作者介绍：徐涛，19年应届毕业生，专注于珊瑚礁研究，喜欢用R各种清洗数据。

知乎：parkson

前言：

原文发布在知乎，已得到作者授权，在此向徐涛同学表示感谢。本文主要分为两部分：Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析。文章思路清晰，代码详细，特别适合刚刚接触Python&R的同学学习参考。

Part1：Python爬取赶集网北京二手房数据

入门爬虫一个月，所以对每一个网站都使用Xpath、Beautiful Soup、正则三种方法分别爬取，用于练习巩固。数据来源如下：

本文使用Beautiful Soup讲解。

Xpath传送门：Xpath+requests爬取赶集网北京二手房数据

import requests
import re
from requests.exceptions import RequestException
from bs4 import BeautifulSoup
import csv
import timeheaders = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}def get_one_page(url):try:response = requests.get(url,headers = headers)if response.status_code == 200:return response.textreturn Noneexcept RequestException:return Nonedef parse_one_page(content):try:soup = BeautifulSoup(content,'html.parser')items = soup.find('div',class_=re.compile('js-tips-list'))for div in items.find_all('div',class_=re.compile('ershoufang-list')):yield {'Name':div.find('a',class_=re.compile('js-title')).text,'Type': div.find('dd', class_=re.compile('size')).contents[1].text,#tag的 .contents 属性可以将tag的子节点以列表的方式输出'Area':div.find('dd',class_=re.compile('size')).contents[5].text,'Towards':div.find('dd',class_=re.compile('size')).contents[9].text,'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace('\n',''),'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text,'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace('\n',''),'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text,'Price':div.find('div',class_=re.compile('time')).text}#有一些二手房信息缺少部分信息，如：缺少装修信息，或者缺少楼层信息，这时候需要加个判断，不然爬取就会中断。if div['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None:return Noneexcept Exception:return Nonedef main():for i in range(1,50):url = 'http://bj.ganji.com/fang5/o{}/'.format(i)content = get_one_page(url)print('第{}页抓取完毕'.format(i))for div in parse_one_page(content):print(div)with open('Data.csv', 'a', newline='') as f:  # Data.csv 文件存储的路径,如果默认路径就直接写文件名即可。fieldnames = ['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price']writer = csv.DictWriter(f, fieldnames=fieldnames)writer.writeheader()for item in parse_one_page(content):writer.writerow(item)time.sleep(3)#设置爬取频率，一开始我就是爬取的太猛，导致网页需要验证。if __name__=='__main__':main()

对于小白容易遇见的一些问题：

a、有一些房屋缺少部分信息，如缺少装修信息，这个时候需要加一个判断，如果不加判断，爬取就会自动终止。我在这里跌了很大的坑。

b、Data.csv知识点存储文件路径默认是工作目录，关于工作目录传送门：python中如何查看工作目录

c、爬虫打印的是字典形式，每一个房屋信息都是一个字典，由于对Python中excel相关库是我知识盲点，所以爬虫的时候将字典循环直接写入CSV。

pycharm中打印如下：

图一

将字典循环直接写入CSV效果如下：

图二

d、很多初学者对于Address这种不知道如何处理，这里强调一下Beautiful Soup 中.contents的用法，亲身体会，我在这里花了好多时间才找到答案。

图三

Part2：R对爬取的二手房房价做一般线性回归分析

下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。

2.1、数据的说明

Name：主要是商家的醒目标题，分析的时候没有啥参考意义

Type：卧室数、客厅数、卫生间数

Area：面积（平方米）

Towards：朝向

Floor：楼层

Decorate：装修情况如：精装修、简单装修、毛坯房

Address：二手房的地址

TotalPrice：总价

Price：均价（元/平方米）

2.2、数据清洗

data<-read.csv("E://Data For R/RData/data.csv")
DATA<-data[,-c(1,7)]#将Name和Address两列去掉
DATA[sample(1:nrow(DATA),size=10),]

图四

#在爬取的时候加入了判断，所以不知道爬取的数据中是否存在缺失值，这里检查一下
colSums(is.na(DATA))

图五

#这里将Type的卧室客厅和卫生间分为三个不同的列
##这里需要注意，有一些房屋没有客厅如：1室1卫这时候需要单独处理，还有一些没有厕所信息。
library(tidyr)
DATA=separate(data=DATA,col=Type,into = c("Bedrooms","Halls"),sep="室")
DATA=separate(data=DATA,col=Halls,into = c("Halls","Toilet"),sep="厅")
##将卫生间后面的汉字去掉
DATA$Toilet<-str_replace(DATA$Toilet,"卫","")
###如图六，将Halls中带有汉字去掉，因为有一些房屋信息没有客厅，如：1室1厅，在分成卧室和客厅时，会将卫生间分到客厅一列。
DATA$Halls<-str_replace(DATA$Halls,"卫","")
##取出没有客厅信息的数据，这些数据被separate到Halls列
newdata<-DATA[which(DATA$Toilet %in% NA),2]
newdata
##将没有客厅的房屋信息Halls列填充为0
DATA[which(DATA$Toilet %in% NA),2]<-0
DATA[which(DATA$Toilet %in% NA),3]<-newdata
colSums(DATA=="")Bedrooms      Halls     Toilet       Area    Towards      Floor   Decorate 0          0          2          0          0          0          0
TotalPrice      Price 0          0 ##发现有2个厕所没有信息,将其填写为0。
DATA$Toilet[DATA$Toilet == ""]<-0

