目标：深圳租房信息

数据获取

需要爬取的信息 ---->

分析该网站的html结构，获取这些字段

使用requests,BeautifulSoup，，，各种包爬取数据

得到的csv如下：

数据清理

合并由于反爬虫而多次爬的csv数据

去重(drop)&&数据列的拆分(正则)&&整理列的顺序

处理完以后的表格结构，把位置，房间大小，出租的形式以每一列的形式展现：

数据分析

初步观察数据的特征值的缺失情况 ，表示没有缺失值，初步验证发布58租房信息时这些消息都是必填选项。(sz_rent.describe())

统计特征值是数值的的统计值(sz_rent.describe()),包括平均数，中位数，标准差，最小值，最大值，四分位数，75%分位数。这些结果简单直接，初步了解一个特征值非常有用，比如我们观察到size的最大值140平方米，最小是9平方米。

接下来用可视化来清晰的展示各个数据的关系。

新建一个房子的每平方米的出租价格perPrice插入表格，如下

可视化分析

region特征分析

使用了pandas的网络透视功能groupby分组排序。区域特征可视化直接采用seaborn完成，颜色使用调色板palette参数，颜色渐变，越浅说明越少，反之越多。

如上可以得出观察到：

每平米租金：福田>南山>罗湖>宝安>龙华>龙岗>盐田>光明>坪山基本符合我们广大租房群众的租房常识。

出租房的数量：龙华>宝安>罗湖～福田～南山 >坪山。关外房子数量多啊，关外啥都好，房价便宜，吃的便宜，但是就是交通不便。总总优势，所以还是选择关外的租房的人会多一些把。

通过箱型图看到，各大区域房屋总价每平米中位数都都在200以下，且房屋总价离散值较高，最高的点是在大冲，第二高点在福田，科技园和金融的大佬居住的地方，离公司近，无所谓房租。

size特征值分析

Size 与 Price 的关系：

通过 regplot 绘制了 Size 和 Price 之间的散点图，发现 Size 特征基本与Price呈现线性关系，符合基本常识，面积越大，价格越高。但是有两组明显的异常点：1. 面积120左右的租金价格在12000。2. 一个点面积140平米左右，价格偏低，需要查看是什么情况。

猜测应该是位置的原因把。

1.

2.

南山地铁口的房子，靠近腾讯大厦，三条地铁线，科技园的中心，所以租金。

公明，还没开发的光明新区，没有通地铁，所以租金那么低。

选择租房地址，不仅仅要考虑租金，交通也是很重要的。

====符合大家租房常识。

layout 分析

单间出租比较多，一室一厅，一室0厅都是单间出租。反向推理，大部分人也还是比较愿意一个人住。

出租房间类型与价格分析

整租的数量多一些，然后单间的每平米价格会更高，观察数据得知单间的大都时候是整套里面所谓的一间出租，自然面积会小很多,导致单间每平米的租金会高一些。然后添加月租金和出租类型的关系得证。

遇到的坑：

1.问：安装pip3及各种package

答：折腾了很久，然后发现是网络的问题。

--添加代理 pip3 install -i pypi.doubanio.com/simple/ IPytho

2.问：58的反爬虫-登陆机制

答：没有gg到对应方法，采取了多次分批爬虫；

3.问：58的反爬虫-数字采用加密的方法

答：找到对应的密文转化成二进制保存到woff字体中并转为xml文件

观察字体文件，一一变为正常字体

4.问：数据可视化中文字体显示为方块

答：下载SimHei.ttf拷贝并安装到本地，修改配置项，重启python'

总结

这是一篇很鸡肋的分析文章，都是在我们可以推理得到的基础上，当然这篇主要是为了学习用python进行爬虫，数据清理，然后学会用各种工具对数据进行分析。

学习的过程中当然也存在一些问题：

爬虫的数据不够多，--好好学习一些反爬虫的技巧

分析的比较浅显 慢慢积累多挖掘

需要做更多的特征工程工作，数据清洗，特征选择和筛选

使用统计模型建立回归模型进行价格预测最后：github地址：

github.com/heavy-snowy…