案例:通过分析上海的二手房的数据,分析出性价比(地段,价格,未来的升值空间)来判断哪个区位的二手房性价比最高

1.载入包

library(ggplot2)
library(Hmisc)
library(car)
library(caret)

2.加载数据集

houses <- read.csv('E:\\Udacity\\Data Analysis High\\R\\R_Study\\二手房分析案例\\链家二手房.csv',sep=',',header=T)

3.查看数据集

describe(houses)

数据集有以下几个字段构成

## 小区名称
## 户型
## 面积
## 区域
## 楼层
## 朝向
## 价格.W.
## 单价.平方米.
## 建筑时间

探究影响房价的主要因素是什么

4.查看户型的分布

type_freq <- data.frame(table(houses$户型))
type_p <- ggplot(data=type_freq,aes(x=reorder(Var1,-Freq),y=Freq))+geom_bar(stat='identity',fill='steelblue')+theme(axis.text.x = element_text(angle = 30,vjust = 0.5))+xlab('户型')+ylab('套数')
type_p

  结论:户型的分布不符合正态分布

     需要对户型的数据进行清洗,找出主要的户型

5.对户型数据进行清洗

# 把低于一千套的房型设置为其他
type <- c('2室2厅','2室1厅','3室2厅','1室1厅','3室1厅','4室2厅','1室0厅','2室0厅','4室1厅')houses$type.new <- ifelse(houses$户型 %in% type,as.character(houses$户型),'其他')
type_freq <- data.frame(table(houses$type.new))
# 绘图
type_p <- ggplot(data = type_freq, mapping = aes(x = reorder(Var1, -Freq),y = Freq)) + geom_bar(stat = 'identity', fill = 'steelblue') + theme(axis.text.x  = element_text(angle = 30, vjust = 0.5)) + xlab('户型') + ylab('套数')
type_p

  结论:2室2厅,2室1厅,3室2厅是上海比较多的二手房户型

6.楼层数据清洗

# 新建floor变量,使用ifelse来判断具体的楼层
houses$floor <- ifelse(substring(houses$楼层,1,2) %in% c('低区','高区','中区'),substring(houses$楼层,1,2),'低区')
# 计算百分比
percent <- paste(round(prop.table(table(houses$floor))*100,2),'%',sep = '')
df <- data.frame(table(houses$floor))
df <- cbind(df,percent)df

7.建筑时间清洗

# 自定义众数函数
stat.mode <- function(x, rm.na = TRUE){if (rm.na == TRUE){y = x[!is.na(x)]}res = names(table(y))[which.max(table(y))]return(res)
}
# 自定义函数,实现分组替补
my.impute <- function(data, category.col = NULL, miss.col = NULL, method = stat.mode){impute.data = NULLfor(i in as.character(unique(data[,category.col]))){sub.data = subset(data, data[,category.col] == i)sub.data[,miss.col] = impute(sub.data[,miss.col], method)impute.data = c(impute.data, sub.data[,miss.col])}data[,miss.col] = impute.datareturn(data)
}
# 将建筑时间中空白字符串转换为缺失值
houses$建筑时间[houses$建筑时间 == ''] <- NA
#分组替补缺失值,并对数据集进行变量筛选

final_house <- subset(my.impute(houses, '区域', '建筑时间'),select = c(type.new,floor,面积,价格.W.,单价.平方米.,建筑时间))
#构建新字段builtdate2now,即建筑时间与当前2016年的时长
final_house <- transform(final_house, builtdate2now = 2016-as.integer(substring(as.character(建筑时间),1,4)))
#删除原始的建筑时间这一字段
final_house <- subset(final_house, select = -建筑时间)

8.查看房价和面积的正态分布

# 自定义正态分布的函数
# 自定义绘图函数
norm.test <- function(x, breaks = 20, alpha = 0.05,
plot = TRUE){
if(plot == TRUE)
{#设置图形界面(多图合为一张图)
opar <- par(no.readonly = TRUE)
layout(matrix(c(1,1,2,3),2,2,byrow = TRUE),
width = c(2,2),heights = c(2,2))
#绘制直方图
hist(x, freq = FALSE, breaks = seq(min(x),
max(x), length = breaks), main = 'x的直方图',
ylab = '核密度值')
#添加核密度图
lines(density(x), col = 'red', lty = 1, lwd = 2)
#添加正态分布图
x <- x[order(x)]
lines(x, dnorm(x, mean(x), sd(x)),
col = 'blue', lty = 2, lwd = 2.5)
#添加图例
legend('topright',
legend = c('核密度曲线','正态分布曲线'),
col = c('red','blue'), lty = c(1,2),
lwd = c(2,2.5), bty = 'n')
#绘制Q-Q图
qqnorm(x, xlab = '实际分布', ylab = '正态分布',
main = 'x的Q-Q图', col = 'blue')
qqline(x)
#绘制P-P图
P <- pnorm(x, mean(x), sd(x))
cdf <- 0
for(i in 1:length(x)){cdf[i] <- sum(x <= x[i])/length(x)}
plot(cdf, P, xlab = '实际分布', ylab = '正态分布',
main = 'x的P-P图', xlim = c(0,1),
ylim = c(0,1), col = 'blue')
abline(a = 0, b = 1)
par(opar)
}
#定量的shapiro检验
if (length(x) <= 5000) {
shapiro <- shapiro.test(x)
if(shapiro$p.value > alpha)
print(paste('定量结果为:', 'x服从正态分布,',
'P值 =',round(shapiro$p.value,5), '> 0.05'))
else
print(paste('定量结果为:', 'x不服从正态分布,',
'P值 =',round(shapiro$p.value,5), '<= 0.05'))
shapiro
}
else {
ks <- ks.test(x,'pnorm')
if(ks$p.value > alpha)
print(paste('定量结果为:', 'x服从正态分布,',
'P值 =',round(ks$p.value,5), '> 0.05'))
else
print(paste('定量结果为:', 'x不服从正态分布,',
'P值 =',round(ks$p.value,5), '<= 0.05'))
ks
}
}