图六

##这里将Area后的㎡去掉
DATA$Area<-str_replace(DATA$Area,"㎡","")##查看Towards的类型
table(DATA$Towards)Towards    北向  东北向  东南向  东西向    东向  南北向    南向  西北向 51      25      23      50      65      32    1901     678      38 西南向    西向 28      26
##将Floor信息带括号的全部去除
DATA$Floor<-str_replace(DATA$Floor,"[（].*[）]","")##正则表达式
#查看Floor的类别信息低层  地下  高层 共1层 共2层 共3层 共4层 共5层  中层 632    32   790    36    61   101    68   130  1016 #分别将TotalPrice和Price后面的万元、元/㎡去掉DATA$TotalPrice<-str_replace(DATA$TotalPrice,"万元","")
DATA$Price<-str_replace(DATA$Price,"元/㎡","")head(DATA)

图七

##将数据转换格式
DATA$Bedrooms<-as.factor(DATA$Bedrooms)
DATA$Halls<-as.factor(DATA$Halls)
DATA$Toilet<-as.factor(DATA$Toilet)
DATA$Area<-as.numeric(DATA$Area)
DATA$TotalPrice<-as.numeric(DATA$TotalPrice)
DATA$Price<-as.numeric(DATA$Price)
DATA$Towards<-as.factor(DATA$Towards)
DATA$Decorate<-as.factor(DATA$Decorate)
str(DATA)

图八

以上数据清洗完毕。

Part3：描述性分析

主要思路是探究单个自变量对因变量的影响，对房价的影响因素进行模拟探究之前，首先对各变量进行描述性分析，已初步判断房价的影响因素。这里探究各个因素对总价影响。

3.1探究Bedrooms与TotalPrice的关系

table(DATA$Bedrooms)1    2    3    4    5    6    7    9
541 1225  779  193  102   20    5    1
##由于拥有6、7、9个卧室数的数量较少，这里我们排出这些数据。
DATA<-DATA[-(which(DATA$Bedrooms %in% "6")),]
DATA<-DATA[-(which(DATA$Bedrooms %in% "7")),]
DATA<-DATA[-(which(DATA$Bedrooms %in% "9")),]
table(DATA$Bedrooms)1    2    3    4    5 541 1225  779  193  102 library(ggplot2)
ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col="red")

图九

DATA$Bedrooms<-as.numeric(DATA$Bedrooms)
##这里将卧室数为1、2、3命名为A，4为B，5为C
DATA$Bedrooms[DATA$Bedrooms=='1']<-"A"
DATA$Bedrooms[DATA$Bedrooms=='2']<-"A"
DATA$Bedrooms[DATA$Bedrooms=='3']<-"A"
DATA$Bedrooms[DATA$Bedrooms=='4']<-"B"
DATA$Bedrooms[DATA$Bedrooms=='5']<-"C"

不同卧室数，TotalPrice不同，且随着卧室数的增多，总价越高，符合大众的认知。

3.2探究Halls与TotalPrice的关系

 table(DATA$Halls) 0    1    2    3    4    5    9 20 1674 1050   77   18    1    0
##5个客厅只有一个个体，我们这里将其排出
DATA<-DATA[-(which(DATA$Halls %in% "5")),]
table(DATA$Halls)0    1    2    3    4    5    9 20 1674 1050   77   18    0    0
ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col="red")

图十

客厅数为3时候总价最高，客厅数为0、1和2的时候总价低于客厅数3和客厅数4。

3.3探究Toilet与TotalPrice的关系

#探究卫生间与总价的关系
table(DATA$Toilet)0    1    2    3    4    5    6    7    9 2 2142  470  116   74   26    7    2    0
#这里将卫生间数为0、6和7的去掉
DATA<-DATA[-(which(DATA$Toilet %in% "0")),]
DATA<-DATA[-(which(DATA$Toilet %in% "6")),]
DATA<-DATA[-(which(DATA$Toilet %in% "7")),]
table(DATA$Toilet)0    1    2    3    4    5    6    7    9 0 2142  470  116   74   26    0    0    0
ggplot(DATA,aes(x=Toilet,y=TotalPrice))+geom_boxplot(col="red")

