專案來源：
https://www.kaggle.com/anthonypino/melbourne-housing-market

專案簡介：
利用以往的房屋銷售資訊，分析哪種房屋最值得推薦給投資者進行投資，

PS: 本次專案是在jupyter上運行的，（文末附資源鏈接）

匯入模塊：

%matplotlib inline
import pandas as pd
import seaborn as sns
import statsmodels.formula.api as smf
from sklearn.linear_model import LinearRegression
from sklearn import metrics
from sklearn.model_selection  import train_test_split
import numpy as np
from scipy.stats import norm # for scientific Computing
from scipy import stats, integrate
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 設定漢字字體,優先使用黑體
plt.rcParams['font.size'] = 12  # 設定字體大小
plt.rcParams['axes.unicode_minus'] = False   # 設定正常顯示負號

加載資料：

melbourne_data  = pd.read_csv("./Melbourne_housing_FULL.csv")
melbourne_data.head(10)

在這里插入圖片描述
接下來正式開始進行分析啦！

1 資料探索與資料清洗

1.1 資料探索

melbourne_data.shape

在這里插入圖片描述

melbourne_data.info()

在這里插入圖片描述
從上面的資料資訊可以看出，非數值資料被視為物件，該串列包括以下列：“suburban”、“Address”、“Type”、“Method”、“SellerG”、“Date”、“councileArea”、“Regionname”，在接下來的幾個步驟中，我們將把物件資料型別更改為category和Date資料型別，

# 驗證字串型別的資料
melbourne_data.select_dtypes(["object"]).columns

在這里插入圖片描述

1.2 更換資料型別

# 將所有字串資料型別更改為類別-此步驟對于能夠繪制類別資料以進行分析是必需的
objdtype_cols = melbourne_data.select_dtypes(["object"]).columns
melbourne_data[objdtype_cols] = melbourne_data[objdtype_cols].astype('category')

melbourne_data.info()

在這里插入圖片描述

## 看上面的資料資訊，我們可以注意到“資料”也被轉換成了類別，
## 在這一步中，我們將將日期轉換為datetime
melbourne_data['Date'] =  pd.to_datetime( melbourne_data['Date'])

melbourne_data.info()

在這里插入圖片描述
在接下來的幾個步驟中，我們將對數值特征變數進行資料預處理，

melbourne_data.describe().T

在這里插入圖片描述
觀察以上有關數字資料的資訊，可以注意到郵政編碼也被視為數字資料，既然我們知道郵政編碼是一個分類資料，我們將把它分類，

melbourne_data["Postcode"] = melbourne_data["Postcode"].astype('category')

melbourne_data.describe().T

在這里插入圖片描述
仔細評估資料后，可以注意到變數“Rooms”和“Bedroom2”非常相似，應該洗掉其中一列以避免重復資料，

## 在這一步中，我們將首先通過觀察“Rooms”和“Bedroom2”來確認我們的上述宣告
melbourne_data['b 2 r'] = melbourne_data["Bedroom2"] - melbourne_data["Rooms"]
melbourne_data[['b 2 r', 'Bedroom2', 'Rooms']].head()

在這里插入圖片描述

## 我們可以看到，這里的差別非常小，洗掉這兩列中的一列是明智的
melbourne_data = melbourne_data.drop(['b 2 r', 'Bedroom2'], 1)

1.3 缺失值處理

我們可以使用多種方法來探索缺失的資料，在這里，我們將首先使用一個可視化的方式來獲得一些提示，在后面的步驟中，我們將進行一些計算，以獲得每個變數中丟失資料的確切數量，根據資料、我們的經驗和業務需要，我們要么填寫缺失的值，要么洗掉具有空值的行或列，

## 可視化缺失值
fig, ax = plt.subplots(figsize=(15,7))
sns.heatmap(melbourne_data.isnull(), yticklabels=False,cmap='viridis')

在這里插入圖片描述
從上圖可以得出結論，price，bathroom，car和landsize，lattitude和longtitude有部分缺失值，在buildingarea和bulityear中有許多缺少的值，在下一步中，讓我們研究缺失值的計數，

