北上广深房屋租赁数据分析

北上广深四个一线城市，哪个城市的租房更加友好呢？城市各区域的租金是怎么分布的？离地铁口远近、房子大小、是否公寓房、精装简装、集中供暖等，租房时应该优先考虑哪些因素呢？

同时如何对带地理经纬度等信息进行可视化呢？

所以本项目获取了链家网北上广深四个城市的各三千条租房数据数据共有12000条进行实践探索

一、数据预处理

#设置工作路径
setwd("D:/LengPY")

#导入数据
data<- read.csv("housedata.csv",,encoding='UTF-8')

head(data)

A data.frame: 6 × 20

	X_id	bathroom_num	bedroom_num	bizcircle_name	city	dist	distance	frame_orientation	hall_num	house_tag	house_title	latitude	layout	longitude	m_url	rent_area	rent_price_listing	rent_price_unit	resblock_name	type
	<chr>	<int>	<int>	<chr>	<chr>	<chr>	<int>	<chr>	<int>	<chr>	<chr>	<dbl>	<chr>	<dbl>	<chr>	<chr>	<chr>	<chr>	<chr>	<chr>
1	5c714363397be4c5251a3ded	2	3	上地	北京	海淀	NA	南 北	2	精装 集中供暖 双卫生间	整租 · 上地西里二层三居 自住出租 随时入住采光好 无遮挡	40.03900	3室2厅2卫	116.3178	https://m.lianjia.com/chuzu/bj/zufang/BJ2135934725586690048.html	137	15000	元/月	上地西里	整租
2	5c7148e6397be4c5251a583d	1	2	北大地	北京	丰台	NA	南 北	1	集中供暖	整租 · 丰台北大地电报局街家具家电齐全南北向两居	39.85666	2室1厅1卫	116.2923	https://m.lianjia.com/chuzu/bj/zufang/BJ2101229402263126016.html	57	4500	元/月	电报局街	整租
3	5c71321e397be4c5251a0b46	1	1	燕莎	北京	朝阳	788	北	1	近地铁 精装 集中供暖	整租 · 远洋新干线 1室1厅 10500元	39.96323	1室1厅1卫	116.4661	https://m.lianjia.com/chuzu/bj/zufang/BJ2163171108206428160.html	56	10500	元/月	远洋新干线	整租
4	5c712721397be4c52519fc09	1	1	阜成门	北京	西城	886	东	1	近地铁 集中供暖 随时看房	南露园 1室1厅 5600元	39.93066	1室1厅1卫	116.3485	https://m.lianjia.com/chuzu/bj/zufang/BJ2173622775712063488.html	43	5600	元/月	南露园	整租
5	5c7123bd397be4c52519f7af	1	2	和平里	北京	朝阳	779	东 南	1	近地铁 集中供暖	和平里东街15号院 2室1厅 6300元	39.95708	2室1厅1卫	116.4314	https://m.lianjia.com/chuzu/bj/zufang/BJ2158698783390056448.html	56	6300	元/月	和平里东街15号院	整租
6	5c72ae43397be4c5251e2d7e	1	2	奥林匹克公园	北京	朝阳	1139	南 北	2	精装 随时看房	整租 · 澳林春天四期 南北通透精装两居室 距奥森一路之隔	40.01826	2室2厅1卫	116.3807	https://m.lianjia.com/chuzu/bj/zufang/BJ2158677644206948352.html	111	12000	元/月	澳林春天四期	整租

#修改编号
data$X_id<-c(1:12000)
#修改数据类型
data$rent_area<-as.numeric(data$rent_area)
data$distance<-as.numeric(data$distance)
data$rent_price_listing<-as.numeric(data$rent_price_listing)

Warning message in eval(expr, envir, enclos):
"强制改变过程中产生了NA"
Warning message in eval(expr, envir, enclos):
"强制改变过程中产生了NA"

head(data)

