楼盘价格数据采集与可视化分析

综合编程 2018-02-18 阅读原文

本文代码在公众号 datadw 里 回复 楼盘 即可获取。

本文就从数据采集、数据清洗、数据分析与可视化 三部分来看看新的一年里房市的一些问题。

数据采集:

数据采集即从网页上采集我们需要的指定信息,一般使用爬虫实现。当前开源的爬虫非常多,处于简便及学习的目的,在此使用python的urllib2库模拟http访问网页,并BeautifulSoup解析网页获取指定的字段信息。本人获取的链家网上的新房和二手房数据,先来看看原始网页的结构:

首先是URL,不管是新房还是二手房,链家网的房产数据都是以列表的方式存在,比较容易获取,如下图:

其中包含的信息有楼盘名称、地址、价格等信息,回到原始网页,看看在html中,这些信息都在什么地方,如下图:

值得注意的是,原始的html为了节省传输带宽一般是经过压缩的,不太方便分析,可以借助一些html格式化工具进行处理再分析。知道这些信息后,就可以模拟http请求来拉取html网页并使用

BeautifulSoup提取指定的字段了。

[python]view plain copy print ?

  1. fw = open("./chengdu.txt","a+")
  2. index = [i+1 for i in range(32)]
  3. for pa in index:
  4. try:
  5. if pa==1:
  6. url = "http://cd.fang.lianjia.com/loupan/"
  7. else:
  8. url = "http://cd.fang.lianjia.com/loupan/pg%d/"%(pa)
  9. print "request:"+url
  10. req = urllib2.Request( url )
  11. req.add_header("User-Agent","Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36")
  12. req.add_header("Accept","*/*")
  13. req.add_header("Accept-Language","zh-CN,zh;q=0.8")
  14. data = urllib2.urlopen( req )
  15. res = data.read()
  16. #print res
  17. #res = res.replace(" ","")
  18. #print res
  19. #objects = demjson.decode(res)
  20. soup = BeautifulSoup(res)
  21. houseLst = soup.findAll(id='house-lst')
  22. resp = soup.findAll('div', attrs = {'class': 'info-panel'})
  23. for i in range(len(resp)):
  24. name = resp[i].findAll('a', attrs = {'target': '_blank'})[0].text
  25. privice = resp[i].findAll('span', attrs = {'class': 'num'})
  26. privice = privice[0].text
  27. region = resp[i].findAll('span', attrs = {'class': 'region'})
  28. address = region[0].text.split('(')[0]
  29. ##解析获得经纬度
  30. location,city,district = getGdLocation(name)
  31. if not location:
  32. location = getBdLocation(address)#自定义函数
  33. if not location:
  34. continue
  35. formatStr = "%s,%s,%s,%s,%sn"%(city,district,name,location,privice)
  36. print formatStr
  37. fw.write(formatStr)
  38. except:
  39. pass
  40. fw.close()

数据清洗:

数据清洗,顾名思义就是将不合规的数据清理掉,留下可供我们能够正确分析的数据,至于哪些数据需要清理掉,则和我们最终的分析目标有一定的关系,可谓仁者见仁智者见智了。在这里,由于是基于地理位置做的一个统计分析,显然爬取的地理位置必须是准确的才行。但由于售房者填写的地址和楼盘名称可能有误,如何将这些有误的识别出来成为这里数据清洗成败的关键。我们清洗错误地理位置的逻辑是:使用高德地图的地理位置逆编码接口(地理位置逆编码即将地理名称解析成经纬度)获得楼盘名称和楼盘地址。对应的经纬度,计算二者对应的经纬度之间的距离,如果距离值超过一定的阀值,则认为地址标注有误或者地址标注不明确。经过清洗后,获取到的成都地区的在售楼盘及房屋数量总计在3000套的样子。

经过清洗后的数据格式为:

包括市、区、楼盘/房屋名称、经纬度、价格四个维度。

数据分析与可视化:

首先是新推楼盘挂牌价格与销售价格

市中心依然遵循了寸独存金的原则,销售价格远远高于郊县,一方面原因是位置地段、配套的独特性,一方面也是由于可供销售的土地面积、楼盘数量极为有限。

二手房销售价格和挂牌数量

二手房交易重要集中在市区及一些经济比较发达的郊县,不同区县的价格分化并不大,可能原因是老城区销售的二手房存在一部分老房子、同时二手房的价格卖家写的比较随意。

二手房数据的箱型图

这个就更为明显的印证了上面的结论,主城区的二手房存在一部分价格远低于市场均价的(即老房子),也有一部分价格昂贵的(新房、豪宅)出售,郊县的价格均方差则会低很多。

房屋销售热度的空间可视化

房屋销售热度以该区域的房屋销售数量和房屋销售价格综合来衡量,计算方式以该区域销售的房屋数量及销售价格进行加权。

新房销售热度

二手房销售热度

主城区没什么好说的了,人口密度大、买房售房的都多。在南边有一块远离市区的地方、新房和二手房的交易热度都很高,即成都市天府新区,目前配套和各项设施都不太完善,去这里花高价买房安家的老百姓想必不会太多,猜测是去年炒房热过年,这些人现在开始出售房屋了。

via http://blog.csdn.net/zbc1090549839/article/details/54692147 返回搜狐,查看更多

责任编辑:

搜狐科技

责编内容by:搜狐科技阅读原文】。感谢您的支持!

您可能感兴趣的

聊聊爬虫那些事儿 首先跟大家解释下,为什么更新的是关于爬虫的内容而不是open.cv。因为小编想继承上一篇帖子(python数据可视化之WordCloud)的内容,上篇帖子只是简...
使用Pandas&NumPy进行数据清洗的6大常用方法... 作者:xiaoyu 微信公众号:Python数据科学 知乎: https://zhuanlan.zhihu.com/py... 数据科学家花了大...
完全零基础小白该如何学爬虫?大牛总结最适合零基础的爬虫教程!... 2. 开始直接上手 转机出现在看过一篇爬虫的技术文章后,清晰的思路和通俗易懂的语言让我觉得,这才是我想学的爬虫。于是决定先配一个环境,试试看爬...
爬取智联职位信息(第一版) 准备工作 确定目标 智联招聘 上海地区 运营相关职位信息 显示方式 列表 爬取 职位 公司 月薪 时间 显示方式 详细 爬取 岗位职责 分析...
Scraping with Beautiful Soup and Python KeyError&a... I am getting KeyError: 'href' . I gather this is because my attribute is not...