安居客二手房python数据可视化

继上一篇安居客二手房的数据进行预处理后，接下来就可以对数据进行可视化。

我们需要用到的库有：

import os
import shutilimport pandas as pd
from matplotlib import pyplot as plt
from pyecharts import Pie

重点介绍！！！！！！

Matplotlib库介绍
plot(kind="绘图类型")
绘图类型:
‘line’ : #折线图
‘bar’ : #条形图
‘barh’ : #横向条形图
‘hist’ : #直方图（数值频率分布）
‘box’ : #箱型图
‘kde’ : #密度图，主要对柱状图添加Kernel 概率密度线
‘density’ : same as ‘kde’
‘area’ : #与x轴所围区域图（面积图）。Stacked=True时，每列必须全部为正或负值，stacked=False时，对数据没有要求
‘pie’ : #饼图。数值必须为正值，需指定Y轴或者subplots=True
‘scatter’ : #散点图。需指定X轴Y轴
‘hexbin’ : hexbin plot#蜂巢图。需指定X轴Y轴

一：

对数据进行可视化之前先要对数据进行分析，发现那些是我们需要的数据，并且数据之间有什么联系，我们可以从中得到什么价值（这是基础的一步也是很重要的一步）

总价、单价、面积、户型、地区，商品房、普通住宅、一梯两户、钢混结构、精装........

区域分析：是否是中心区域还是偏远区域，分析各个区域的二手房套数多少

总价与单价分析：分析那个区域的二手房价格高，价格低，反应不同人对价格的心理价格区间，以及可以得出各个地区发展情况，是否位于中心路段

面积大小分析：分析是什么样的二手房面积居多，以及地区的面积差异

房屋用途：分析是什么样的房屋用途最多，主要看普通住宅类型

电梯：分析该二手房是否有电梯

朝向：分析朝向是否符合中国建筑的坐北朝南，以及房屋朝向对房屋总价的影响

建筑类型：分析房屋是塔楼还是板楼，知道房屋开发商喜欢什么类型的房子，以及得出什么的房子建筑是主流

户型：分析二手房主流户型是什么，可以为不同的人提供不同的需求

装修情况：对二手房的装修情况分析

楼层位置：根据对二手房的楼层位置和总价的分析，可以看出低中高层楼房谁更受欢迎，谁的价钱更高

房屋用途：分析房屋的用途大部分是拿来干什么

这些分析指标就是我们要分析的一些角度

二：

接下来具体对数据进行可视化

（1）这次用了函数来对数据进行读取

if __name__ == "__main__":if os.path.exists("./安居客_处理后.txt"):os.remove("./安居客_处理后.txt")srcfile = "../数据处理/安居客_处理后.txt"dstfile = "./安居客_处理后.txt"shutil.copy(srcfile, dstfile)  # 移动文件print("移动文件 %s -> %s" % (srcfile, dstfile))

'''
读取数据
'''
def getData():data = pd.read_csv("./安居客_处理后.txt", header=0, sep=';', encoding="utf-8")data.columns = ['编号','区县', '片区','小区名称','房屋单价','房屋总价','户型','面积','朝向','装修','建设时间','房屋属性','用途','产权','产权时间','唯一住房','中介公司','挂牌时间','楼层位置','楼层数','首付','月供']#data['房屋单价'] = data['房屋单价'].astype(float)#data['房屋总价'] = data['房屋总价'].astype(int)#data['面积'] = data['面积'].astype(int)#  图表中文显示plt.rcParams['font.sans-serif'] = ['SimHei']  # 步骤一（替换sans-serif字体）plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）fig, ax = plt.subplots()return data

用def定义函数来获取文件内容（详细解释在代码中的注释中）

（2）接下来介绍3种数据可视化的方法

'''
各区县房源分布情况！！！
柱状图
'''
def dataAnalysis1():data = getData()print(data['区县'].value_counts())#bar  垂直条形图#barh 水平条形图data['区县'].value_counts().plot(kind='bar', color=['green', 'red', 'blue', 'grey', 'pink'], alpha=0.5)plt.title('某市二手房各区、县房源分布信息！', fontsize=15)plt.xlabel('区、县名称', fontsize=15)plt.ylabel('房源数量', fontsize=15)plt.grid(linestyle=":", color="r")#x轴刻度旋转60度plt.xticks(rotation=60)#legend显示图例plt.legend()plt.show()

这是一个柱状图关于各区县房源分布情况

运行结果如下：

'''
房屋总价和总面积的关系图
散点图
'''
def dataAnalysis4():data = getData()#  绘制总面积和总价的散点关系图home_area = data['面积']# print(home_area.head())total_price = data['房屋总价']# print(total_price.head())plt.scatter(home_area, total_price, s=3)plt.title('某市二手房总价和总面积关系', fontsize=15)plt.xlabel('房屋面积', fontsize=15)plt.ylabel('房源总价', fontsize=15)plt.grid(linestyle=":", color="r")plt.show()