A data.frame: 6 × 20

	X_id	bathroom_num	bedroom_num	bizcircle_name	city	dist	distance	frame_orientation	hall_num	house_tag	house_title	latitude	layout	longitude	m_url	rent_area	rent_price_listing	rent_price_unit	resblock_name	type
	<int>	<int>	<int>	<chr>	<chr>	<chr>	<dbl>	<chr>	<int>	<chr>	<chr>	<dbl>	<chr>	<dbl>	<chr>	<dbl>	<dbl>	<chr>	<chr>	<chr>
1	1	2	3	上地	北京	海淀	NA	南 北	2	精装 集中供暖 双卫生间	整租 · 上地西里二层三居 自住出租 随时入住采光好 无遮挡	40.03900	3室2厅2卫	116.3178	https://m.lianjia.com/chuzu/bj/zufang/BJ2135934725586690048.html	137	15000	元/月	上地西里	整租
2	2	1	2	北大地	北京	丰台	NA	南 北	1	集中供暖	整租 · 丰台北大地电报局街家具家电齐全南北向两居	39.85666	2室1厅1卫	116.2923	https://m.lianjia.com/chuzu/bj/zufang/BJ2101229402263126016.html	57	4500	元/月	电报局街	整租
3	3	1	1	燕莎	北京	朝阳	788	北	1	近地铁 精装 集中供暖	整租 · 远洋新干线 1室1厅 10500元	39.96323	1室1厅1卫	116.4661	https://m.lianjia.com/chuzu/bj/zufang/BJ2163171108206428160.html	56	10500	元/月	远洋新干线	整租
4	4	1	1	阜成门	北京	西城	886	东	1	近地铁 集中供暖 随时看房	南露园 1室1厅 5600元	39.93066	1室1厅1卫	116.3485	https://m.lianjia.com/chuzu/bj/zufang/BJ2173622775712063488.html	43	5600	元/月	南露园	整租
5	5	1	2	和平里	北京	朝阳	779	东 南	1	近地铁 集中供暖	和平里东街15号院 2室1厅 6300元	39.95708	2室1厅1卫	116.4314	https://m.lianjia.com/chuzu/bj/zufang/BJ2158698783390056448.html	56	6300	元/月	和平里东街15号院	整租
6	6	1	2	奥林匹克公园	北京	朝阳	1139	南 北	2	精装 随时看房	整租 · 澳林春天四期 南北通透精装两居室 距奥森一路之隔	40.01826	2室2厅1卫	116.3807	https://m.lianjia.com/chuzu/bj/zufang/BJ2158677644206948352.html	111	12000	元/月	澳林春天四期	整租

## 可视化查看数据是否有缺失值
library(VIM)
aggr(data)

可知与地铁站距离distance缺失值较多，主要由于部分地区没有相邻地铁站，故缺失，可标注为无地铁。

同时经纬度有少量的缺失，占比极小，对分析结果基本无影响，可利用统计方法进行填补。填补经纬度,用数据前后的数据填补
其余缺失值均采用均值填充。

colnames(data)

1. 'X_id'
2. 'bathroom_num'
3. 'bedroom_num'
4. 'bizcircle_name'
5. 'city'
6. 'dist'
7. 'distance'
8. 'frame_orientation'
9. 'hall_num'
10. 'house_tag'
11. 'house_title'
12. 'latitude'
13. 'layout'
14. 'longitude'
15. 'm_url'
16. 'rent_area'
17. 'rent_price_listing'
18. 'rent_price_unit'
19. 'resblock_name'
20. 'type'

#填补地铁距离
data$distance[is.na(data$distance)] <-c(10000)
#填补经纬度,用数据前后的数据填补
library(zoo)
data$latitude <- na.locf(data$latitude)
data$longitude <- na.locf(data$longitude)
data$rent_area[is.na(data$rent_area)] <- mean(data$rent_area,na.rm = TRUE)
data$rent_price_listing[is.na(data$rent_price_listing)]<- mean(data$rent_price_listing,na.rm = TRUE)

## 可视化查看数据是否有缺失值
library(VIM)
aggr(data)

此时可知，数据填补完成，数据完整，可进一步描述分析

二、描述性统计

#查看城市数量
table(data$city)

北京 广州 上海 深圳
3000 3000 3000 3000

#区级分析
table(data$dist)

      白云     宝安区       宝山       昌平       朝阳       崇明       从化 681        588        167        171       1049          1         21 大鹏新区       大兴       东城       番禺       房山       丰台       奉贤 2        221         64        555        111        319         57 福田区     光明区       海淀       海珠       虹口       黄浦       嘉定 491         69        330        279         78        111        189 金山       静安       荔湾     龙岗区     龙华区     罗湖区     门头沟 4         91        221        596        373        238         91 闵行       南沙     南山区     坪山区       浦东       普陀       青浦 287         52        608          9        794        192        173 石景山       顺义       松江       天河       通州       西城       徐汇 61        107        263        556        219        201        215 盐田区       杨浦 亦庄开发区       越秀       增城       闸北       长宁 26        108         56        266        369         90        180

