資料來源鏈家租房網站，隨機爬蟲了5000多資料，洗掉了資訊相同的一部分資訊，余下的會從五個維度進行分析！

• 01各個城區房源數量對比(橫柱狀圖)
• 02各種戶型之間數量對比(橫柱狀圖)（洗掉了部分數量太少的戶型）
• 03各個城區租金對比(柱狀圖和折線統計圖)
• 04面積區間分布圖(餅狀圖)
• 05房屋朝向不同的房屋價格對比(柱狀圖和折線統計圖)

# 導包
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

處理中文字符無法正常顯示

from pylab import mpl
# 設定顯示中文字體
mpl.rcParams["font.sans-serif"] = ["SimHei"]
# 設定正常顯示符號
mpl.rcParams["axes.unicode_minus"] = False

1、資料處理分析準備

1.1、匯入資料

data = pd.read_csv("./shenzhenlianjia.csv", encoding='gbk')
data

4325 rows × 6 columns

1.2、處理重復值

# 檢測重復資料,
data.duplicated()
data.shape

(4325, 6)

data = data.drop_duplicates()
data = data[data['城區'] != '城區']
data

2762 rows × 6 columns

data.shape

(2762, 6)

1.3、資料型別轉換

# 把面積轉化為陣列int
data_area_new = np.array([])
data_area = data['面積'].values
data_area
data

2762 rows × 6 columns

for i in data_area:
    data_area_new = np.append(data_area_new, np.array(i[:-1]))
data_area_new = data_area_new.astype(np.float64)
data.loc[:, '面積'] = data_area_new

dataprice = data['價格'].astype(np.float64)
data.loc[:, '價格'] = dataprice
data

2762 rows × 6 columns

2、房源數量，位置分布分析

2.1、各城區房源數量對比(橫柱狀圖)

# 一共有10個城區
num = data['城區'].nunique()
num

10

# 城區串列
area_df = pd.DataFrame({'城區': data['城區'].unique(), '數量': [0]*num})
area_df

grouparea = data.groupby(by='城區').count()
grouparea

area_df['數量'] = grouparea.values
area_df

area_df.sort_values(by='數量', ascending=False)

# 可視化展示
distance_type = area_df['城區']
num_type = area_df['數量']

plt.figure(figsize=(20, 13), dpi=100)
plt.barh(range(10), num_type, height=0.7)
# 替換標簽
plt.yticks(range(10), distance_type)


# x坐標延長
plt.xlim(0, 600)
plt.xlabel('數量')
plt.ylabel('城區')
plt.title('深圳市各城區租房數量')

# 顯示數量
for x, y in enumerate(num_type):
    plt.text(y+0.5, x, '%s' % y)
plt.show()

2.2、各戶型數量分析（橫柱狀圖）

這里的戶型太多了，有些戶型太少，所以進行了取舍，舍棄戶型數量小于的50的，只需要分析戶型大于50的！

num = data['房間格局'].nunique()
num

52

room_df = pd.DataFrame({'房間格局': data['房間格局'].unique(), '數量': [0]*num})
room_df

grouproom = data.groupby(by='房間格局').count()
grouproom

room_df['數量'] = grouproom.values
room_df

room_df = room_df[room_df['數量'] > 50]
room_df

num = room_df.shape[0]
num

11

house_type = room_df['房間格局']
num_type = room_df['數量']

# 繪圖
plt.figure(figsize=(20, 13), dpi=100)
plt.barh(range(num), num_type, height=0.7)
# 替換標簽
plt.yticks(range(num), house_type)

# 延長x軸
plt.xlim(0, 550)

plt.xlabel('數量')
plt.ylabel('房間型別')
plt.title('深圳市租房主要戶型')
for x, y in enumerate(num_type):
    plt.text(y, x, '%s' % y)

plt.show()

2.3、各個城區平均租金（柱狀圖和折線圖）

mean_df = pd.DataFrame(
    {'城區': data['城區'].unique(), '房租總金額': [0]*10, '總面積': [0]*10})
mean_df

# 總價格
sum_price = data['價格'].groupby(data['城區']).sum()
sum_price

城區
光明區       87100.0
南山區     1786082.0
坪山區      135056.0
大鵬新區     318690.0
寶安區      992655.0
鹽田區      222521.0
福田區     1812617.0
羅湖區     1320652.0
龍華區      731725.0
龍崗區     1510020.0
Name: 價格, dtype: float64

