000, "min": 60001, "label": "60001-70000","color":"#CD5C5C"},{"max": 83000, "min": 70001, "label": "70001-83000","color":"#8B0000"}])
map.render(path="深圳房价地图.html")

图中颜色越深代表房价越高，可以看出南山区和福田区的房价属于深圳房价之最。通过查询网上的资料，得知南山区和福田区的人均GDP也是深圳最高的地区，证明这两个地区几乎可以算是深圳的市中心，生活环境好，交通便利。

总结

通过上述分析，对于深圳二手房房源市场的基本情况和购房策略总结为如下几点：

1.从区域来看，南山区、福田区、宝安区的二手房均价位列前三甲，推测原因是福田区是市中心且有关口，而南山区靠近海岸，宝安区是旧城区；此外，各区房源总价均超过250W，单价均超过35000 元/平方。

2.从数量来看，罗湖区是房源最多的地段，推测原因是罗湖区有关口，部分人需要过境工作。对于想选择好地段且价格适中的人，推荐选择龙岗区，该区有大约400套房源，且房源价格也相对较低，总价平均值为350W，单价平均值为40000元/平方。

3.从市场整体来看，绝大部分房源总价在1500W以下，中位数475W，平均值630W，范围从25W到8000W; 房源单价集中在45K-80K元/平方，中位数57818元/平方，平均值63360元/平方，范围从14302元/平方到207289 元/平方。对于普通大众，可以考虑25-475万元的房源（在这里推荐坪山区或大鹏新区）可能在地段的选择上可以不怎么考虑，但是房屋朝向和户型可供选择的种类还是挺多的。

4.从特点来看，3室2厅户型的房源数量最多，其次是2室1厅；朝南房数量最多，其次是朝东南和朝北房；而楼层对总价的影响不大，无论是几楼，单价和总价均差不多。

参考文献

[1] 刘鹏，张燕，李法平.《数据清洗》.
[2] 数据分析项目实战.https://blog.csdn.net/qq_42241832/article/details/104871186
[3] 二手房爬虫.https://www.kesci.com/mw/project/5f098536192ac2002c87c5aa/content
[4] 深圳二手房市场数据分析.https://zhuanlan.zhihu.com/p/111862088

深圳二手房房源市场研究(下)相关推荐

深圳二手房房源市场研究(上)
PartⅠ:数据获取和数据清洗写在前面研究背景数据获取数据清洗写在前面很早就有写博客的想法,一直对自己不自信所以没敢尝试,每次看CSDN博客都很羡慕和崇拜,希望自己在未来的某一天也能给其他 ...
Python爬取20778套深圳二手房并数据分析
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爬取分析深圳二手房房价
刚入门学习Python爬虫,因为后边将会去深圳发展,所以练习了一个用python爬取深圳房价进行可视分析的项目,希望有所帮助. 好!进入正题! 我选择爬取的是链家网的深圳二手房网页,截图如下: 查看链 ...
用7000字长文带你分析深圳二手房市场现况！
大家好,我是小一今天的文章是一篇7000+字的数据分析实战,阅读全文大概需要10分钟,建议收藏! 今天的数据集来自于之前的爬虫项目:爬取城市二手房数据,今天的文章亦是对深圳存量二手房的一个分析实战. ...
scrapy爬虫实战：安居客深圳二手房
温馨提示:想要本次爬虫源代码的同学请关注公众号:python小咖回复 ' 安居客爬虫 ' 获取源码 --------------------------------- 接下来进入正题本次爬虫实现 ...
以58同城为例详解如何用爬虫采集二手房房源数据及中介联系方式
2019独角兽企业重金招聘Python工程师标准>>> 2008年9月4日,英国<自然>杂志刊登了一个名为"Big Data"的专辑,首次提出大数据概 ...
数据挖掘基础之数据清洗：用python把“深圳二手房参考价”PDF保存为EXCEL
坑DIE的住建局再一次不限富豪限刚需,公布了深圳市住宅小区二手住房成交参考价格,买房更难,首付更难凑... 数据挖掘基础之数据清理:用python把深圳二手房参考价PDF保存为EXCEL,以便其他分析 ...
19年深圳二手房交易分析
分析2019年上半年的深圳二手房交易数据,数据集来自网络共享分析目的:看看2019年上半年深圳二手房交易情况,是否依旧火热,波动情况如何 1 数据预处理 1.1 数据清洗去除无用字段,更改数据类型 ...
【独立版】智慧城市同城V4_2.2.7全开源全插件VUE版，修复房产信息组件商户发布二手房房源信息未和商户关联的问题
源码介绍 [独立版]智慧城市同城V4 查看更多关于智慧城市同城V4 的文章 _2.2.7全开源全插件VUE版,修复房产信息组件商户发布二手房房源信息未和商户关联的问题! 智慧城市同城是一套专注于多城 ...

深圳二手房房源市场研究(下)

PartⅡ：数据可视化

前言