北上广深租房信息分析

分析目的

根据链家网北上广深四个城市的所有租房数据（时间节点：2019年2月25日），数据共有105258条。
分析不同地区，租房的高低主要与哪些因素有关
不同的因素导致的房价差异大概是多少

数据读取

# 导入模块
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn import metrics
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False

df=pd.read_csv(r'D:\BI study download\北上广深租房\data_sample.csv')
df.head()

空值查询

df.isnull().sum()

这些空值对数据影响不大，因此不用处理

数据清洗

# 删除不需要的列
df= df.drop(columns='_id')
df = df.drop(columns='rent_price_unit')

# rent_area字段有些填写的是一个范围，比如23-25平房米，后期转换成“float”类型的时候不好转换，考虑取平均值
def get_aver(data):if isinstance(data, str) and '-' in data:low, high = data.split('-')return (int(low)+int(high))/2else:return int(data)
df['rent_area'] = df['rent_area'].apply(get_aver)

# 价格是有区间的，需要按照处理rent_area一样的方法处理
df['rent_price_listing'] = df['rent_price_listing'].apply(get_aver)

df.info()

价格描述

df.rent_price_listing.hist(bins=50)

大部分价格处于300-15000之间，因此删除价格大于15000的数据，使其接近正态分布。

df=df[df['rent_price_listing']<=15000]

数据分析与可视化

各城市房源数量分布

def get_city_zf_loc(city, city_short, col=['longitude', 'latitude', 'dist'], data=df):file_name = 'data_' + city_short + '_latlon.csv'data_latlon = data.loc[data['city']==city, col].dropna(subset=['latitude', 'longitude'])data_latlon['longitude'] = data_latlon['longitude'].astype(str)data_latlon['latitude'] = data_latlon['latitude'].astype(str)data_latlon['latlon'] = data_latlon['longitude'].str.cat(data_latlon['latitude'], sep=',')data_latlon.to_csv(file_name, index=False)print(city+'的数据一共有{}条'.format(data_latlon.shape[0]))get_city_zf_loc('北京', 'bj', ['longitude','latitude', 'dist'])
get_city_zf_loc('上海', 'sh', ['longitude','latitude', 'dist'])
get_city_zf_loc('广州', 'gz', ['longitude','latitude', 'dist'])
get_city_zf_loc('深圳', 'sz', ['longitude','latitude', 'dist'])

北京的数据一共有2652条
上海的数据一共有2559条
广州的数据一共有2945条
深圳的数据一共有2764条

#北京房源数量
fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='北京']['dist'].value_counts(ascending=True).plot.barh()

#上海房源分布
fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='上海']['dist'].value_counts(ascending=True).plot.barh()

fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='广州']['dist'].value_counts(ascending=True).plot.barh()

fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='深圳']['dist'].value_counts(ascending=True).plot.barh()

总结：
北京的房源大部分都在朝阳区，其他区的房源数量不到朝阳区的一般
上海的房源大部分在浦东，和北京分布类似
广州和深圳的房源分布比价均衡，各区之间差异不太大

各城市房价分布

rent_city=df.groupby(['city']).rent_price_listing.mean().sort_values()
rent_city.plot.barh(figsize=[6,7], color=['#2f83e4','#00e5c1','#23cbff'],)
plt.title('各城市的平均房价对比')

fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='北京'].groupby(['dist'])['rent_price_listing'].mean().sort_values(ascending=True).plot.barh()

fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='上海'].groupby(['dist'])['rent_price_listing'].mean().sort_values(ascending=True).plot.barh()

fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='广州'].groupby(['dist'])['rent_price_listing'].mean().sort_values(ascending=True).plot.barh()

fig = plt.figure(dpi=300)
df.dropna(subset=['latitude', 'longitude'])[df['city']=='深圳'].groupby(['dist'])['rent_price_listing'].mean().sort_values(ascending=True).plot.barh()

总结：
从城市总体来看，房租数量高低分别是北京、上海、深圳、广州
北京房租最高的四个区是海淀、东城、朝阳、西城，达到了8000元
上海市房租最高的区是静安、黄埔、长宁，达到了9000，其中静安最高达到了10000
广州的房价普遍不高，最高的越秀区刚过5000
深圳的南山、罗湖和福田房租最高，在6000元左右
可以看出房租和城市以及区位置的关系非常密切

面积对房租的影响

#对房间面积进行分组
def area_func(x):if 0<=x<20:return('0~20')elif 20<=x<50:return('20~50')elif 50<=x<75:return('50~75')elif 75<=x<100:return('75~100')elif 100<=x<200:return('100~200')elif 20<=x:return('200~')

rent_gp_ra = df[df['city']=='北京'].groupby('rent_area').rent_price_listing.mean()
rent_gp_ra = rent_gp_ra.reset_index()
rent_gp_ra['rent_area']=rent_gp_ra.rent_area.apply(area_func)
rent_gp_ra_2 = rent_gp_ra.groupby('rent_area').rent_price_listing.mean()
rent_gp_ra_2 = rent_gp_ra_2.sort_values()

rent_gp_ra_2.plot.barh(figsize=[6,7], color=['#2f83e4','#00e5c1','#23cbff'],)
plt.title('北京不同房间面积的房租均价')
for x,y in enumerate(rent_gp_ra_2):plt.text(y,x,'%s' %round(y,1),ha='center')

其他区的代码同上

随着面积的不断增大，价格也逐渐增高。
200平以上，价格高低依次是：北京、深圳、广州、上海
100-200平，价格高低依次是：北京、上海、深圳、广州
75-100平，价格高低依次是：深圳、北京、上海、广州
50-175平，价格高低依次是：北京、深圳、上海、广州
20-50平，价格高低依次是：北京、上海、深圳、广州
0-20平，价格高低依次是：上海、北京、深圳、广州
上海的小面积房屋要普遍更贵，广州的价格比较低，性价比更高些，毕业生的压力会更小些。

房屋类型对价格的影响

rent_la = df[df['city']=='北京'].groupby('layout').rent_price_listing.mean().sort_values().head(10)
rent_la.plot.barh(figsize=[6,2.5], color=['#2f83e4','#00e5c1'],)
plt.title('不同房间类型的房租')

除了上海，其他三个地区房价最低的房型都属于合租房，且价格均在2000以下
上海基本都是整租，因此房价比较高。

地铁对房价的影响

from scipy import stats
def distance_price_relation(city, data=df):g = sns.jointplot(x="distance", y="rent_price_listing", data=df[(df['city']==city)&(df['rent_price_listing'])].dropna(subset=['distance']), kind="reg",stat_func=stats.pearsonr)g.fig.set_dpi(100)g.ax_joint.set_xlabel('最近地铁距离', fontweight='bold')g.ax_joint.set_ylabel('租金', fontweight='bold')return g

distance_price_relation('北京')

distance_price_relation('上海')

distance_price_relation('广州')

distance_price_relation('深圳')

普遍来说离地铁越远价格越低，但差别并不明显，因此推荐离地铁近的房子。

总结

在所有影响房屋的价格因素中，位置和面积对房租的影响最大。
除了合租外，其他的房型对价格的影响也不大
地铁的距离对房租的影响很小，因此有条件的话建议选择离地铁近的房子。