昨天還幻想海邊別墅的年輕人，今天可能開(kāi)始對(duì)房租絕望了。

8月初，有網(wǎng)友在“水木論壇”發(fā)帖控訴長(zhǎng)租公寓加價(jià)搶房引起關(guān)注。據(jù)說(shuō)，一名業(yè)主打算出租自己位于天通苑的三居室，預(yù)期租金7500元/月，結(jié)果被二方中介互相抬價(jià)，硬生生抬到了10800。

過(guò)去一個(gè)月，全國(guó)熱點(diǎn)城市的房租如脫韁野馬。一線的房租同比漲了近20%。一夜醒來(lái)，無(wú)產(chǎn)青年連一塊立錐之地都懸了。

從2018下半年開(kāi)始，租金海嘯洶洶來(lái)襲，資本狂歡，官方默然，房東糾結(jié)，租客尖叫。

這不是一方的過(guò)錯(cuò)，而更像是一場(chǎng)全社會(huì)的“集體謀殺作品”。最令人不安的是，過(guò)去房地產(chǎn)的那套玩法和上漲邏輯，今天正在轉(zhuǎn)移到房租上。

房租暴漲的不只是北京。有數(shù)據(jù)顯示，7月份北京、上海、廣州、深圳、天津、武漢、重慶、南京、杭州和成都十大城市租金環(huán)比均有所上漲。其中北京、上海、深圳的租金漲幅最猛，北京7月份房租同比上漲3.1%，有小區(qū)甚至漲幅超過(guò)30%。

圖自“21世紀(jì)經(jīng)濟(jì)報(bào)道”《最新房租數(shù)據(jù)出爐，你一個(gè)月要交多少錢？（附房租地圖）》一文

接下來(lái)，本文使用 Python 大法通過(guò)獲取某網(wǎng)數(shù)萬(wàn)條北京租房數(shù)據(jù)，給大家說(shuō)說(shuō)真實(shí)的房租情況。

通過(guò)常用的三部曲：數(shù)據(jù)獲取、數(shù)據(jù)清洗預(yù)覽、數(shù)據(jù)分析可視化，與你一起探究最近房租的狀況。

一、數(shù)據(jù)獲取

今天就把目前市場(chǎng)占有率最高的房屋中介公司為目標(biāo)，來(lái)獲取北京、上海兩大城市的租房信息。

（目標(biāo)鏈接：https://bj.lianjia.com/zufang/）

整體思路是：

• 先爬取每個(gè)區(qū)域的url和名稱，跟主url拼接成一個(gè)完整的url，循環(huán)url列表，依次爬取每個(gè)區(qū)域的租房信息。

• 在爬每個(gè)區(qū)域的租房信息時(shí)，找到最大的頁(yè)碼，遍歷頁(yè)碼，依次爬取每一頁(yè)的二手房信息。

post代碼之前簡(jiǎn)單講一下這里用到的幾個(gè)爬蟲(chóng)Python包：

• requests: 就是用來(lái)請(qǐng)求對(duì)鏈家網(wǎng)進(jìn)行訪問(wèn)的包

• lxml: 解析網(wǎng)頁(yè)，用xpath表達(dá)式與正則表達(dá)式一起來(lái)獲取網(wǎng)頁(yè)信息，相比bs4速度更快

詳細(xì)代碼如下：

import requests
import time
import re
from lxml import etree

# 獲取某市區(qū)域的所有鏈接
def get_areas(url):
    print('start grabing areas')
    headers = {
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
    resposne = requests.get(url, headers=headers)
    content = etree.HTML(resposne.text)
    areas = content.xpath("http://dd[@data-index = '0']//div[@class='option-list']/a/text()")
    areas_link = content.xpath("http://dd[@data-index = '0']//div[@class='option-list']/a/@href")
    for i in range(1,len(areas)):
        area = areas[i]
        area_link = areas_link[i]
        link = 'https://bj.lianjia.com' + area_link
        print("開(kāi)始抓取頁(yè)面")
        get_pages(area, link)