2.1 区级租金箱线图

#区级箱线图
library(ggthemes)g <- ggplot(data, aes(dist, rent_price_listing))g + geom_boxplot(aes(fill=factor(dist))) +theme(axis.text.x = element_text(angle=65, vjust=0.6)) +labs(title="Box plot",subtitle="City rent_price_listing",caption="Source: mpg",x="Class of Vehicle",y="City Mileage")

Warning message:
"package 'ggthemes' was built under R version 4.0.4"

PS：可以用各区的平均值来做聚类分析，区分高低租金的行政区

#租房类型分布
table(data$type)

 合租  整租 414 11586

2.2 租金分布情况

#所有租金分布
hist(data$rent_price_listing, prob = TRUE, col = "red",main="Normal Distribution")

#简单对数据集进行拆分
bjhouse<-data[which(data$city=='北京'),]
shhouse<-data[which(data$city=='上海'),]
szhouse<-data[which(data$city=='深圳'),]
gzhouse<-data[which(data$city=='广州'),]

#北京租金分布
hist(bjhouse$rent_price_listing, prob = TRUE, col = "red",main="Normal Distribution")

#深圳租金分布
hist(szhouse$rent_price_listing, prob = TRUE, col = "red",main="Normal Distribution")

2.3 北京各行政区租金分布

library(reshape2)
library(ggplot2)
library(ggridges)
library(RColorBrewer)
colormap <- colorRampPalette(rev(brewer.pal(11,'Spectral')))(32)
dt<-bjhouse[,c(6,17)]
colnames(dt)<-c("主题","风险")
splitdata<-split(dt,dt$主题)
xmax<-max(dt$`风险`)*1.1
xmin<-min(dt$`风险`)*1.1N<-length(splitdata)
labels_y<-names(splitdata)mydata<-data.frame(x=numeric(),y=numeric(),variable=numeric()) #?????յ?Data.Framefor (i in 1:N){tempy<-density(splitdata[[i]][2]$`风险`,bw = 3.37,from=xmin, to=xmax)newdata<-data.frame(x=tempy$x,y=tempy$y)newdata$variable<-imydata<-rbind(mydata,newdata)
}Step<-max(mydata$y)*0.6
mydata$offest<--as.numeric(mydata$variable)*Step
mydata$V1_density_offest<-mydata$y+mydata$offestp<-ggplot()
for (i in 1:N){p<-p+ geom_linerange(data=mydata[mydata$variable==i,],aes(x=x,ymin=offest,ymax=V1_density_offest,group=variable,color=y),size =1, alpha =1) +geom_line(data=mydata[mydata$variable==i,],aes(x=x, y=V1_density_offest),color="black",size=0.5)
}p+scale_color_gradientn(colours=colormap,name="Density")+scale_y_continuous(breaks=seq(-Step,-Step*N,-Step),labels=labels_y)+xlab("租金")+ylab("行政区")+theme_classic()+theme(panel.background=element_rect(fill="white",colour=NA),panel.grid.major.x = element_line(colour = "grey80",size=.25),panel.grid.major.y = element_line(colour = "grey60",size=.25),axis.line = element_blank(),text=element_text(size=15,colour = "black"),plot.title=element_text(size=15,hjust=.3),legend.position="right")

2.4 各城市租金分布对比图

data$rent_price_listing<-as.numeric(data$rent_price_listing)
#不同城市租金分布之间对比
library(beanplot)
par(mai=c(0.5,0.5,0.25,1.2))
beanplot(rent_price_listing~city, data,col = list("#FF6B5E", "#00C3C2"),side = "both",xlab ="city",ylab ="value")

log="y" selected

2.5 北京各行政区租金分布之间对比（豆荚图）

#北京租金分布之间对比
library(beanplot)
par(mai=c(0.5,0.5,0.25,1.2))
beanplot(rent_price_listing~dist, bjhouse,col = list("red", "#00C3C2"),side = "both",xlab ="city",ylab ="value")