# 面积的正态检验
norm.test(houses$面积)

# 价格的正态检验
norm.test(houses$价格.W.)

  结论:房价和面积均不服从正态分布,因此不能对其进行做线性回归模型

9.查看上海地区二手房的均价

avg_price <- aggregate(houses$单价.平方米.,by=list(houses$区域),FUN=mean)
p <- ggplot(data=avg_price,aes(x=reorder(Group.1,-x),y=x,group=1))+geom_area(fill='lightgreen')+geom_line(colour = 'steelblue', size = 2)+geom_point()+ylab('均价')
p

       结论:静安区和徐汇区的价格较高

10.模型构建

  在对房屋进行建模的时候,首先使用聚类把不同类型的房子给划分出来,我选择面积,房价,单价/㎡来进行聚类的划分

  10.1 聚类的个数

# 模型构建
tot.wssplot <- function(data,nc,seed=1234){
# 计算距离的平方和tot.wss <- (nrow(data)-1) * sum(apply(data,2,var))for(i in 2:nc){set.seed(seed)tot.wss[i] <- kmeans(data,centers = i,iter.max = 100)$tot.withinss}plot(1:nc,tot.wss,type='b',xlab = 'Number of Cluster',ylab = 'Within groups sum of squares',col='blue',lwd=2,main='choose best clusters')
}
# 找出判断聚类的三个主要的指标
stander <- data.frame(scale(final_house[,c('面积','价格.W.','单价.平方米.')]))
# 做出聚类个数图
tot.wssplot(stander,15)

  结论:分成5个类的模型的效果会比较好

  10.2聚类

set.seed(1234)
clust <- kmeans(x=stander,centers = 5,iter.max = 100)table(clust$cluster)

  结论:每个聚类的结果

 10.3查看聚类的结果

# 查看每个户型的平均面积
aggregate(final_house$面积,list(final_house$type.new),FUN=mean)

# 比较每个类中的面积,单价,每平米价格
aggregate(final_house[,3:5],list(clust$cluster),FUN=mean)

  结论:

    第1组是地段型的房子,地段位于上海的核心区域,每平米的单价是最高的

    第2组是面积型的房子,地段稍逊于第1组,面积都在350平米以上,属于享受阶层买得起的房子

    第3组是均衡型的房子,地段和面积均属于发展中的状态,房价涨势稳定,将来的发展空间较大

    第4组是廉价型的房子,面积和价格都相对比较低,地段和面积相对较低

  10.4聚类的散点图

p <- ggplot(data=final_house[,3:5],aes(x=面积,y=单价.平方米.,color=factor(clust$cluster)))+geom_point(pch=20,size=3)+scale_color_manual(values = c('red','blue','green','black','orange'))
p

11建模

  11.1 将类别变量变成因子类型

final_house$floor <- factor(final_house$floor)
final_house$type.new <- factor(final_house$type.new)
final_house$clsuter <- factor(clust$cluster)

  11.2构建公式

# 选择出所有的因子变量
factors <- names(final_house)[sapply(final_house, class)=='factor']
formal <- f <- as.formula(paste('~',paste(factors,collapse = '+')))
dummy <- dummyVars(formula = formal,data=final_house)
pred <- predict(dummy,newdata=final_house)
head(pred)

  11.3建模

final_house2 <- cbind(final_house,pred)
# 选择需要建模的因子
model_data <- subset(final_house2,select=-c(1,2,3,8,17,18,24))
fit1 <- lm(价格.W. ~ .,data=model_data)
summary(fit1)

  结论:建造时间和2室1厅的影响不明显,需要对模型进行修改

  11.4修改模型

#由于房价不符合正态分布,所以要对价格取对数
powerTransform(fit1)
fit2 <- lm(log(价格.W.) ~ .,data=model_data)
summary(fit2)

  结论:R²的值得到了提高,并且建造时间和2室1厅的影响已经计入到模型中去

  11.5查看最终模型的诊断结果

opar <- par(no.readonly = TRUE)
par(mfrow = c(2,2))
plot(fit2)
par(opar)

  结论:符合线性回归模型的假设

  

转载于:https://www.cnblogs.com/luhuajun/p/8735437.html

R语言-上海二手房数据分析相关推荐

  1. 2015CDAS中国数据分析师行业峰会:R语言量化投资数据分析应用

    跨界知识聚会系列文章,"知识是用来分享和传承的",各种会议.论坛.沙龙都是分享知识的绝佳场所.我也有幸作为演讲嘉宾参加了一些国内的大型会议,向大家展示我所做的一些成果.从听众到演讲 ...

