
作者 | AlfredWu
來源 | Alfred數(shù)據(jù)室
又是一年畢業(yè)季,到了夏招面試上崗工作、租房選地乃至更換城市的時候了。這對于“回望樓價又一年”的小伙伴們來說,也意味著又到了搬家換房子的時候了。北上廣深四個一線城市,哪個城市的租房更加友好呢?城市各區(qū)域的租金是怎么分布的?離地鐵口遠(yuǎn)近、房子大小、是否公寓房、精裝簡裝、集中供暖等,租房時應(yīng)該優(yōu)先考慮哪些因素呢?一堆問題困擾著我們。
我們獲取了某租房網(wǎng)站北上廣深四個城市的所有租房數(shù)據(jù)(時間節(jié)點(diǎn):2019年3月25日),數(shù)據(jù)共有105258條。老規(guī)矩,分析走起。
租房分布,也就是租房房源都在城市的哪個區(qū)域更多。
我們把北上廣深四個城市的房源都以小點(diǎn)的形式投射在地圖上,先來看看北京的。
北京的租房房源有18012條,可以看到除了周邊的昌平、順義、通州、大興、房山、門頭溝等區(qū)中心有集中房源外,北京的房子主要集中在二環(huán)外四環(huán)內(nèi),當(dāng)然這片區(qū)域也是最貴的。其中朝陽區(qū)的房源最多,占了整個北京房源的1/3,要不咋說朝陽群眾666呢。海淀、豐臺次之。
上海也一樣,除了周邊的寶山、嘉定、青浦、松江、奉賢等區(qū)中心有房源外,房源主要集中在中心城區(qū)+浦東(地鐵網(wǎng)范圍內(nèi))。總共27311條房源,浦東就有7000多條,比例超過1/4。
(注:由于廣州各區(qū)的商圈有交叉,所以廣州各區(qū)的房源數(shù)量稍有偏差)
廣州房源在四個城市中是最多的,共有39457條,主要集中在白云、天河、越秀、荔灣,以及海珠和番禺。其中白云、天河和番禺房源都超過6000條,選擇豐富,不過看圖也知道,3號線通勤壓力巨大。
深圳的房源共有20054條,更集中在各區(qū),除了四個新區(qū)零星分布的房源外,主要還是分布在寶安、南山(科技園)、福田、羅湖、龍崗區(qū)中心,以及坂田、布吉、3號線沿線,11號線沿線(是市中心的租金太貴了吧?)
租房房源分布透露出來的信息其實(shí)不多,我們更關(guān)心的是各區(qū)域的價格。為此我們計算了各房源每平米每月的租金,并繪制了熱力地圖,先來看北京的。
可以看到北京市每平米租金大于100元的房子集中在四環(huán)以內(nèi)以及四環(huán)東北邊。租金最貴的房子集中在西城區(qū)(金融街)、東城區(qū)(王府井)、朝陽區(qū)(朝陽公園)、海淀區(qū)(北大)。想要花2000塊錢租一間20平的房子,要么去五環(huán)外,要么去西南邊上。
按商圈來看,每平米平均租金前50的商圈中,北京就占了27個,上海和深圳分別是11和10個,廣州最少,只有2個。
北京每平米平均租金前10的商圈,租金在每平米200元左右徘徊。最貴的商圈東單,每平米要239元,也就意味著,在東單租一個30平的房子,一個月需要7170塊錢,租一個80平的房子,一個月需要19120元。
可見上海每平米租金大于100元的房源主要集中在靜安、黃浦、長寧、徐匯和浦東。中心市區(qū)幾乎沒有每平米租金低于100元的。出了市區(qū),房價低于100元可選擇的區(qū)域還是比較多的。
上海每平米平均租金前10的商圈較北京要好一些,租金在170元左右徘徊。其中租金最高的商圈新天地,每平米租金為213元。
相較北京和上海,廣州每平米月租金明顯以100元以下的房源占主導(dǎo)。100元以上的比較零星,主要分布在體育中心、跑馬場、以及崗頂站周圍,荔灣、越秀中心也有一些。看來廣州還是一個租房比較友好的城市啊。
另外可以看到位于南邊的番禺區(qū),房源多,而且基本每平米租金都在50元以內(nèi),2000元內(nèi)能租一個40平的房子,番禺廣場坐地鐵到體育西只需半個小時,票價7元(6折4.2元),這也不失為一個選擇,只是坐3號線可能被擠扁。