# 百分比缺失值
melbourne_data.isnull().sum()/len(melbourne_data)*100

在這里插入圖片描述
從上面的資訊中，我們可以注意到很少的特性變數仍然有很大比例的缺失值，此時我們將忽略它，但在稍后的狀態中，如果我們將這些作為后續的特征變數，我們將探索填充這些資訊或從資料中洗掉這些資訊的方法，

melbourne_data = melbourne_data.drop(["Landsize", "BuildingArea", "YearBuilt"], axis=1)
# 另外，因為我們的目標變數是price，所以在缺少price值時，洗掉price列的行是有意義的
melbourne_data.dropna(subset=["Price"], inplace=True)

melbourne_data['Car']=melbourne_data['Car'].fillna(melbourne_data['Car'].mode()[0])
melbourne_data['Bathroom']=melbourne_data['Bathroom'].fillna(melbourne_data['Bathroom'].mode()[0])

melbourne_data.shape

在這里插入圖片描述

# 百分比缺失值
melbourne_data.isnull().sum()/len(melbourne_data)*100

在這里插入圖片描述

1.4 尋找例外資料

例外值可以顯著影響資料分析，也可以影響資料的規范化，在資料預處理程序中，識別和洗掉它們是非常重要的，在接下來的幾個步驟中，我們將在資料中處理例外值（如果有的話），

melbourne_data.describe().T

在這里插入圖片描述
從上面的統計總結中我們可以看到，我們資料中的最高價格接近1120萬美元，這看起來像是一個明顯的例外值，但是在洗掉它之前，讓我們首先確保在這個范圍內只有很少的值，

# 為了找出例外值，我們將資料劃分為不同的價格范圍，以確定不同價格范圍內資料出現的次數
melbourne_data['PriceRange'] = np.where(melbourne_data['Price'] <= 100000, '0-100,000',  
                                       np.where ((melbourne_data['Price'] > 100000) & (melbourne_data['Price'] <= 1000000), '100,001 - 1M',
                                                np.where((melbourne_data['Price'] > 1000000) & (melbourne_data['Price'] <= 3000000), '1M - 3M',
                                                        np.where((melbourne_data['Price']>3000000) & (melbourne_data['Price']<=5000000), '3M - 5M',
                                                                np.where((melbourne_data['Price']>5000000) & (melbourne_data['Price']<=6000000), '5M - 6M',
                                                                        np.where((melbourne_data['Price']>6000000) & (melbourne_data['Price']<=7000000), '6M - 7M',
                                                                                np.where((melbourne_data['Price']>7000000) & (melbourne_data['Price']<=8000000), '7M-8M', 
                                                                                         np.where((melbourne_data['Price']>8000000) & (melbourne_data['Price']<=9000000), '8M-9M', 
                                                                                                 np.where((melbourne_data['Price']>9000000) & (melbourne_data['Price']<=10000000), '9M-10M', 
                                                                                                         np.where((melbourne_data['Price']>10000000) & (melbourne_data['Price']<=11000000), '10M-11M', 
                                                                                                                 np.where((melbourne_data['Price']>11000000) & (melbourne_data['Price']<=12000000), '11M-12M', '')
                                                                                                                 ))))))))))

melbourne_data.groupby(['PriceRange']).agg({'PriceRange': ['count']})

在這里插入圖片描述
通過研究上表，可以得出以下結論：

1個資料項，范圍0-100,00
7M-8M范圍內有2個資料
8M-9M范圍內有1個資料
11M-12M范圍內有1個資料，

為了本研究的目的，讓我們洗掉符合上述條件的行，

melbourne_data.info()

在這里插入圖片描述

melbourne_data.describe().T

在這里插入圖片描述

melbourne_data.drop(melbourne_data[(melbourne_data['PriceRange'] == '0-100,000') |
                                   (melbourne_data['PriceRange'] == '7M-8M') |
                                   (melbourne_data['PriceRange'] == '8M-9M') |
                                   (melbourne_data['PriceRange'] == '11M-12M')].index, inplace=True)

melbourne_data.describe().T

在這里插入圖片描述

melbourne_data.groupby(['Rooms'])['Rooms'].count()

在這里插入圖片描述

melbourne_data.drop(melbourne_data[(melbourne_data['Rooms'] == 12) | 
                                   (melbourne_data['Rooms'] == 16)].index, inplace=True)

melbourne_data.describe().T

在這里插入圖片描述

numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']

melbourne_data.select_dtypes(include = numerics).hist(bins=15, figsize=(15, 6), layout=(2, 4))