  2. R语言1-面板数据分析全过程 附代码

    R语言1-面板数据分析全过程 附代码 用途 面板数据常见于计量经济学领域,本质上是一种线性回归方法.截面数据和时间序列数据的组合可以更多的反应数据情况,同时也需要克服二者都存在的问题. 数据初步处理 ...

  3. R语言学习之数据分析实战(一)

    R语言学习之数据分析实战(一) 一.线性回归 回归(regression):通常指那些用一个或多个预测变量,也称自变量或解释变量,来预测响应变量,也称为因变量.效标变量或结果变量的方法. 普通最小二乘 ...

  4. 为什么R语言是学习数据分析的第一选择

    数据时代已经到来,但数据分析.数据挖掘人才却十分短缺,据全球顶尖管理咨询公司麦肯锡(McKinsey)一份详细分析报告显示: >>>> 预计到 2018 年,大数据或者数据工作 ...

  5. R语言之探索性数据分析篇

    转载自:http://blog.csdn.net/lilanfeng1991/article/details/18565955 探索性数据分析(Exploratory Data Analysis,ED ...

  6. R语言25-Prosper 贷款数据分析1

    Prosper 贷款数据分析 数据导入 工作目录设置 首先查看当前工作路径,对其进行对应更改 getwd() setwd('C:/Users/blabla/Desktop/数据分析/R语言') get ...

  7. R语言生存分析数据分析可视化案例

    目标 本文的目的是对如何在R中进行生存分析进行简短而全面的评估.关于该主题的文献很广泛,仅涉及有限数量的(常见)问题.最近我们被客户要求撰写关于生存分析的研究报告,包括一些图形和统计输出. 可用的R包 ...

  8. (一)R语言入门指南——数据分析的第一步

    注:本博客旨在分享个人学习心得,有不规范之处请多多包涵! 目录 R语言 数值与逻辑运算符 变量类型与赋值 逻辑判定与循环 结束语 R语言 简单来说,R语言是一个免费开源.数据分析和可视化功能强大的编程 ...

  9. 豆瓣电影R语言爬虫和数据分析.

    主要内容: 1.r语言爬虫 rvest包的使用. 2.r语言字符串处理stringr包的使用. 3.r语言聚合dplyr 包的使用. 4.r语言可视化ggplot 包的使用. 5.r语言画词云图wor ...

  10. r语言 python 互联网数据分析_对比R语言和Python,教你实现回归分析

    变量之间关系可以分为两类: 函数关系:反映了事务之间某种确定性关系 相关关系:两个变量之间存在某种依存关系,但二者并不是一一对应的:反映了事务间不完全确定关系:相关系数(r)可以衡量这种相关关系. r ...

最新文章

  1. 用css打印html
  2. 卫星任务规划 单站多星
  3. 在生产集群上运行topology
  4. 广州站 | 云原生 Serverless 技术实践营精彩回顾
  5. 数据结构与算法之KMP算法
  6. 【硬件】PCB设计步骤
  7. mysql 生成xml 表头_Spring Boot + MySql + Mybatis generator 自动生成mapper/entity/xml文件
  8. 区块链项目开发最容易受区块链技术影响的行业
  9. 【DFS】LeetCode 40. Combination Sum II
  10. 技术问题解答-AOP原理
  11. 应用Matlab小波变换工具箱进行图像压缩
  12. 服务器装系统不识别硬盘分区,u盘装系统时找不到硬盘分区解决方法
  13. 内华达大学里诺校区计算机科学,PayScal公布美国各州就业工资最高大学!加州第1竟是文理学院,纽约州也非哥大和纽大...
  14. 圆周率一千万亿位_圆周率一千位
  15. 踢球骨折在家day20
  16. 苹果手机热点总断怎么解决?
  17. 【1044】判断是否为两位数
  18. Vue中gsap库实现数字递增动画
  19. linux下查看已安装的软件与卸载,(转)linux下查看已安装的软件与卸载
  20. 国内B端竞品调研网站一网打尽

热门文章

  1. linux计划任务失败如何排查原因
  2. python百度贴吧发帖签到_百度贴吧签到脚本
  3. Zynq-Linux移植学习笔记之47-PL部分spi flash文件系统挂载
  4. 服务器显示演示版,金蝶软件打开后提示是演示版怎么办?
  5. vmware fusion8 序列号
  6. 乐优商城第九天,第十天,(商品规格参数模版的新增,商品的新增)
  7. 测试cpu温度软件mac,mac电脑怎么查看cpu温度和风扇转速的详细步骤
  8. 计算机专业自我简介50字,2021年个人简历自我评价50字
  9. vscode c语言插件_推荐学习C语言或CPP使用的代码编辑器
  10. Oracle中alter system命令参数之scope