房屋價(jià)格數(shù)據(jù)采集與分析

隨著互聯(lián)網(wǎng)的發(fā)展，可供分析的信息越來越多，利用互聯(lián)網(wǎng)上的信息來對(duì)生活中的問題做一些簡(jiǎn)單的研究分析，變得越來越便利了。本文就從數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)分析與可視化三部分來看看新的一年里房市的一些問題。

數(shù)據(jù)采集：

數(shù)據(jù)采集即從網(wǎng)頁上采集我們需要的指定信息，一般使用爬蟲實(shí)現(xiàn)。當(dāng)前開源的爬蟲非常多，處于簡(jiǎn)便及學(xué)習(xí)的目的，在此使用python的urllib2庫模擬http訪問網(wǎng)頁，并BeautifulSoup解析網(wǎng)頁獲取指定的字段信息。本人獲取的鏈家網(wǎng)上的新房和二手房數(shù)據(jù)，先來看看原始網(wǎng)頁的結(jié)構(gòu)：

首先是URL，不管是新房還是二手房，鏈家網(wǎng)的房產(chǎn)數(shù)據(jù)都是以列表的方式存在，比較容易獲取，如下圖：

其中包含的信息有樓盤名稱、地址、價(jià)格等信息，回到原始網(wǎng)頁，看看在html中，這些信息都在什么地方，如下圖：

值得注意的是，原始的html為了節(jié)省傳輸帶寬一般是經(jīng)過壓縮的，不太方便分析，可以借助一些html格式化工具進(jìn)行處理再分析。知道這些信息后，就可以模擬http請(qǐng)求來拉取html網(wǎng)頁并使用BeautifulSoup提取指定的字段了。

fw = open("./chengdu.txt","a+")  
    index = [i+1 for i in range(32)]  
    for pa in index:    
        try:  
            if pa==1:  
                url = "http://cd.fang.lianjia.com/loupan/"  
            else:  
                url = "http://cd.fang.lianjia.com/loupan/pg%d/"%(pa)  
            print "request:"+url  
            req = urllib2.Request( url )  
            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")  
            req.add_header("Accept","*/*")  
            req.add_header("Accept-Language","zh-CN,zh;q=0.8")  
              
            data = urllib2.urlopen( req )  
            res = data.read()  
            #print res  
            #res = res.replace(" ","")  
            #print res  
            #objects = demjson.decode(res)  
              
            soup = BeautifulSoup(res)  
            houseLst = soup.findAll(id='house-lst')  
            resp = soup.findAll('div', attrs = {'class': 'info-panel'})  
              
            for i in range(len(resp)):  
                name =  resp[i].findAll('a', attrs = {'target': '_blank'})[0].text   
                  
                privice = resp[i].findAll('span', attrs = {'class': 'num'})  
                privice =  privice[0].text  
                   
                region = resp[i].findAll('span', attrs = {'class': 'region'})  
                address =  region[0].text.split('（')[0]  
                ##解析獲得經(jīng)緯度  
                location,city,district = getGdLocation(name)  
                if not location:  
                    location = getBdLocation(address)#自定義函數(shù)  
                if not location:  
                    continue  
                formatStr = "%s,%s,%s,%s,%s\n"%(city,district,name,location,privice)  
                print formatStr  
                fw.write(formatStr)  
        except:  
            pass  
    fw.close()  
數(shù)據(jù)清洗：

數(shù)據(jù)清洗，顧名思義就是將不合規(guī)的數(shù)據(jù)清理掉，留下可供我們能夠正確分析的數(shù)據(jù)，至于哪些數(shù)據(jù)需要清理掉，則和我們最終的分析目標(biāo)有一定的關(guān)系，可謂仁者見仁智者見智了。在這里，由于是基于地理位置做的一個(gè)統(tǒng)計(jì)分析，顯然爬取的地理位置必須是準(zhǔn)確的才行。但由于售房者填寫的地址和樓盤名稱可能有誤，如何將這些有誤的識(shí)別出來成為這里數(shù)據(jù)清洗成敗的關(guān)鍵。我們清洗錯(cuò)誤地理位置的邏輯是：使用高德地圖的地理位置逆編碼接口(地理位置逆編碼即將地理名稱解析成經(jīng)緯度)獲得樓盤名稱和樓盤地址。對(duì)應(yīng)的經(jīng)緯度，計(jì)算二者對(duì)應(yīng)的經(jīng)緯度之間的距離，如果距離值超過一定的閥值，則認(rèn)為地址標(biāo)注有誤或者地址標(biāo)注不明確。經(jīng)過清洗后，獲取到的成都地區(qū)的在售樓盤及房屋數(shù)量總計(jì)在3000套的樣子。

經(jīng)過清洗后的數(shù)據(jù)格式為：

包括市、區(qū)、樓盤/房屋名稱、經(jīng)緯度、價(jià)格四個(gè)維度。

數(shù)據(jù)分析與可視化：

首先是新推樓盤掛牌價(jià)格與銷售價(jià)格

市中心依然遵循了寸獨(dú)存金的原則，銷售價(jià)格遠(yuǎn)遠(yuǎn)高于郊縣，一方面原因是位置地段、配套的獨(dú)特性，一方面也是由于可供銷售的土地面積、樓盤數(shù)量極為有限。

二手房銷售價(jià)格和掛牌數(shù)量

二手房交易重要集中在市區(qū)及一些經(jīng)濟(jì)比較發(fā)達(dá)的郊縣，不同區(qū)縣的價(jià)格分化并不大，可能原因是老城區(qū)銷售的二手房存在一部分老房子、同時(shí)二手房的價(jià)格賣家寫的比較隨意。

二手房數(shù)據(jù)的箱型圖

這個(gè)就更為明顯的印證了上面的結(jié)論，主城區(qū)的二手房存在一部分價(jià)格遠(yuǎn)低于市場(chǎng)均價(jià)的(即老房子)，也有一部分價(jià)格昂貴的(新房、豪宅)出售，郊縣的價(jià)格均方差則會(huì)低很多。

房屋銷售熱度的空間可視化

房屋銷售熱度以該區(qū)域的房屋銷售數(shù)量和房屋銷售價(jià)格綜合來衡量，計(jì)算方式以該區(qū)域銷售的房屋數(shù)量及銷售價(jià)格進(jìn)行加權(quán)。

新房銷售熱度

二手房銷售熱度

主城區(qū)沒什么好說的了，人口密度大、買房售房的都多。在南邊有一塊遠(yuǎn)離市區(qū)的地方、新房和二手房的交易熱度都很高，即成都市天府新區(qū)，目前配套和各項(xiàng)設(shè)施都不太完善，去這里花高價(jià)買房安家的老百姓想必不會(huì)太多，猜測(cè)是去年炒房熱過年，這些人現(xiàn)在開始出售房屋了。