在這里插入圖片描述

melbourne_data['Distance'] = round(melbourne_data['Distance'])

melbourne_data.shape

在這里插入圖片描述

2 資料呈現與關系

2.1 我們考慮的第一個因素是價格與年份和季節的關系，然后利用線性函式預測2019年和2020年的價格，

2.1.1 每種型別的房子價格年趨勢

## 從日期中提取年出來
melbourne_data['Year']=melbourne_data['Date'].apply(lambda x:x.year)
melbourne_data.head(5)

在這里插入圖片描述

# house
melbourne_data_h=melbourne_data[melbourne_data['Type']=='h']
# condo
melbourne_data_u=melbourne_data[melbourne_data['Type']=='u']
# townhouse
melbourne_data_t=melbourne_data[melbourne_data['Type']=='t']
# house,condo and townhouse price groupby year，求平均
melbourne_data_h_y=melbourne_data_h.groupby('Year').mean()
melbourne_data_u_y=melbourne_data_u.groupby('Year').mean()
melbourne_data_t_y=melbourne_data_t.groupby('Year').mean()
melbourne_data_h_y.head()

在這里插入圖片描述

melbourne_data_h_y['Price'].plot(kind='line', color='r',label='House')
melbourne_data_u_y['Price'].plot(kind='line', color='g',label='Condo')
melbourne_data_t_y['Price'].plot(kind='line', color='b',label='Townhouse')
year_xticks=[2016,2017,2018]
plt.ylabel('Price')
plt.xticks(year_xticks)
plt.title('每種型別的房子價格年趨勢')
plt.legend()

在這里插入圖片描述
House大幅下跌10萬套，Condo價格緩慢攀升，而Townhouse價格保持穩定，從這張圖上可以看出，預計House會下降，但坡度較小的Townhouse房價會下降，不變的Condo價格會上升，對開發商來說，是時候在2019年建更多的公寓了，購房者的住房預算需要削減，是時候在2019年買房了，

2.2 預測2019年和2020年Southern Metropolitan所有型別的房屋、Southern Metropolitan的Condo和Eastern Metropolitan的Condo價格

melbourne_data.shape

在這里插入圖片描述

melbourne_data.columns

在這里插入圖片描述

melbourne_data_South_M=melbourne_data[melbourne_data['Regionname']=='Southern Metropolitan']
melbourne_data_South_M_average=melbourne_data_South_M.groupby(['Year'])['Price'].mean()

X = melbourne_data_South_M[[ 'Year']]
y = melbourne_data_South_M[['Price']]

lm2 = LinearRegression()
lm2.fit(X, y)

lm2.intercept_
lm2.coef_

在這里插入圖片描述

X_new = pd.DataFrame({'Year': [2019,2020,2021]})

lm2.predict(X_new)

在這里插入圖片描述
根據這一粗略估算，2019年和2020年墨爾本房屋平均價格將為1557639、1630019，

2.2.1 Southern Metropolitan的Condo價格預測

melbourne_data_SM=melbourne_data[melbourne_data['Regionname']=='Southern Metropolitan']
melbourne_data_SM_u=melbourne_data_SM[melbourne_data_SM['Type']=='u']
melbourne_data_SM_u.shape

在這里插入圖片描述

lm1 = smf.ols(formula='Price ~ Year', data=melbourne_data_SM_u).fit()

lm1.params

在這里插入圖片描述

X_new = pd.DataFrame({'Year': [2016,2017,2018,2019,2020,2021]})

lm1.predict(X_new)

在這里插入圖片描述

# 擬合度
lm1.rsquared

在這里插入圖片描述
這擬合度，看看就得了，

2.2.2 Eastern Metropolitan的Condo價格預測

melbourne_data_E=melbourne_data[melbourne_data['Regionname']=='Eastern Metropolitan']
melbourne_data_E_u=melbourne_data_E[melbourne_data_E['Type']=='u']

lme = smf.ols(formula='Price ~ Year', data=melbourne_data_E_u).fit()

lme.params

在這里插入圖片描述

melbourne_data_E_u.shape

在這里插入圖片描述

X_new = pd.DataFrame({'Year': [2016,2017,2018,2019,2020,2021]})

lme.predict(X_new)