log="y" selected

2.6 整租房屋中，不同卧室数量租金分布情况对比

zzdata<-data[which(data$type=='整租'),]
#房型分布之间对比
library(beanplot)
par(mai=c(0.5,0.5,0.25,1.2))
beanplot(rent_price_listing~bedroom_num, zzdata,col = list("red", "#00C3C2"),side = "both",xlab ="city",ylab ="value")

log="y" selected

2.7 不同城市各数据矩阵散点图

# 矩阵散点图
library(ggplot2)
library(GGally)
ggdata<-data[,c(2,3,7,16,17,5)]
ggscatmat(data =ggdata,columns = 1:5,color = "city",alpha = 0.8)+theme_bw(base_family = "STKaiti",base_size = 10)+theme(plot.title = element_text(hjust = 0.5))+ggtitle("矩阵散点图")

三、数据探索

3.1面积和租金价格分布图

##面积和租金价格分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(zzdata, x ='rent_area', y = 'rent_price_listing', shape=21,fill="#00AFBB",color = "black",size = 3, alpha = 1,#palette = c("#00AFBB", "#E7B800", "#FC4E07"),margin.params = list( fill="#00AFBB",color = "black", size = 0.2,alpha=1),margin.plot =  "histogram",legend = c(0.8,0.8),ggtheme = theme_minimal())

可发现，房屋面积与房租之间存在一定线性关系

3.2 地铁距离和租金价格分布图

##地铁价格和租金价格分布图
bj<-bjhouse[which(bjhouse$distance!=10000),]
bj<-bj[which(bj$type=='整租'),]
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(bj, x ='distance', y = 'rent_price_listing', shape=21,fill="#00AFBB",color = "black",size = 3, alpha = 1,#palette = c("#00AFBB", "#E7B800", "#FC4E07"),margin.params = list( fill="#00AFBB",color = "black", size = 0.2,alpha=1),margin.plot =  "histogram",legend = c(0.8,0.8),ggtheme = theme_minimal())

g <- ggplot(bj, aes(distance, rent_price_listing)) +geom_count() +geom_smooth(method="lm", se=F,color='red')ggMarginal(g, type = "histogram", fill="blue")ggMarginal(g, type = "boxplot", fill="transparent")ggMarginal(g, type = "density", fill="transparent")

`geom_smooth()` using formula 'y ~ x'`geom_smooth()` using formula 'y ~ x'`geom_smooth()` using formula 'y ~ x'`geom_smooth()` using formula 'y ~ x'`geom_smooth()` using formula 'y ~ x'`geom_smooth()` using formula 'y ~ x'

可发现有一定的线性关系，且离地铁越远，房租相应下降，但由于样本中，要么无地铁信息，要么都是附近有地铁的楼盘，而一定距离范围内，距离影响并不显著，故线性相关系数较低，若能获得缺失地铁信息的楼盘与地铁站的距离，结果应当会有更大发现。

3.3 经纬度信息挖掘

bjzz<-bjhouse[which(bjhouse$type=='整租'),]
library(dplyr)
bjzz<-arrange(bjzz,desc(bjzz$rent_price_listing))
#剔除一个极端大值
bjzz<-bjzz[-1,]
head(bjzz)

