author：qq:1318791335

# -*- coding: utf-8 -*- import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt plt.style.use("fivethirtyeight")#fivethirtyeight是一個樣式 sns.set_style({'font.sans-serif':['simhei','Arial']}) house_df=pd.read_csv('D:\sb\JnHouse.csv', encoding='gbk') house_df.head(n=8)

house_df.drop(['location1'],axis=1).head(n=2)

df=house_df.copy() df['PerPrice']=df['price']/df['area'] df['subway'].fillna('no')

''' location特征分布 ''' df_house_count=df.groupby('location')['price'].count().sort_values(ascending=False).to_frame().reset_index() df_house_mean=df.groupby('location')['PerPrice'].mean().sort_values(ascending=False).to_frame().reset_index() f,[ax1,ax2,ax3]=plt.subplots(3,1,figsize=(20,15)) #figsize圖像大小，f返回的對象，ax1,ax2,ax3返回的子圖像，圖像3行1列 sns.barplot(x='location',y='PerPrice',palette='Blues_d',data=df_house_mean,ax=ax1) #barplot條形圖，x，y（str）：dataframe中的列名,data：dataframe或者數組,palette:調色板，控制不同的顏色style ax1.set_title('濟南各大區二手房每平方米單價對比',fontsize=15) ax1.set_xlabel('區域') ax1.set_ylabel('每平米單價')sns.barplot(x='location',y='price',palette='Greens_d',data=df_house_count,ax=ax2) ax2.set_title('濟南各大區二手房數量對比',fontsize=15) ax2.set_xlabel('區域') ax2.set_ylabel('數量')sns.boxplot(x='location',y='price',data=df,ax=ax3) #boxplot箱線圖 ax3.set_title('濟南各大區二手房房屋總價',fontsize=15) ax3.set_xlabel('區域') ax3.set_ylabel('房屋總價') plt.show()

由此可看出，濟南二手房均價最高的城市分別是市中，高新;二手房儲存量最高的幾個城市分別是章丘，歷程;房屋總價最高的是市中區，并且市中區有一些特別高的房價，拉高了市中區的均價

''' area特征分布''' f,[ax1,ax2]=plt.subplots(1,2,figsize=(15,5)) #建房時間的分布情況 sns.distplot(df['area'],bins=20,ax=ax1,color='r') #靈活繪制單變量觀測值分布圖。 sns.kdeplot(df['area'],shade=True,ax=ax1) #擬合并繪制單變量或雙變量核密度估計圖。 #shade：若為True，則在kde曲線下面的區域中進行陰影處理 #kdeplot用來估計未知的密度函數 #通過核密度估計圖可以比較直觀的看出數據樣本本身的分布特征 #建房時間和出售價格的關系 sns.regplot(x='area',y='price',data=df,ax=ax2) #函數繪制了兩個變量x和y的散點圖，然后擬合回歸模型y?x并繪制了該回歸線的結果回歸線和95％置信區間 #x, y參數接受多種數據類型 plt.show()

通過 distplot 和 kdeplot 繪制柱狀圖觀察 area特征的分布情況，主要集中在100平方米范圍內；面價與房價幾乎成線性關系

''' shiting特征分析 ''' f,ax1=plt.subplots(figsize=(20,20)) sns.countplot(y='shiting',data=df,ax=ax1) #countplot使用條形圖顯示每個類別中觀測值的數量 ax1.set_title('房屋戶型',fontsize=15) ax1.set_xlabel('數量') ax1.set_ylabel('戶型') plt.show()

各種室廳組合，主要集中在3室2廳，2室2廳，還有不少及其罕見的室廳組合

''' zhuangxiu 特征分析 ''' #df['Renovation'].value_counts() #df['Renovation']=df.loc[(df['Renovation']!='南北'),'Renovation']f,[ax1,ax2,ax3]=plt.subplots(1,3,figsize=(20,5)) sns.countplot(df['zhuangxiu'],ax=ax1) sns.barplot(x='zhuangxiu',y='PerPrice',data=df,ax=ax2) sns.boxplot(x='zhuangxiu',y='PerPrice',data=df,ax=ax3) plt.show()

''' Floor 特征分析 ''' f, ax1= plt.subplots(figsize=(20,5)) sns.countplot(x='floor', data=df, ax=ax1) ax1.set_title('房屋戶型',fontsize=15) ax1.set_xlabel('數量') ax1.set_ylabel('戶型') plt.show()

出于成本和施工難度等方面的考量5,6,33數量眾多，24層在風水上面是屬于過高的風水，也是大家的首選，也是影響房價的主要因素

''' chaoxiang 特征分析 ''' #df['Renovation'].value_counts() #df['Renovation']=df.loc[(df['Renovation']!='南北'),'Renovation']f,[ax1,ax2,ax3]=plt.subplots(1,3,figsize=(20,5)) sns.countplot(df['chaoxiang'],ax=ax1) sns.barplot(x='chaoxiang',y='price',data=df,ax=ax2) sns.boxplot(x='chaoxiang',y='price',data=df,ax=ax3) plt.show()

南北朝向，南朝向的二手房數量最多，并且南北朝向的價格也偏貴

''' time特征分析 ''' df['lx']=df.loc[(df['lx']!='其他'),'lx'] grid=sns.FacetGrid(df,col='lx',palette='seismic',size=3) #FacetGrid用于繪制條件關系的多圖網格。df：DataFrame數據。 grid.map(plt.scatter,'time','PerPrice') #通過調用FacetGrid.map()或FacetGrid.map_dataframe()，可以將一個或多個繪圖函數應用于每個子集 grid.add_legend()

**可以觀察到不同年代建設的房子對房價沒有太大影響;用戶購買的主要是普通住宅

總結

以上是生活随笔為你收集整理的济南二手房房价分析报告的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。