在這里插入圖片描述
對于Eastern Metropolitan，預計2016年至2017年價格將增長10%，2018年至2019年價格將增長7.7%，雖然和南部地區相比，這個數字要少一些，

2.3 Seasonal performance

melbourne_data['Month']=pd.DatetimeIndex(melbourne_data['Date']).month

melbourne_data_2016=melbourne_data[melbourne_data['Year']==2016]
melbourne_data_2017=melbourne_data[melbourne_data['Year']==2017]
melbourne_data_2018=melbourne_data[melbourne_data['Year']==2018]
melbourne_data_2016_count=melbourne_data_2016.groupby(['Month']).count()
melbourne_data_2017_count=melbourne_data_2017.groupby(['Month']).count()
melbourne_data_2018_count=melbourne_data_2018.groupby(['Month']).count()
Comparison={2016:melbourne_data_2016.shape,2017:melbourne_data_2017.shape,2018:melbourne_data_2018.shape}
Comparison

在這里插入圖片描述

label_2016=['January','March','April','May','June','July','August','September','October','November','December']
plt.pie(melbourne_data_2016_count['Price'],labels=label_2016,autopct='%.1f %%')
plt.title('Year 2016')
plt.show()

在這里插入圖片描述

label_2017=['January','February','March','April','May','June','July','August','September','October','November','December']
plt.pie(melbourne_data_2017_count['Price'],labels=label_2017,autopct='%.1f %%')
plt.title('Year 2017')

在這里插入圖片描述

label_2018=['January','February','March','June','October']
plt.pie(melbourne_data_2018_count['Price'],labels=label_2018,autopct='%.1f %%')
plt.title('Year 2018')

在這里插入圖片描述
總的來說，2016年和2017年的冬季似乎銷量最少，這意味著從5月到11月房屋銷售將有更多優惠，2018年的資料缺失較多，與其他年份相比只有三分之一左右，因此很難得出結論，

2.4 Region versus Price

# 取個短一點的名字
melbourne_data['Regionabb'] = melbourne_data['Regionname'].map({'Northern Metropolitan':'N Metro',
                                            'Western Metropolitan':'W Metro', 
                                            'Southern Metropolitan':'S Metro', 
                                            'Eastern Metropolitan':'E Metro', 
                                            'South-Eastern Metropolitan':'SE Metro', 
                                            'Northern Victoria':'N Vic',
                                            'Eastern Victoria':'E Vic',
                                            'Western Victoria':'W Vic'})

2.4.1每種型別的地區價格變化與年份

總的來說，東、北、南和西Metropolitan都是受歡迎的地區，接下來看看每種型別的地區價格，

sns.lmplot(x="Year", y="Price",hue="Type", data=melbourne_data,col='Regionabb', x_estimator=np.mean,col_wrap=2)
plt.ylim(200000, 2000000)
plt.xlim(2015,2020)

在這里插入圖片描述

sns.lmplot(x="Year", y="Price",hue="Type", data=melbourne_data[melbourne_data['Regionabb']=='S Metro'], x_estimator=np.mean);

在這里插入圖片描述
總體而言， Townhouse in E Metro, Condo in East Metro, House in S Metro, Condo in S Metro and Condo in N Metro每年都在增長，

melbourne_data_S=melbourne_data[melbourne_data['Regionabb']=='S Metro']
sns.lmplot(x="Year", y="Price", data=melbourne_data_S[melbourne_data_S['Type']=='u'], x_estimator=np.mean)

在這里插入圖片描述

2.4.2 特征工程，以獲得每個地區和型別的年數量增長率和價格增長率

Pct_change=melbourne_data.groupby(['Year','Regionabb','Type'],as_index=False)['Price'].mean()
Pct_change = Pct_change.sort_values(['Regionabb', 'Type','Year']).set_index(np.arange(len(Pct_change.index)))

Pct_change.info()

在這里插入圖片描述

melbourne_data_count_region_y=melbourne_data.groupby(['Year','Regionabb','Type'],as_index=False)['Price'].count()
melbourne_data_count_region_y = melbourne_data_count_region_y.sort_values(['Regionabb', 'Type','Year']).set_index(np.arange(len(melbourne_data_count_region_y.index)))
melbourne_data_count_region_y.rename(columns={'Price':'Count'}, inplace=True)

def PCTM(gg):
    df=pd.DataFrame(gg['Price'].pct_change())
    df['Year']=gg['Year']
    df['region']=gg['Regionabb']
    df['Type']=gg['Type']
    df=df[df['Year']!=2016]
    return df