A data.frame: 6 × 20

	X_id	bathroom_num	bedroom_num	bizcircle_name	city	dist	distance	frame_orientation	hall_num	house_tag	house_title	latitude	layout	longitude	m_url	rent_area	rent_price_listing	rent_price_unit	resblock_name	type
	<int>	<int>	<int>	<chr>	<chr>	<chr>	<dbl>	<chr>	<int>	<chr>	<chr>	<dbl>	<chr>	<dbl>	<chr>	<dbl>	<dbl>	<chr>	<chr>	<chr>
2	2021	2	4	CBD	北京	朝阳	372	南	1	近地铁 集中供暖 随时看房	阳光100 4室1厅 99450元	39.91839	4室1厅2卫	116.4815	https://m.lianjia.com/chuzu/bj/zufang/BJ2169359626858921984.html	243	99450	元/月	阳光100	整租
3	580	2	4	方庄	北京	朝阳	21	南 北	2	近地铁 双卫生间 随时看房	整租 · 时代芳群一层复式，临街带花园。 跃层	39.87101	4室2厅2卫	116.4300	https://m.lianjia.com/chuzu/bj/zufang/BJ2045376803442532352.html	261	95000	元/月	时代芳群	整租
4	1986	6	6	中央别墅区	北京	朝阳	10000	东 南 北	2	精装	整租 · 卓锦万代精装6居室，房子状况新，诚意出租	40.03153	6室2厅6卫	116.5389	https://m.lianjia.com/chuzu/bj/zufang/BJ2024422078433992704.html	312	90000	元/月	卓锦万代	整租
5	147	1	3	苏州桥	北京	海淀	553	南 北	1	近地铁 集中供暖	整租 · 海淀区可随时使用的中关村SOHO	39.98945	4房间1卫	116.3167	https://m.lianjia.com/chuzu/bj/zufang/BJ2059876706667200512.html	223	82500	元/月	中关村SOHO	整租
6	515	2	6	方庄	北京	朝阳	21	南 北	2	近地铁 双卫生间	整租 · 时代芳群 6室2厅 80000元	39.87101	6室2厅2卫	116.4300	https://m.lianjia.com/chuzu/bj/zufang/BJ2095502709607104512.html	328	80000	元/月	时代芳群	整租
7	431	3	3	建国门外	北京	朝阳	660	东 南 西 北	1	近地铁 精装 集中供暖	整租 · 嘉华世纪 南北通透两层复式带空中花园 精装修	39.91155	3室1厅3卫	116.4470	https://m.lianjia.com/chuzu/bj/zufang/BJ1967782834081112064.html	214	79000	元/月	嘉华世纪公寓	整租

#上海可视化
ggplot(shhouse, aes(x = latitude, y = longitude, fill=rent_price_listing)) +geom_point(shape=21,size=4,colour="black",alpha=0.95) +scale_fill_distiller(palette="RdYlBu")+theme(text=element_text(size=15,color="black"),plot.title=element_text(size=15,family="myfont",face="bold.italic",hjust=.5,color="black"),legend.background = element_blank(),legend.position=c(0.85,0.2))

summary(bjzz$rent_price_listing)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 900    4800    6500    8948    9500   99450

# 给用户打上类型标签
bjzz$pricetype<- "4800元以下"
bjzz[bjzz$rent_price_listing>=4800 & bjzz$rent_price_listing<6500,'pricetype'] <- "4800-6500元"
bjzz[bjzz$rent_price_listing>=6500 & bjzz$rent_price_listing<9500 ,'pricetype'] <- "6500-9500元"
bjzz[bjzz$rent_price_listing>=9500 & bjzz$rent_price_listing<=99450,'pricetype'] <- "大于9500元"
head(bjzz)

A data.frame: 6 × 21

	X_id	bathroom_num	bedroom_num	bizcircle_name	city	dist	distance	frame_orientation	hall_num	house_tag	...	latitude	layout	longitude	m_url	rent_area	rent_price_listing	rent_price_unit	resblock_name	type	pricetype
	<int>	<int>	<int>	<chr>	<chr>	<chr>	<dbl>	<chr>	<int>	<chr>	...	<dbl>	<chr>	<dbl>	<chr>	<dbl>	<dbl>	<chr>	<chr>	<chr>	<chr>
2	2021	2	4	CBD	北京	朝阳	372	南	1	近地铁 集中供暖 随时看房	...	39.91839	4室1厅2卫	116.4815	https://m.lianjia.com/chuzu/bj/zufang/BJ2169359626858921984.html	243	99450	元/月	阳光100	整租	大于9500元
3	580	2	4	方庄	北京	朝阳	21	南 北	2	近地铁 双卫生间 随时看房	...	39.87101	4室2厅2卫	116.4300	https://m.lianjia.com/chuzu/bj/zufang/BJ2045376803442532352.html	261	95000	元/月	时代芳群	整租	大于9500元
4	1986	6	6	中央别墅区	北京	朝阳	10000	东 南 北	2	精装	...	40.03153	6室2厅6卫	116.5389	https://m.lianjia.com/chuzu/bj/zufang/BJ2024422078433992704.html	312	90000	元/月	卓锦万代	整租	大于9500元
5	147	1	3	苏州桥	北京	海淀	553	南 北	1	近地铁 集中供暖	...	39.98945	4房间1卫	116.3167	https://m.lianjia.com/chuzu/bj/zufang/BJ2059876706667200512.html	223	82500	元/月	中关村SOHO	整租	大于9500元
6	515	2	6	方庄	北京	朝阳	21	南 北	2	近地铁 双卫生间	...	39.87101	6室2厅2卫	116.4300	https://m.lianjia.com/chuzu/bj/zufang/BJ2095502709607104512.html	328	80000	元/月	时代芳群	整租	大于9500元
7	431	3	3	建国门外	北京	朝阳	660	东 南 西 北	1	近地铁 精装 集中供暖	...	39.91155	3室1厅3卫	116.4470	https://m.lianjia.com/chuzu/bj/zufang/BJ1967782834081112064.html	214	79000	元/月	嘉华世纪公寓	整租	大于9500元