图十一

一般卧室数越多，卫生间数也越多，即卫生间数越多，总价越高。

3.4探究Area与TotalPrice的关系

ggplot(DATA, aes(x=Area, y=TotalPrice)) + geom_point(col='red')

图十二

这个完全符合住房面积越大，总价越高。

3.5探究Towards与TotalPrice的关系

ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red")

图十三

3.6探究Floor与TotalPrice的关系

 ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red")

图十四

图中信息显示楼层一共只有1、2、3、地下的总价较高。

3.7探究Decorate与TotalPrice的关系

ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red")

图十五

不同装修信息对总价影响较小。

Part4：模型建立

fit <-lm(TotalPrice~Bedrooms+Halls+Toilet+Area+Towards+Floor+Decorate,data=DATA)
summary(fit)Call:
lm(formula = TotalPrice ~ Bedrooms + Halls + Toilet + Area + Towards + Floor + Decorate, data = DATA)Residuals:Min       1Q   Median       3Q      Max
-1330.80  -103.49   -21.41    63.88  2961.59 Coefficients:Estimate Std. Error t value Pr(>|t|)
(Intercept)      -112.7633    88.3010  -1.277 0.201697
Bedrooms2         -43.5934    16.2533  -2.682 0.007359 **
Bedrooms3         -82.6565    20.7641  -3.981 7.04e-05 ***
Bedrooms4         -63.3096    34.9521  -1.811 0.070198 .
Bedrooms5          79.0618    54.0763   1.462 0.143842
Halls1             -5.0663    64.2764  -0.079 0.937182
Halls2            -53.8905    65.4427  -0.823 0.410307
Halls3           -303.9750    79.2280  -3.837 0.000127 ***
Halls4           -528.5427   104.0849  -5.078 4.07e-07 ***
Toilet2           112.9566    19.1171   5.909 3.87e-09 ***
Toilet3           543.7304    38.8056  14.012  < 2e-16 ***
Toilet4           735.1894    55.0977  13.343  < 2e-16 ***
Toilet5           338.7906    84.2851   4.020 5.98e-05 ***
Area                5.1091     0.1619  31.557  < 2e-16 ***
Towards东北向     138.9088    79.3817   1.750 0.080248 .
Towards东南向     187.1895    68.5388   2.731 0.006351 **
Towards东西向     176.3055    65.8384   2.678 0.007453 **
Towards东向       210.9435    73.2744   2.879 0.004022 **
Towards南北向      75.7831    57.1199   1.327 0.184704
Towards南向        60.1949    56.9678   1.057 0.290763
Towards西北向      75.4326    71.1415   1.060 0.289091
Towards西南向     169.8106    75.9626   2.235 0.025467 *
Towards西向       234.0816    76.5585   3.058 0.002253 **
Floor地下        -812.3578    63.3277 -12.828  < 2e-16 ***
Floor高层          12.3525    14.2466   0.867 0.385991
Floor共1层       -313.7278    52.1342  -6.018 2.00e-09 ***
Floor共2层       -453.3692    41.6829 -10.877  < 2e-16 ***
Floor共3层       -601.7032    44.3336 -13.572  < 2e-16 ***
Floor共4层       -183.7866    36.3396  -5.057 4.52e-07 ***
Floor共5层        -41.4184    25.7922  -1.606 0.108419
Floor中层          -1.7223    13.5961  -0.127 0.899204
Decorate简单装修  -63.1591    22.0584  -2.863 0.004224 **
Decorate精装修    -49.3276    19.8544  -2.484 0.013033 *
Decorate毛坯     -157.0299    24.3012  -6.462 1.22e-10 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1Residual standard error: 265.5 on 2794 degrees of freedom
Multiple R-squared:  0.6852,    Adjusted R-squared:  0.6815
F-statistic: 184.3 on 33 and 2794 DF,  p-value: < 2.2e-16

模型的F检验拒绝原假设，说明建立的模型是显著的；Ajusted R-squared 为0.6815，模型的拟合程度尚可接受。

后面还有模型的检验，由于近期实验太多了，之后有机会会进行更深入的探讨

（作为一小白，在抓取和分析过程中遇见非常多问题，非常感谢麟哥（徐麟，公众号：数据森麟）对我的耐心指导和鼓励。由于近期实验室实验太多且实验不顺，花了太多时间在实验上耽误了写这个，写了好几天草草结束。）

　大家都在看　

2017年R语言发展报告（国内）

精心整理 | R语言中文社区历史文章合集（作者篇）

精心整理 | R语言中文社区历史文章整理（类型篇）

公众号后台回复关键字即可学习

回复 爬虫             爬虫三大案例实战  
回复 Python        1小时破冰入门

回复 数据挖掘      R语言入门及数据挖掘
回复 人工智能      三个月入门人工智能
回复 数据分析师   数据分析师成长之路 
回复 机器学习      机器学习的商业应用
回复 数据科学      数据科学实战
回复 常用算法      常用数据挖掘算法