2.4.2.1 每個地區和型別的價格增長率超過5%

melboune_growthrate_y_t=PCTM(Pct_change)
melboune_growthrate_y_t1=melboune_growthrate_y_t[melboune_growthrate_y_t['region'].isin(['N Metro','S Metro','E Metro','SE Metro','W Metro','S Metro'])]
melboune_growthrate_y_t1.rename(columns={'Price':'Price Growth Rate'}, inplace=True)
melboune_growthrate_y_t1[melboune_growthrate_y_t1['Price Growth Rate']>0.05]

在這里插入圖片描述
由于2018年大量資料缺失，S Metro的condo在2017年和2018年分別為8.7%和2.7%，如果選擇2017年來看價格的增長，E Metro、SE Metro和S Metro的condo和townhouse、W Metro的townhouse和S Metro的house均呈現超過5%的正增長，展望2018年，人們似乎轉向在SE、E Metro或者S Metro購買更多，

2.4.2.2 按型別劃分，數量最多的20個地區

Sales_count=melbourne_data.groupby(['Regionabb','Type'])['Price'].count()
Sales_count.nlargest(20)

在這里插入圖片描述

def PCTMC(gg):
    df=pd.DataFrame(gg['Count'].pct_change())
    df['Year']=gg['Year']
    df['region']=gg['Regionabb']
    df['Type']=gg['Type']
    df=df[df['Year']!=2016]
    return df

2.4.2.3 每個地區和型別的計數增長率超過20%

melboune_growthrate_y_c=PCTMC(melbourne_data_count_region_y)
melboune_growthrate_y_c1=melboune_growthrate_y_c[melboune_growthrate_y_c['region'].isin(['N Metro','S Metro','E Metro','SE Metro','W Metro','S Metro'])]

melboune_growthrate_y_c1.rename(columns={'Count':'Count Growth Rate'}, inplace=True)
melboune_growthrate_y_c1[melboune_growthrate_y_c1['Count Growth Rate']>0.2]

在這里插入圖片描述

2.4.2.4 按年份地區和型別劃分，實際計數超過1000

melboune_count1=melbourne_data_count_region_y[melbourne_data_count_region_y['Regionabb'].isin(['S Metro','E Metro','SE Metro','W Metro','S Metro','N Metro'])]
melboune_count1[melboune_count1['Count']>1000]

在這里插入圖片描述
從以上資訊統計的增長百分比和實際銷售額按年度計算，S Metro和N Metro似乎是人們傾向于支付更多，購買更多的地區，但隨著價格不斷上漲，那些住在南部的試圖轉移到E Metro和SE Metro，

本節結論： 1.house方面，S Metro 2017年價格增長5%以上，三年銷售4718套，排名第二；Condo方面，S Metro 2017年銷售2782套，排名第四，價格增長8.7%， 2.E Metro和SE Metro的condo和townhouse潛力很大，現在沒有S Metro那么吸引人，他們的數量增長率超過100%，價格增長率超過8%，

2.5 其他數值特征與價格間的關系

2.5.1 Method vs Price

sns.boxplot(x = 'Method', y = 'Price', data = melbourne_data)
plt.show()
# 銷售方式不影響價格

在這里插入圖片描述

2.5.2 Rooms

sns.lmplot(x="Year", y="Price", hue="Rooms", data=melbourne_data,  x_estimator=np.mean)
# impact on Prcie VS Year

在這里插入圖片描述

2.5.3 Distance vs Price

結論：離城中心越遠，價格越低，

sns.lmplot(x="Distance", y="Price", data=melbourne_data, x_estimator=np.mean);

在這里插入圖片描述

2.5.4 Car spot vs Price

sns.lmplot(x="Car", y="Price", data=melbourne_data, x_estimator=np.mean)
# 車位越多，價格越貴

在這里插入圖片描述

2.6 Ideal house type

找出最理想的房子型別，

2.6.1 在S Metro，按型別、rooms、bathroom統計排名前10的房子型別

Ideal_House=melbourne_data.groupby(['Regionabb','Type','Rooms','Bathroom'])['Price'].count()