这是一个散点图关于房屋总价和总面积的关系图

运行结果如下：

'''
楼层和房源数量的饼图
饼状图
'''
def dataAnalysis8():data = getData()avg_price_louceng = data.groupby('楼层位置').count()['户型']print(avg_price_louceng)x = avg_price_louceng.indexy = avg_price_louceng.valuespie = Pie("楼层和房源数量的饼图")pie.add("", x, y, is_label_show=True)pie.render("pie.html")

这是一个饼图关于楼层和房源数量的关系图

运行结果如下：

以上三种就是对数据可视化进行处理的方法

我们关于对安居客二手房的项目就结束了，以上几篇文章希望对大家有所帮助（如有不足，敬请指正）

源代码如下：

'''
Matplotlib库介绍
plot(kind="绘图类型")
绘图类型:
‘line’ : #折线图
‘bar’ : #条形图
‘barh’ : #横向条形图
‘hist’ : #直方图（数值频率分布）
‘box’ : #箱型图
‘kde’ : #密度图，主要对柱状图添加Kernel 概率密度线
‘density’ : same as ‘kde’
‘area’ : #与x轴所围区域图（面积图）。Stacked=True时，每列必须全部为正或负值，stacked=False时，对数据没有要求
‘pie’ : #饼图。数值必须为正值，需指定Y轴或者subplots=True
‘scatter’ : #散点图。需指定X轴Y轴
‘hexbin’ : hexbin plot#蜂巢图。需指定X轴Y轴
'''
import os
import shutilimport pandas as pd
from matplotlib import pyplot as plt
from pyecharts import Pie#pip uninstall pyecharts
#pip install pyecharts==0.1.9.5'''
读取数据
'''
def getData():data = pd.read_csv("./安居客_处理后.txt", header=0, sep=';', encoding="utf-8")data.columns = ['编号','区县', '片区','小区名称','房屋单价','房屋总价','户型','面积','朝向','装修','建设时间','房屋属性','用途','产权','产权时间','唯一住房','中介公司','挂牌时间','楼层位置','楼层数','首付','月供']#data['房屋单价'] = data['房屋单价'].astype(float)#data['房屋总价'] = data['房屋总价'].astype(int)#data['面积'] = data['面积'].astype(int)#  图表中文显示plt.rcParams['font.sans-serif'] = ['SimHei']  # 步骤一（替换sans-serif字体）plt.rcParams['axes.unicode_minus'] = False  # 步骤二（解决坐标轴负数的负号显示问题）fig, ax = plt.subplots()return data'''
各区县房源分布情况！！！
柱状图
'''
def dataAnalysis1():data = getData()print(data['区县'].value_counts())#bar  垂直条形图#barh 水平条形图data['区县'].value_counts().plot(kind='bar', color=['green', 'red', 'blue', 'grey', 'pink'], alpha=0.5)plt.title('某市二手房各区、县房源分布信息！', fontsize=15)plt.xlabel('区、县名称', fontsize=15)plt.ylabel('房源数量', fontsize=15)plt.grid(linestyle=":", color="r")#x轴刻度旋转60度plt.xticks(rotation=60)#legend显示图例plt.legend()plt.show()'''
各区县房源均价分布情况！！！
柱状图（横）
'''
def dataAnalysis2():data = getData()data.groupby('区县').mean()['房屋单价'].sort_values(ascending=True).plot(kind='barh', color=['r', 'g', 'y', 'b'],alpha=0.5)plt.title('某市二手房各区、县房屋均价分布信息！', fontsize=15)plt.xlabel('房屋均价', fontsize=15)plt.ylabel('区县名称', fontsize=15)plt.grid(linestyle=":", color="r")plt.legend()plt.show()'''
二手房户型情况
柱状图
'''
def dataAnalysis3():data = getData()data['户型'].value_counts().plot(kind='bar', color=['green', 'red', 'blue', 'grey', 'pink'], alpha=0.5)plt.title('二手房房屋户型情况！', fontsize=15)plt.xlabel('房屋户型', fontsize=15)plt.ylabel('房源数量', fontsize=15)plt.grid(linestyle=":", color="r")plt.xticks(rotation=60)plt.legend()plt.show()'''
房屋总价和总面积的关系图
散点图
'''
def dataAnalysis4():data = getData()#  绘制总面积和总价的散点关系图home_area = data['面积']# print(home_area.head())total_price = data['房屋总价']# print(total_price.head())plt.scatter(home_area, total_price, s=3)plt.title('某市二手房总价和总面积关系', fontsize=15)plt.xlabel('房屋面积', fontsize=15)plt.ylabel('房源总价', fontsize=15)plt.grid(linestyle=":", color="r")plt.show()'''
二手房装修情况
柱状图
'''
def dataAnalysis5():data = getData()#value_counts：查看表格某列中有多少个不同值的快捷方法，并计算每个不同值有在该列中有多少重复值。data['装修'].value_counts().plot(kind='bar', color=['green', 'red', 'blue', 'grey', 'pink'], alpha=0.5)plt.title('二手房装修情况的房源分布信息！', fontsize=15)plt.xlabel('装修类型', fontsize=15)plt.ylabel('房源数量', fontsize=15)plt.grid(linestyle=":", color="r")plt.xticks(rotation=60)plt.legend()plt.show()'''
二手房小区建成年份与小区均价分布信息
散点图
'''
def dataAnalysis6XXXX():#(没有采集小区均价数据)data = getData()# 将小区建成时间转成日期并仅提取其中的年份print(data.建设时间)built_year = pd.to_datetime(data.小区建成).dt.year#print(built_year)# 绘制小区建成年限与小区均价的散点分布图plt.scatter(data.小区建成, data['小区均价'].astype(float), s=6)plt.title('某市二手房小区建成年份与均价分布信息！', fontsize=15)plt.xlabel('小区建成年份', fontsize=15)plt.ylabel('小区房屋均价', fontsize=15)plt.grid(linestyle=":", color="r")plt.xticks(rotation=0)plt.show()def ensure_float(x):print(x.index)for indexs in x.index:print(type(x[indexs]))print(x[indexs])#print(int(x[indexs]))'''
楼层与房屋均价关系
柱状图
'''
def dataAnalysis7():data = getData()#print(data["房屋单价"])ensure_float(data["房屋单价"])data.groupby('楼层位置').mean()['房屋单价'].sort_values(ascending=True).plot(kind='bar', color=['green', 'red', 'blue', 'grey', 'pink'], alpha=0.5)plt.title('二手房楼层与房屋均价分布信息！', fontsize=15)plt.xlabel('楼层信息', fontsize=15)plt.ylabel('房屋均价', fontsize=15)plt.grid(linestyle=":", color="r")plt.xticks(rotation=60)plt.legend()plt.show()'''
楼层和房源数量的饼图
饼状图
'''
def dataAnalysis8():data = getData()avg_price_louceng = data.groupby('楼层位置').count()['户型']print(avg_price_louceng)x = avg_price_louceng.indexy = avg_price_louceng.valuespie = Pie("楼层和房源数量的饼图")pie.add("", x, y, is_label_show=True)pie.render("pie.html")if __name__ == "__main__":if os.path.exists("./安居客_处理后.txt"):os.remove("./安居客_处理后.txt")srcfile = "../数据处理/安居客_处理后.txt"dstfile = "./安居客_处理后.txt"shutil.copy(srcfile, dstfile)  # 移动文件print("移动文件 %s -> %s" % (srcfile, dstfile))#dataAnalysis1()#dataAnalysis2()#dataAnalysis3()#dataAnalysis4()#dataAnalysis5()#dataAnalysis6()  #不可运行（未采集小区均价）#dataAnalysis7()dataAnalysis8()