廣州前10的商圈每平米月租金相較北京上海也是整體便宜。最貴的是越秀的二沙島181元,以及解放北和人民北,再者是天河的珠江新城。
深圳每平米租金大于100元的房源主要集中在南山區(qū)(深大、深圳灣、科技園)、福田區(qū)(特別是梅林和香蜜湖)、以及羅湖區(qū)。寶安、龍華、布吉主要以每平米租金50-100元為主,11號線碧頭端以及龍崗區(qū)主要以每平米租金50元以內(nèi)為主(是不是有很多小伙伴愿意租在這里,搭地鐵去市區(qū)上班的?)。
再看前10的商圈,果然深圳灣以每平米租金194元領(lǐng)先,然后是福田中心和香蜜湖。
租房,其中一個終點(diǎn)考慮的因素就是距離地鐵的遠(yuǎn)近。我們把個城市房源距離最近地鐵站的距離跟每平米租金進(jìn)行了回歸分析,并且計算了相關(guān)系數(shù)。
可以看到,最近地鐵距離和每平米租金之間當(dāng)然是有相關(guān)性的,距離地鐵越近,租金越貴。北上廣深的相關(guān)系數(shù)分別是-0.13,-0.17,-0.12,-0.13,可見,上海地鐵站的距離對租金的影響最大,廣州最小。
我們還計算了各城市地鐵距離每100米的租金均價。
可見,北京市只要地鐵在900以內(nèi),每平米租金變化不大。900米和1000米租金差距為12.5元,也就是說,租一個20平的房子,距離地鐵站900米和1000米的租金差距是250元。
上海市只要地鐵在700以內(nèi),每平米租金變化不大,700以上租金開始明顯下降。
廣州市每平米租金明顯比其它城市低。同樣,只要地鐵在900以內(nèi),租金變化不大。900米和1000米租金差距為12元。
深圳市只要地鐵在400以內(nèi),租金變化不大。400米和500米租金差距為17.6元。也就是說,租一個20平的房子,距離地鐵站400米和500米的租金差距是352元。
先來看這么一張圖:
我們把各城市房源的面積和每平米均價繪制出關(guān)系圖??梢钥吹剑?/span>不管是哪個城市,出租面積在15平米以內(nèi)的房子每平米租金都是最貴的,當(dāng)然這里不排除租金貴的區(qū)域有更多單獨(dú)出租的小房間這個原因。但是還是可以看出來,如果有認(rèn)識的好友一起租大房子,不僅每平米的租金更便宜,而且還可以有一個大點(diǎn)的公用客廳。
現(xiàn)在公寓房越來越多,我們在面臨選擇的時候,都會想是租個人房源好還是公寓好呢?個人房源質(zhì)量參差不齊,遇上好的真不容易。而公寓統(tǒng)一裝修,風(fēng)格現(xiàn)代,但是卻有各種各樣的問題(甲醛、隔音、亂收費(fèi)等)。
這里給大家提供另一維度的思考:價格。
(注:由于該租房網(wǎng)站網(wǎng)上對北京、上海的公寓標(biāo)注很少,只占總房源數(shù)量的2%和4%,所以只展示廣州和深圳的數(shù)據(jù))
廣州和深圳公寓數(shù)量占總房源數(shù)量的20%和51%(深圳怎么那么多公寓?)??梢姀V州和深圳公寓都要比個人房源貴一些,廣州平均每平米貴12元,深圳貴2元。
這看起來也貴不了多少啊。真的是這樣嗎?
精裝簡裝又是一個問題。所謂精裝,以我們租房子的經(jīng)驗(yàn),就是重新刷過墻,簡裝呢,就是看起來破破舊舊的房子。
可以看到,北上廣深精裝的房子比簡裝的房子平均每平米租金要分別貴:28、16、35、46元。深圳的精簡裝差別最大。也就是說,在深圳租一個20平精裝的房子要比簡裝的貴上920元!
那么精裝的公寓跟精裝的個人房源有沒有差別呢?
可以看到,在廣州和深圳,精裝公寓都是要比個人房源貴上很多的。廣州個人房源精裝和簡裝租金幾乎無差別,但精裝公寓比精裝個人房源每平米租金要貴上77元(一倍不止)!深圳要貴46元。也就是說,在廣州租一個20平的房子,精裝公寓要比個人房源貴上1540元!