Ideal_House.loc[['S Metro'],'h'].nlargest(10)

在這里插入圖片描述
結論：在S Metro，3房1衛或2衛的房子和4房2衛的房子銷量最大，

2.6.2 按型別、rooms、bathroom統計排名前10的房子型別

Ideal_House.nlargest(10)

在這里插入圖片描述
結論：其中，N Metro房最受歡迎，W Metro緊隨其后，一般來說，house比其他型別的好，擁有兩間臥室和一間浴室的S Metro的condo被列為銷量前三名，

2.6.3 在E Metro的condo中，按型別、rooms、bathroom統計排名前10的房子型別

Ideal_House.loc[['E Metro'],'u'].nlargest(10)

在這里插入圖片描述
E Metro區最好的公寓型別是兩室一廳，

2.7 關系熱圖

corrmat=melbourne_data.corr()

fig,ax=plt.subplots(figsize=(12,10))
sns.heatmap(corrmat,annot=True,annot_kws={'size': 12})

在這里插入圖片描述
與其他因素相比，rooms和bathroom與price的相關性最高，

3 最終結論

從2.1.1可以得出：house一般會下降，condo價格會上升，這意味著投資公寓會更好，
從2.4得出：在hous方面，S Metro 2017年價格增長超過5%，三年銷售4718套，排名第二；在condo方面，S Metro 2017年銷售2782套，排名第四，價格增長8.7%，
從2.4得出：E Metro和SE Metro的condo和townhouse潛力很大，現在沒有S Metro那么吸引人，增長率超過100%，價格增長率超過8%，
從2.6得出，南方地鐵的condo排在第三位，雖然N Metro和W Metro的house數量最多，但它們的價格正在下降，如第2.4節sns.lmplot所示，從數量上看，S Metro的condo具有巨大的市場潛力，因為其數量排名第三，價格在第2.4節中呈現出逐年上升的趨勢，S Metro的house也有很大的市場，但增長率不如condo，
最后在結合理想戶型，2rooms1bathroom的S Metro的condo將被推薦給投資者或開發商，

另外為方便需要的朋友運行代碼，我也把完整的代碼和資料檔案放到了網盤上，需要的朋友自取，
鏈接：https://pan.baidu.com/s/1qw-fwmykg6-G3RmLBKUT7A
提取碼：1024

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/290209.html

標籤：python

上一篇：【超詳細講解】基于pandas、matplotlib和seaborn進行資料分析實戰

下一篇：怎樣學好Java語言

基于pandas、matplotlib和seaborn進行資料分析實戰【建議收藏】

1 資料探索與資料清洗

1.1 資料探索

1.2 更換資料型別

1.3 缺失值處理

1.4 尋找例外資料

2 資料呈現與關系

2.1 我們考慮的第一個因素是價格與年份和季節的關系，然后利用線性函式預測2019年和2020年的價格，

2.1.1 每種型別的房子價格年趨勢

2.2 預測2019年和2020年Southern Metropolitan所有型別的房屋、Southern Metropolitan的Condo和Eastern Metropolitan的Condo價格

2.2.1 Southern Metropolitan的Condo價格預測

2.2.2 Eastern Metropolitan的Condo價格預測

2.3 Seasonal performance

2.4 Region versus Price

2.4.1每種型別的地區價格變化與年份

2.4.2 特征工程，以獲得每個地區和型別的年數量增長率和價格增長率

2.4.2.1 每個地區和型別的價格增長率超過5%

2.4.2.2 按型別劃分，數量最多的20個地區

2.4.2.3 每個地區和型別的計數增長率超過20%

2.4.2.4 按年份地區和型別劃分，實際計數超過1000

2.5 其他數值特征與價格間的關系

2.5.1 Method vs Price

2.5.2 Rooms

2.5.3 Distance vs Price

2.5.4 Car spot vs Price

2.6 Ideal house type

2.6.1 在S Metro，按型別、rooms、bathroom統計排名前10的房子型別

2.6.2 按型別、rooms、bathroom統計排名前10的房子型別

2.6.3 在E Metro的condo中，按型別、rooms、bathroom統計排名前10的房子型別

2.7 關系熱圖

3 最終結論