为了账号安全,请及时绑定邮箱和手机立即绑定

您的选房系统已上线——利用python和R如何进行房价预测

2019.01.23 11:33 855浏览

本文约1500字,阅读需要5分钟。讲述了如何使用python进行房价信息获取,如何利用R构建回归模型以达到预测上海某个地区房价的目的。
关键词:买房 Python 选房 R 定价
本文讲述了借助Python,Gis和R语言制作房源定价系统的方法,对原理、过程都有详细的讲述
获取本文所有代码和数据,请关注公号“数据团学社”,并在后台回复【22】

为了能在当今竞争激烈的社会活下去,我一直在孜孜不倦地开发自己的潜能,寻找更多的副职业增加收入,从而在双十一后的双十二可以继续剁手。

这不,成为业余房地产咨询师的第一天,客户戳我了:我要在上海16个区买16套房子,资金到位,您给估个价吧。

对于这类在在如此严峻的房地产政策之下,还想拥有两位数以上房产的“忽悠”高手,我一向给予至尊VIP的待遇。

决定一套房子价格的因素主要是三个方面,房屋本身的属性,房屋的空间位置和周边的其他因素。这篇文章会讲述考虑这些因素的分析——建模——检验的过程。

1、 数据集的准备

这里分为两步:

##第一步,抓取所有URL:

if__name__=='__main__':

url_list = create_url(220,2)#填写区间最大面积和公差,保证按大于最大面积搜索,房源数小于等于3000

data_list = []

#data_list = craw_second_url(url_list)

craw_second_url(url_list)

data =  pd.DataFrame(pd.Series(data_list),columns=['url'])

data.to_csv('./urls.csv',encoding='gbk',index=0)

print('finish')

##第二步,爬取房源信息:

defread_url(path):

path = path

data = pd.read_csv(path,engine='python')

try:

data_received = pd.read_csv('./house_inf_lianjia.csv',engine='python')

print('导入爬取数据')

data_received_list = data_received['url'].tolist()

print('转换表格')

url_list = data[~data['url'].isin(data_received_list)]['url'].unique().tolist()

print('剔除已爬取数据')

print(len(url_list))

except:

url_list = data['url'].unique().tolist()

data = pd.DataFrame(

columns=['house_id','name','price','area_price','area','room','livingroom','kitchenroom',

'bathroom','lng','lat','url'])

data.to_csv('./house_inf_lianjia.csv', encoding='gbk', index=0)

print('无历史数据')

returnurl_list

我还顺手做了一个断点续传功能,每次开始爬虫前会匹配URL列表,保证爬取过的不再爬取,方便更新和分时段爬取。详细代码请见文末,我爬取了1W+的数据作为样本:

文末分享本数据获取方法

另外,我准备了另一份数据:美团美食频道1W+的餐饮POI. 同样使用爬虫获取。

文末分享本数据获取方法

#2、建模准备

这一部分我们会将房源数据和POI数据等信息整合在一起用于建模,可以用ArcGis完成。红色的为餐饮POI,绿色的为房源数据(有时间的朋友可以爬取全量数据)。如果你不知道ArcGIS是什么,你可以理解为一个处理地理数据的软件,一般来说熟悉python库的人也可以使用geopandas进行处理,但前提是要求你对地理数据有一定的理解。这里我推荐下我以前讲过的“大鹏教你玩数据”帮助你了解数据类型,点击进入第一章“arcgis深入解读”

文末分享本数据获取方法

先对房源做缓冲区,缓冲区半径为1KM,计算出落点在这个范围内的POI数据。

文末分享本数据获取方法

结果如图:

文末分享本数据获取方法

然后使用缓冲区与餐饮POI进行空间关联,这样就可以统计出一个房源1KM半径范围内餐饮POI的数量,价格,评论数等等信息,以便接下来建模使用。

文末分享本数据获取方法

另外,常识告诉我们,一般离市中心越近,房价越高,随意我们再增加一个距离属性。先添个底图:

文末分享本数据获取方法

**然后创建一个上海中心点点数据。**上海的中心点,在人民广场附近,方便起见,就在地图上点一个吧!

文末分享本数据获取方法

把图层转换成投影坐标系,便于计算距离:

文末分享本数据获取方法

给中心点数据和缓冲区数据添加两个字段,存放投影经纬度

文末分享本数据获取方法

然后使用计算几何,获取投影经纬度,单位选择米

文末分享本数据获取方法

结果如图(部分):

文末分享本数据获取方法

接下来计算距离,可以在GIS内直接操作,也可以导出数据,在EXCEL中用两点之间距离公式计算。

文末分享本数据获取方法

这样,我们就整合完成了一份样本数据,可以用来进行建模操作!

