Pythonamp;R爬取分析赶集网北京二手房数据(附详细代码)
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:
将字典循环直接写入CSV效果如下:
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。
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),]
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$Bedrooms)1 2 3 4 5 541 1225 779 193 102 library(ggplot2)
ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col="red")
不同卧室数,TotalPrice不同,且随着卧室数的增多,总价越高,符合大众的认知。
3.2探究Halls与TotalPrice的关系
table(DATA$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")
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")
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')
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")
3.6探究Floor与TotalPrice的关系
ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red")
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")
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
Pythonamp;R爬取分析赶集网北京二手房数据(附详细代码)相关推荐
- python爬取二手房信息_刚刚接触PythonR?教你爬取分析赶集网北京二手房数据(附详细代码)...
原标题:刚刚接触Python&R?教你爬取分析赶集网北京二手房数据(附详细代码) 源 /数据森麟文 /徐涛 前言: 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 ...
- PythonR爬取分析赶集网北京二手房数据(附详细代码)
本文转载自数据森麟(ID:shujusenlin) 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 如何挑战百万年薪的人工智能! https://ed ...
- python二手房价格预测_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...
前言: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 ...
- 五十七、爬取链家网北京二手房信息,并进行线性回归建模
@Author : By Runsen @Date:2020/5/31 作者介绍:Runsen目前大三下学期,专业化学工程与工艺,大学沉迷日语,Python, Java和一系列数据分析软件.导致翘课严 ...
- 爬虫,爬取链家网北京二手房信息
# 链家网二手房信息爬取 import re import time import requests import pandas as pd from bs4 import BeautifulSoup ...
- Python爬取链家网获取二手房数据并调用高德api获得经纬度
链家网获得数据地址,高德api获得经纬度(同理链家网也可以换成其他58同城,赶集网的数据,因为反爬虫比较厉害,没时间整,就用链家网的数据先试试水) 首先爬链家网,Info包含一条信息 import j ...
- 爬取链家网北京房源及房价分析
爬取链家网北京房源及房价分析 文章开始把我喜欢的这句话送个大家:这个世界上还有什么比自己写的代码运行在一亿人的电脑上更酷的事情吗,如果有那就是让这个数字再扩大十倍 1.数据获取 # 获取某市区域的所有 ...
- python爬取链家网的房屋数据
python爬取链家网的房屋数据 爬取内容 爬取源网站 爬取内容 爬取思路 爬取的数据 代码 获取房屋url 获取房屋具体信息 爬取内容 爬取源网站 北京二手房 https://bj.lianjia. ...
- python爬房源信息_用python爬取链家网的二手房信息
题外话:这几天用python做题,算是有头有尾地完成了.这两天会抽空把我的思路和方法,还有代码贴出来,供python的初学者参考.我python的实战经历不多,所以代码也是简单易懂的那种.当然过程中还 ...
- python爬取分析超级大乐透历史开奖数据
python爬取分析超级大乐透历史开奖数据 博主作为爬虫初学者,本次使用了requests和beautifulsoup库进行数据的爬取 爬取网站:http://datachart.500.com/dl ...
最新文章
- nvGRAPH三角形计数和遍历示例
- 用 Navicat for Oracle 管理 Oracle10g/11g 数据库
- 【JOURNAL】911的虚惊
- c语言sum出错,ACM:Sum Problem 求和问题C语言源码
- Python-按照list中dict的某个key进行排序
- CentOS源码编译安装MySQL 5.5.15(转)
- 数据科学r语言_您应该为数据科学学习哪些语言?
- Apollo 1 融合 Spring 的三个入口
- linux新增动态库后可执行程序找不到的问题
- 功能至上!国内外最实用的协作类软件盘点
- 【Mybatis笔记】mybatis实现mysql增删改查
- bootstrap table 服务端分页
- Java Matcher源码学习记录
- u盘启动怎么修复计算机,电脑店u盘启动winpe如何修复系统引导
- 网页监控检测网页变化同步推送百度
- ThinkPad Tablet2升级Windows10(各种故障及解决方案)
- ROS机器人更换新雷达需要重新配置carto和navigation的哪些参数
- 如何去远程控制公司电脑 这三样必备一样也不能少
- 非安装版mysql安装
- 中国移动的呼叫转移呼叫等待等设置方法USSDMMI