#通過(guò)獲取某一區(qū)域的頁(yè)數(shù)，來(lái)拼接某一頁(yè)的鏈接
def get_pages(area,area_link):
    headers = {
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
    resposne = requests.get(area_link, headers=headers)
    pages =  int(re.findall("page-data=\'{\"totalPage\":(\d+),\"curPage\"", resposne.text)[0])
    print("這個(gè)區(qū)域有" + str(pages) + "頁(yè)")
    for page in range(1,pages+1):
        url = 'https://bj.lianjia.com/zufang/dongcheng/pg' + str(page)
        print("開(kāi)始抓取" + str(page) +"的信息")
        get_house_info(area,url)

#獲取某一區(qū)域某一頁(yè)的詳細(xì)房租信息
def get_house_info(area, url):
    headers = {
        'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
    time.sleep(2)
    try:
        resposne = requests.get(url, headers=headers)
        content = etree.HTML(resposne.text)
        info=[]
        for i in range(30):
            title = content.xpath("http://div[@class='where']/a/span/text()")[i]
            room_type = content.xpath("http://div[@class='where']/span[1]/span/text()")[i]
            square = re.findall("(\d+)",content.xpath("http://div[@class='where']/span[2]/text()")[i])[0]
            position = content.xpath("http://div[@class='where']/span[3]/text()")[i].replace(" ", "")
            try:
                detail_place = re.findall("([\u4E00-\u9FA5]+)租房", content.xpath("http://div[@class='other']/div/a/text()")[i])[0]
            except Exception as e:
                detail_place = ""
            floor =re.findall("([\u4E00-\u9FA5]+)\(", content.xpath("http://div[@class='other']/div/text()[1]")[i])[0]
            total_floor = re.findall("(\d+)",content.xpath("http://div[@class='other']/div/text()[1]")[i])[0]
            try:
                house_year = re.findall("(\d+)",content.xpath("http://div[@class='other']/div/text()[2]")[i])[0]
            except Exception as e:
                house_year = ""
            price = content.xpath("http://div[@class='col-3']/div/span/text()")[i]
            with open('鏈家北京租房.txt','a',encoding='utf-8') as f:
                f.write(area + ',' + title + ',' + room_type + ',' + square + ',' +position+
','+ detail_place+','+floor+','+total_floor+','+price+','+house_year+'\n')

            print('writing work has done!continue the next page')

    except Exception as e:
        print( 'ooops! connecting error, retrying.....')
        time.sleep(20)
        return get_house_info(area, url)


def main():
    print('start!')
    url = 'https://bj.lianjia.com/zufang'
    get_areas(url)


if __name__ == '__main__':
    main()

二、數(shù)據(jù)清洗預(yù)覽

數(shù)據(jù)共14038條，10個(gè)維度，由上圖可看出北京房源均價(jià)為9590元/月，中位數(shù)為7000。一半的房源價(jià)格在7000以下，所有房源的價(jià)格區(qū)間為[1000,250000]，價(jià)格極差過(guò)大。

三、數(shù)據(jù)分析可視化

四維度-北京房租均價(jià)

接下來(lái)，將北京各區(qū)域、各路段、各樓盤(pán)房屋數(shù)量、均價(jià)分布放在同一張圖上，更直觀地來(lái)看待房租。

從圖中可看出，最近，北京市各區(qū)域的房租均在6000元/月以上，其中最高區(qū)域?yàn)闁|城，均價(jià)達(dá)12463元/月。不過(guò)，由于房源信息過(guò)多過(guò)雜，房屋位置、面積、樓層、朝向等對(duì)價(jià)格均有較大影響，因此，價(jià)格這個(gè)維度需要進(jìn)一步分析。

由上圖可得，各路段的均價(jià)基本都在6000以上，其中海淀北部新區(qū)的房源數(shù)最多，但均價(jià)最低，為3308元/月，這或許與海淀北部生態(tài)科技新區(qū)作為高新技術(shù)產(chǎn)業(yè)的承載區(qū)、原始創(chuàng)新策源地的研發(fā)基地，以及科技園集聚區(qū)，目前已入駐華為、聯(lián)想、百度、騰訊、IBM、Oracle等近2000家國(guó)內(nèi)外知名的科技創(chuàng)新型企業(yè)有關(guān)。另一方面，海淀紫竹橋的房?jī)r(jià)竟一起沖天，其附近以博物館、體育場(chǎng)館為特色，交通便利，配套設(shè)施完善，均價(jià)較高也是情理之中。