文末分享本数据获取方法

#3、建模操作

左手python右手R,先导入一堆包:

library(readr)

library(funr)

library(openxlsx)

library(dplyr)

library(caret)

library(readxl)

library(psych)

library(plyr)

library(ggplot2)

创建工作路径和读取数据

########################################### path setting and data reading ##########################################

path <- get_script_path()# 获取脚本路径

# path = '' #可以手动输入工作路径

print(path)

setwd(path)# 设定工作路径

model_data <- read_csv("model_data.csv")

然后,是数据清洗,提炼我们需要建模的属性

########################################### Data cleaning ##########################################

model_data <- na.omit(model_data)

model_data <- model_data %>% select(price,area,room,livingroom,kitchenroom,

bathroom,Count_,Sum_allcommentNum,Avg_allcommentNum,

Avg_avgprice,Avg_avgscore,Sum_avgscore,len)#可以使用names(model_data)函数在Console中查看字段名称

model_data <- rename(model_data,c(Count_='resturant_counts'))

我们今天要拟合一个回归模型,所以,先来看一看属性之间的相关性

psych::pairs.panels(model_data)#查看相关性

这行代码会画出一张逼格很高的图:

###理解几个关键点:

1.相关性系数,绝对值越接近1表明相关性越显著,比如房价和面积相关度为0.77;

2.图中的直方图为每个维度的数据分布

3.散点图中圆越完美表明相关度越低,椭圆形状表明相关度显著

4.图中的线条是查看线性关系的,可以体现自变量和因变量之间的关系

下面,我们使用全部属性构建一个回归模型。Price是因变量,“~.”表示导入所有自变量。最后打印模型结果查看。

model <-lm(price~.,data=model_data)

print(summary(model))

print(car::vif(model))

我们可以从结果中读取到拟合后的函数,残差,回归系数,P值,R方等。对于多元线性回归,R方会随着变量的增多不变或增加,所以看实际R方并不科学,模型引入了惩罚因子,最后,我们以调整R方作为最终判定拟合度的依据。我们看到,R方为0.8393,拟合度应该相当不错。

文末分享本数据获取方法

然后,我们还要关注一下共线问题。

###什么是共线问题?

简单说就是两个变量描述的是同一个内容,我们需要去掉其中一个。比如,“双十一我剁手了”和”我这个月要吃土了”表达的是一个意思:没钱!

我们看到缓冲区内餐厅数量和平均得分之和数字都超过了200,只要大于10的都属于共线,应该根据具体情况删减。

下面我们使用逐步回归法,优化模型。

逐步回归分三种,这里我直接百度介绍:

model_step <- step(model,direction ="both")# 使用逐步回归的方法筛选变量

print(summary(model_step))

优化后的模型为:

image

我们看到,R方进一步提升,达到0.8415。不过,有一个问题,这里去掉了餐厅数量,选择使用评分总和作为其中一个变量,但这里根据我们经验,常识和习惯,这样并不科学。

所以,我们人工替换回餐厅数量这个变量再一次拟合。

model_fin <- lm(formula = price ~ area + room + bathroom + Sum_allcommentNum +

Avg_allcommentNum + Avg_avgprice + resturant_counts + len, data = model_data)

拟合结果:

R方下降0.0001,几乎没有变化,完美!

我们导出回归模型,方便查看。

table = data.frame(summary(model_fin)[["coefficients"]])

table['variable']=row.names(table)

write.xlsx(x = table,file ='coefficients.xlsx',

sheetName ='sheet1',

row.names =FALSE,

overwrite=TRUE)

Estimate为回归系数,std.error为标准误差,t.value为t值,pr.t为P值,显然所有变量P值均小于0.05,非常显著。

image

最后,我们来使用这个模型,来给房源定价:

predict_result <- predict(model_fin,

data.frame(area =108,

room=3,

bathroom=2,

Sum_allcommentNum=56399,

Avg_allcommentNum=247.36,

Avg_avgprice=114.12,

resturant_counts=228,

len=6438),

interval ='confidence')

print(predict_result)

用法很简单,输入房源的信息,就能预测出结果。比如108平米,3房2卫,1KM半径缓冲区内有228家餐厅,平均价格114.2,平均评论数247.36,评论综合56399条,距离市中心6.438KM,最终结果如下:

(从左往右分别是:估价-最低估价-最高估价)

啧啧~按月薪1W计算,一年12W,需要工作

客户看了我的定价模型以后,面带笑容,似乎感觉非常满意!
突然他问我道:在上海郊环以外,有没有10平米的合租房?

点击查看更多内容
2人点赞

若觉得本文不错,就分享一下吧!

评论

相关文章推荐

正在加载中
意见反馈 邀请有奖 帮助中心 APP下载
官方微信

举报

0/150
提交
取消