#北京房源分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(bjzz, x ='latitude', y = 'longitude',  #irisshape=21,color ="black",fill= "pricetype", size =4, alpha = 0.8,palette = c("#00AFBB", "#E7B800", "#FC4E07","pink"),margin.plot =  "density",margin.params = list(fill = "pricetype", color = "black", size = 0.2),legend = c(0.9,0.15),ggtheme = theme_minimal())

由图可知，高租金房源多集中在中心位置，因为地段繁华，寸土寸金，且写字楼林立，供不应求，故租金高昂，符合常理，而外围分布散乱，离市中心较远，交通不变，故符合实情。

#北京房源分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)
ggscatterhist(bjzz, x ='latitude', y = 'longitude', shape=21,fill="#00AFBB",color = "black",size = 3, alpha = 1,#palette = c("#00AFBB", "#E7B800", "#FC4E07"),margin.params = list( fill="#00AFBB",color = "black", size = 0.2,alpha=1),margin.plot =  "histogram",legend = c(0.8,0.8),ggtheme = theme_minimal())

由经纬度信息，还原房源位置分布情况，由于正中心属于故宫天安门等区域，不存在在租房源，故除中心外，是向外扩散趋势，符合常理。可考虑结合颜色信息，对租金大小进行可视化。

# 给用户打上类型标签
shhouse$pricetype<- "4800元以下"
shhouse[shhouse$rent_price_listing>=4800 & shhouse$rent_price_listing<6500,'pricetype'] <- "4800-6500元"
shhouse[shhouse$rent_price_listing>=6500 & shhouse$rent_price_listing<9500 ,'pricetype'] <- "6500-9500元"
shhouse[shhouse$rent_price_listing>=9500 & shhouse$rent_price_listing<=99450,'pricetype'] <- "大于9500元"
head(shhouse)##上海分布图
library(ggplot2)
library(RColorBrewer)
library(ggpubr)ggscatterhist(shhouse, x ='latitude', y = 'longitude',  #irisshape=21,color ="black",fill= "pricetype", size =4, alpha = 0.8,palette = c("#00AFBB", "#E7B800", "#FC4E07","pink"),margin.plot =  "density",margin.params = list(fill = "pricetype", color = "black", size = 0.2),legend = c(0.9,0.15),ggtheme = theme_minimal())

同理

同时也可结合GeoQ地图可视化平台，简单快捷地进行可视化。

或者

可结合道路分布，沿海情况等信息进行分析。
也可尝试结合R shiny包应用，建立交互地图可视化工具。可参考另一篇文章《2017年国赛拍照赚钱问题地图可视化APP（shiny）》
《2017年国赛拍照赚钱问题地图可视化APP（shiny）》

也可尝试使用机器学习算法建立租金预测模型，参考文章：《利用机器学习方法对猪肉价格预测》
《利用机器学习方法对猪肉价格预测》

北上广深房屋租赁数据分析相关推荐

1. 利用python + pyecharts+Pandas对北上广深等城市进行租房数据分析

   本次分析的租房数据主要来源于上一篇博客中获取的"房天下"网站租房信息,对该数据分析主要使用了Pandas数据处理库. 利用python pyecharts进行租房情况数据分析 数据 ...

2. 用Python分析北上广深租房情况，租房时优先考虑哪些因素？

   俗话说"金三银四",又到了换工作.乃至换城市的时候了.这对于"回望楼价又一年"的小伙伴们来说,也意味着又到了搬家换房子的时候了.北上广深四个一线城市,哪个城市的 ...