可以看出，不同樓盤(pán)的均價(jià)浮動(dòng)很大，但都在6000/月以上。最高的甚至達(dá)到17516/月。由于每個(gè)樓盤(pán)戶型差別較大，地理位置也較為分散，因此均價(jià)波動(dòng)很大。每個(gè)樓盤(pán)具體情況還需具體分析。
附詳情代碼：

#北京路段_房屋均價(jià)分布圖

detail_place = df.groupby(['detail_place'])
house_com = detail_place['price'].agg(['mean','count'])
house_com.reset_index(inplace=True)
detail_place_main = house_com.sort_values('count',ascending=False)[0:20]

attr = detail_place_main['detail_place']
v1 = detail_place_main['count']
v2 = detail_place_main['mean']

line = Line("北京主要路段房租均價(jià)")
line.add("路段",attr,v2,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
    mark_point=['min','max'],xaxis_interval=0,line_color='lightblue',
    line_width=4,mark_point_textcolor='black',mark_point_color='lightblue',
    is_splitline_show=False)

bar = Bar("北京主要路段房屋數(shù)量")
bar.add("路段",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
    xaxis_interval=0,is_splitline_show=False)

overlap = Overlap()
overlap.add(bar)
overlap.add(line,yaxis_index=1,is_add_yaxis=True)
overlap.render('北京路段_房屋均價(jià)分布圖.html')

由上圖可以看出，均價(jià)在 8000-10000 之間的房屋數(shù)量最多，同時(shí) 1500-2000 這個(gè)價(jià)位之間房屋數(shù)少的可憐。

據(jù)北京市統(tǒng)計(jì)局的數(shù)據(jù)，2017 年全市居民月人均可支配收入為 4769 元。另?yè)?jù) 58 同城和趕集網(wǎng)發(fā)布的報(bào)告，2017 年北京人均月租金為 2795 元。

北京租房者的房租收入比，驚人地接近 60%。很多人一半的收入，都花在了租房上，人生就這樣被鎖定在貧困線上。

統(tǒng)計(jì)數(shù)據(jù)也表明，北京租房人群收入整體偏低。47% 的租房人，年薪在 10 萬(wàn)以下。

在北京，能夠負(fù)擔(dān)得起每月 5000 元左右房租的群體，就算得上是中高收入人群。

就這樣，第一批 90 后扛過(guò)了離婚、禿頭、出家和生育，終于還是倒在了房租面前。

附詳情代碼：
#房源價(jià)格區(qū)間分布圖
price_info = df[['area', 'price']]

#對(duì)價(jià)格分區(qū)
bins = [0,1000,1500,2000,2500,3000,4000,5000,6000,8000,10000]
level = ['0-1000','1000-1500', '1500-2000', '2000-3000', '3000-4000', '4000-5000', '5000-6000', '6000-8000', '8000-1000','10000以上']
price_stage = pd.cut(price_info['price'], bins = bins,labels = level).value_counts().sort_index()

attr = price_stage.index
v1 = price_stage.values

bar = Bar("價(jià)格區(qū)間&房源數(shù)量分布")
bar.add("",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
    xaxis_interval=0,is_splitline_show=False)

overlap = Overlap()
overlap.add(bar)
overlap.render('價(jià)格區(qū)間&房源數(shù)量分布.html')

面積&租金分布呈階梯性

上圖可以看出，80%的房源面積集中在0-90平方米之間，也符合租客單租與合租情況，大面積的房屋很少。

面積&租金分布呈階梯性，比較符合常理。租房主力軍就是上班族了，一般對(duì)房子面積要求較低，基本集中在30平。

附詳情代碼：

#房屋面積分布
bins =[0,30,60,90,120,150,200,300,400,700]
level = ['0-30', '30-60', '60-90', '90-120', '120-150', '150-200', '200-300','300-400','400+']
df['square_level'] = pd.cut(df['square'],bins = bins,labels = level)

df_digit= df[['area', 'room_type', 'square', 'position', 'total_floor', 'floor', 'house_year', 'price', 'square_level']]
s = df_digit['square_level'].value_counts()

attr = s.index
v1 = s.values

pie = Pie("房屋面積分布",title_pos='center')

pie.add(
    "",
    attr,
    v1,
    radius=[40, 75],
    label_text_color=None,
    is_label_show=True,
    legend_orient="vertical",
    legend_pos="left",
)

overlap = Overlap()
overlap.add(pie)
overlap.render('房屋面積分布.html')