租房子的伙伴們心頭都有一個痛,就是每個月都要準(zhǔn)時為別人還房貸。那按照各城市每平米平均租金,租多久所付的租金可以在該城市買下一套房呢?
可見,按照北上廣深當(dāng)前的房價,50年左右的租金可以在城市買下一套房。其中深圳最低,只需要48年(也就意味著深圳的小伙伴們心頭最痛)。
除掉首付,租金和月供其實(shí)差不多。是咬咬牙湊首付供房,還是繼續(xù)租房,見仁見智吧。
我們統(tǒng)計了北上廣深各城市房源最多的3種戶型。
可見,北上廣都偏愛2室1廳1衛(wèi)的房子,而深圳卻是1室0廳1衛(wèi)的房子最多,看來,在深圳奮斗的人,能住帶廳的房子已經(jīng)不容易了。不過四個城市都是小戶型出租的居多。
最后,我們對每個房源的標(biāo)簽進(jìn)行了統(tǒng)計,并且繪制了詞云圖,可以看出各城市租房時思考的側(cè)重點(diǎn)。
可見:
1. 在北京集中供暖可是大事,數(shù)據(jù)表明,北京集中供暖的房子比其它房子每平米租金要貴上8.5元;
2. 北上廣深都很看重地鐵;
3. 上海租房流行雙衛(wèi)生間,廣州流行獨(dú)棟公寓;
4. 廣州和深圳對租客性別有限制。
最后,希望大家都租到滿意的房子吧。也希望最近的兩會代表可不可以關(guān)注一下租房市場以及咱們這些苦逼的租客,比心!
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
SQL Server 中 CONVERT 函數(shù)的日期轉(zhuǎn)換:從基礎(chǔ)用法到實(shí)戰(zhàn)優(yōu)化 在 SQL Server 的數(shù)據(jù)處理中,日期格式轉(zhuǎn)換是高頻需求 —— 無論 ...
2025-09-18MySQL 大表拆分與關(guān)聯(lián)查詢效率:打破 “拆分必慢” 的認(rèn)知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結(jié)構(gòu)數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結(jié)構(gòu)數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預(yù)期算子的內(nèi)涵、作用與應(yīng)用解析 動態(tài)隨機(jī)一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結(jié)構(gòu)數(shù)據(jù)特征價值的專業(yè)核心 表結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結(jié)構(gòu)化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導(dǎo)入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實(shí)戰(zhàn)應(yīng)用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗(yàn)與 t 檢驗(yàn):差異、適用場景與實(shí)踐應(yīng)用 在數(shù)據(jù)分析與統(tǒng)計學(xué)領(lǐng)域,假設(shè)檢驗(yàn)是驗(yàn)證研究假設(shè)、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結(jié)構(gòu)數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結(jié)構(gòu)數(shù)據(jù)(以 “行 - 列” 存儲的結(jié)構(gòu)化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數(shù)量的準(zhǔn)確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調(diào)優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實(shí)踐指南 在 Python 進(jìn)行 HTTP 網(wǎng)絡(luò)請求開發(fā)時(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結(jié)構(gòu)數(shù)據(jù)價值的核心操盤手 表格結(jié)構(gòu)數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎(chǔ)、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調(diào)用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點(diǎn)數(shù)據(jù)的科學(xué)計數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點(diǎn)數(shù)據(jù)時的科學(xué)計數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務(wù)數(shù)據(jù)分析步驟的落地者與價值優(yōu)化者 業(yè)務(wù)數(shù)據(jù)分析是企業(yè)解決日常運(yùn)營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗(yàn)證業(yè)務(wù)邏輯:從規(guī)則拆解到數(shù)據(jù)把關(guān)的實(shí)戰(zhàn)指南 在業(yè)務(wù)系統(tǒng)落地過程中,“業(yè)務(wù)邏輯” 是連接 “需求設(shè)計” 與 “用戶體驗(yàn) ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅(qū)動下的精準(zhǔn)零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當(dāng)下,精準(zhǔn)營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務(wù)數(shù)據(jù)分析:概念辨析與協(xié)同價值 在數(shù)據(jù)驅(qū)動決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務(wù)數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實(shí)踐到業(yè)務(wù)價值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價值導(dǎo)向 統(tǒng)計模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10