安居客二手房python数据可视化相关推荐

抓取安居客二手房经纪人数据，python爬虫自动翻页
为什么80%的码农都做不了架构师?>>> 和链接不一样,安居客网站里面没有找到总页数,可能在json里面有,只是我没有找到. 基于此能不能做网页的循环爬取呢. 能否判断页面读取 ...
python爬取房源数据_python爬取安居客二手房网站数据(实例讲解)
是小打小闹哈哈,现在开始正式进行爬虫书写首先,需要分析一下要爬取的网站的结构:作为一名河南的学生,那就看看郑州的二手房信息吧! 在上面这个页面中,我们可以看到一条条的房源信息,从中我们发现了什么,发 ...
python爬取安居客二手房网站数据（转）
之前没课的时候写过安居客的爬虫,但那也是小打小闹,那这次呢, 还是小打小闹哈哈,现在开始正式进行爬虫书写首先,需要分析一下要爬取的网站的结构: 作为一名河南的学生,那就看看郑州的二手房信息吧! 在 ...
python爬取安居客二手房网站数据
前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理. PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 python免费学习资 ...
使用Python爬取安居客二手房房价数据
作为一个Python新手,公司突然安排我爬取房价数据,真让人有点头大啊!幸好网上的大佬们经验丰富,给予了很多代码上的帮助.本文代码在网友pythoner111爬虫项目–爬取安居客二手房信息的基础上修改 ...
Scrapy爬取重庆安居客二手房并存入mysql数据库（下）
上篇中我们获取了重庆的一二级区(Scrapy爬取重庆安居客二手房并存入mysql数据库(上)),这一篇我们根据二级区获取相应的二手房信息. 初始化数据库创建二手房信息数据库表,house表存放二手房 ...
菜鸟爬虫——获取安居客二手房信息
以安居客二手房为例前言了解爬虫爬虫目录结构爬虫主体代码 items.py 反反爬虫策略运行爬虫前言因为需要一些二手房数据,菜鸟开启了爬虫之路!不过需要注意的是,在爬取数据时,要遵守< ...
爬虫项目--爬取安居客二手房信息
爬虫实战(爬取安居客二手房信息-成都天府新区) 环境:python3.6 pycharm bs4库解析方式:bs4 需求:爬取二手房信息字段(titile,house_type,build_time ...
爬虫实战-北京链家，安居客二手房的爬取
链家mobie北京二手房5w多信息抓取,存MongoDB后进行数据可视化 import scrapy from scrapy_redis.spiders import RedisCrawlSpider ...

安居客二手房python数据可视化

安居客二手房python数据可视化相关推荐

最新文章

热门文章