#房屋面積&價(jià)位分布
bins =[0,30,60,90,120,150,200,300,400,700]
level = ['0-30', '30-60', '60-90', '90-120', '120-150', '150-200', '200-300','300-400','400+']
df['square_level'] = pd.cut(df['square'],bins = bins,labels = level)

df_digit= df[['area', 'room_type', 'square', 'position', 'total_floor', 'floor', 'house_year', 'price', 'square_level']]

square = df_digit[['square_level','price']]
prices = square.groupby('square_level').mean().reset_index()
amount = square.groupby('square_level').count().reset_index()

attr = prices['square_level']
v1 = prices['price']

pie = Bar("房屋面積&價(jià)位分布布")
pie.add("", attr, v1, is_label_show=True)
pie.render()
bar = Bar("房屋面積&價(jià)位分布")
bar.add("",attr,v1,is_stack=True,xaxis_rotate=30,yaxix_min=4.2,
    xaxis_interval=0,is_splitline_show=False)

overlap = Overlap()
overlap.add(bar)
overlap.render('房屋面積&價(jià)位分布.html')

大多數(shù)房屋年齡在10年以上

由上圖看出，房屋年齡大多集中在10-20年、25年以上，而5年以下的不到2%；不過(guò)，別看這些都是老房子，最近房租變得這么猖狂？原因其中之一就是資本圈地。

這條網(wǎng)貼立馬點(diǎn)燃了大眾的情緒：“好啊，原來(lái)是這些長(zhǎng)租平臺(tái)燒錢圈地，一心只想要壟斷市場(chǎng)房源，哄抬租金，企圖賺取暴利差價(jià)！”

四、后記

拿自如舉例，表面上看跟中介公司沒(méi)啥兩樣，收了各種散盤(pán)，然后集中裝修、出租、管理，因?yàn)檫\(yùn)營(yíng)成本和住房質(zhì)量提高，房租肯定有所上漲。

但更關(guān)鍵的事情在背后。自如把項(xiàng)目打包起來(lái)搞起了資產(chǎn)證券化，以租金收益權(quán)為基礎(chǔ)資產(chǎn)做擔(dān)保，投放到金融市場(chǎng)上發(fā)行國(guó)內(nèi)首單租房市場(chǎng)消費(fèi)分期類ABS，讓各路資金來(lái)認(rèn)購(gòu)，每年給大家搞點(diǎn)分紅。

大量資本都在賭租房這個(gè)風(fēng)口，而前期誰(shuí)的規(guī)模越大、資源越多，以后的定價(jià)權(quán)就越大，利潤(rùn)空間就越不可想象。

這次一共從鏈家網(wǎng)上爬取 14038 條數(shù)據(jù)，而那就是大概一周前，8 月 17 日北京住建委約談了幾家中介公司。

最終的結(jié)果是自如、相寓和蛋殼承諾將拿出 12 萬(wàn)間房子投入市場(chǎng)其中，自如將拿出 8 萬(wàn)間（鏈家、自如、貝殼找房，他們的實(shí)際控制人是同一個(gè)人--鏈家老板左暉）。

也就是說(shuō)，平常的時(shí)候，鏈家網(wǎng)+自如一共在網(wǎng)上待租的也就是 1 萬(wàn)多套房子，但是一被約談他們就一口氣拿出了 8 萬(wàn)套房子增援？？怎么增？繼續(xù)收房，讓房源更加供不應(yīng)求？

昨天買不起房，今天租不起房，如果連這樣的生活也要因?yàn)槭袌?chǎng)的不規(guī)范而被逼迫、被奪走，真的會(huì)讓人對(duì)一個(gè)城市失去希望。