3. python空气质量分析报告_Python数据可视化：2018年北上广深空气质量分析

   原标题:Python数据可视化:2018年北上广深空气质量分析 作者:法纳斯特,Python爱好者,专注爬虫,数据分析及可视化 就在这周偶然看到一个学弟吐槽天津的空气,不禁想起那段厚德载雾,自强不吸的 ...

4. mongodb添加多条数据_分析了一万多条拼车数据，看看北上广深的各位都回哪过年...

   快过年了,很多同学都踏上了返乡的路.现在交通这么发达,除了高铁飞机外,还可以搭顺风车回家.今天的这篇文章我们就来分析一下拼车数据,看看今年大家都回哪儿过年. 分析了一万多条拼车数据,看看北上广深的各位 ...

5. 数据残酷物语：北上广深租房图鉴

   俗话说"金三银四",又到了春招换工作.乃至换城市的时候了.这对于"回望楼价又一年"的小伙伴们来说,也意味着又到了搬家换房子的时候了.北上广深四个一线城市,哪个城 ...

6. 除了北上广深杭，还有哪些城市移动互联网发展的不错

   其实想写这篇文章已经很久了,但是一直没有找到好的时间点和角度来写.不想了,那就试着分析来写写吧.这篇文章的主题应该是:移动互联网发展比较的好的有哪些城市?而数据皆来自于我的公众号的关注者.本文仅供参考 ...

7. 除了北上广深，程序员的归宿还有哪些城市？

   其实想写这篇文章已经很久了,但是一直没有找到好的时间点和角度来写.不想了,那就试着分析来写写吧.这篇文章的主题应该是:移动互联网发展比较的好的有哪些城市?而数据皆来自于我的公众号的关注者.本文仅供参考 ...

8. Python数据可视化：2018年北上广深空气质量分析

   感谢关注天善智能,走好数据之路↑↑↑ 欢迎关注天善智能,我们是专注于商业智能BI,人工智能AI,大数据分析与挖掘领域的垂直社区,学习,问答.求职一站式搞定! 对商业智能BI.大数据分析挖掘.机器学习, ...

9. Python数据可视化：2018年北上广深空气质量分析（附完整代码）

   ♚ 法纳斯特,Python爱好者,喜欢爬虫,数据分析以及可视化. 就在这周偶然看到一个学弟吐槽天津的空气,不禁想起那段厚德载雾,自强不吸的日子. 无图无真相,下图为证. 左边的图是去年2月份的时候,这 ...

最新文章

1. java 顶层类_Javase之集合体系之(1)集合顶层类Collection与其迭代器知识
2. 生产者/消费者问题的多种Java实现方式--转
3. Docker 镜像之存储管理
4. Ubuntu版本介绍
5. mysql 分库分表架构与方案
6. 想一个颠覆性技术方向建议，你能想到什么？
7. oracle 慕课课程_我在慕课网学习到的oracle
8. mysql 触发器 new.id,mysql触发器的使用方法
9. request.setAttribute()与request.getAttribute()取值问题
10. 同一域名端口下，通过nginx部署多个vue项目
11. java long 唯一_Java工具类：获取long型唯一ID
12. restful soap_Web服务面试问题– SOAP，RESTful
13. 基于Lumerical fdtd的超透镜设计(介质天线结构和金属谐振结构)
14. 揭露淘宝不良商家，利用UI设计缺陷进行恶意修改销量以及评价！
15. grub引导删除双系统中的linux的正确姿势
16. Web前端开发—html基础（3）
17. 阿里云服务器租用价格表最新发布，持续更新
18. java从入门到精通二十四（三层架构完成增删改查）
19. 强制旋转iPhone界面
20. 电脑维修指导手册(联想)

热门文章

1. Flutter开发之——下拉刷新
2. 电路中的0欧姆电阻究竟是干什么用的？
3. 米思齐按键控制LED灯
4. rabbitmq安装、卸载重装及错误排查
5. 安装Tecplot360版
6. oracle apex接口文件,Oracle Apex 实用笔记系列 2 - 文件上传管理
7. [附源码]java毕业设计毕业论文管理系统
8. 对技术要始终保持敬畏之心！！
9. 视频大文件传输的演变：从“卷轴男孩”到自动化
10. Hadoop内hive之间，hive与DB、ES等之间数据交互的问题与解决方案