# 總面積
sum_area = data['面積'].groupby(data['城區']).sum()
sum_area

城區
光明區      1821.0
南山區     13555.0
坪山區      3422.0
大鵬新區     5664.0
寶安區     14348.0
鹽田區      4017.0
福田區     15982.0
羅湖區     14374.0
龍華區     11286.0
龍崗區     28506.0
Name: 面積, dtype: float64

mean_df['總面積'] = sum_area.values
mean_df['房租總金額'] = sum_price.values
mean_df

mean_df['每平米租金(元)'] = round(mean_df['房租總金額']/mean_df['總面積'], 2)
mean_df

# 合并城區數量表
df_merge = pd.merge(area_df, mean_df)
df_merge

# 可視化
num = df_merge['數量']
price = df_merge['每平米租金(元)']
l = [i for i in range(10)]
lx = df_merge['城區']

fig = plt.figure(figsize=(15, 10), dpi=100)

# 顯示折線圖
ax1 = fig.add_subplot(111)
ax1.plot(l, price, 'or-', label='價格')
for i, (_x, _y) in enumerate(zip(l, price)):
    plt.text(_x+0.1, _y, price[i])
ax1.set_ylim([0, 160])
ax1.set_ylabel('價格/平米')
plt.legend(loc='upper left')

# 繪制條形圖
ax2 = ax1.twinx()
plt.bar(l, num, alpha=0.3, color='green', label='數量')
ax2.set_ylabel('數量')
plt.legend(loc='upper right')
plt.xticks(l, lx)
# for x,y in enumerate(num):
#     plt.text(y,x,'%2f'%y)

plt.title('深圳市各區租房數量與價格')
plt.show()

2.4、面積區間分析（餅狀圖）

# 查看房屋最貴，最便宜
print('房屋最貴是{}元每月'.format(data['價格'].max()))
print('房屋最便宜是{}元每月'.format(data['價格'].min()))

房屋最貴是180000.0元每月
房屋最便宜是950.0元每月

# 查看房屋的最大面積和最小面積
print('房屋最大面積是{}平方米'.format(data['面積'].max()))
print('房屋最小面積是{}平方米'.format(data['面積'].min()))

房屋最大面積是830.0平方米
房屋最小面積是5.0平方米

# 面積區間劃分
area_divide = [0, 8, 15, 25, 40, 55, 70, 90, 120, 850]
area_cut = pd.cut(list(data['面積']), area_divide)
area_cut_data = area_cut.describe()
area_cut_data

# 資料可視化，使用餅狀圖
area_percentage = (area_cut_data['freqs'].values)*100
area_percentage

array([11.2961622 , 18.28385228,  7.49456915, 21.10789283, 15.1339609 ,
        8.21868211, 13.83055757,  3.43953657,  1.19478639])

labels = ['8平米以下', '8-15平米', '15-25平米', '25-40平米', '40-55平米', '55-70平米', '70-90平米',
          '90-120平米', '120平米以上']

plt.figure(figsize=(20, 10), dpi=100)
# 顯示的是圓形,如果不加,是橢圓形
plt.axes(aspect=1)
plt.pie(x=area_percentage, labels=labels, autopct='%.2f %%', shadow=True)
plt.legend(loc='best')
plt.title('深圳市租房面積區間統計圖')
plt.show

<function matplotlib.pyplot.show(*args, **kw)>

2.5、朝向對于價格影響（柱狀圖和折線圖）

face_df_value = data['方向'].unique()
face_df_value

array(['東南', '西北', '南', '西', '西南', '東', '北', '東北'], dtype=object)

face_df = pd.DataFrame({'方向': data['方向'].unique(), '數量': [
                       0]*face_df_value.shape[0], '總價格': [0]*face_df_value.shape[0], '總面積': [0]*face_df_value.shape[0]})
face_df

num_sum = data.groupby(by=data['方向']).count()
num_sum

# 總價格
price_sum = data['價格'].groupby(by=data['方向']).sum()
price_sum

方向
東      846353.0
東北     259858.0
東南    2281168.0
北     1149286.0
南     3158155.0
西      388531.0
西北     332181.0
西南     501586.0
Name: 價格, dtype: float64

# 總面積
area_sum = data['面積'].groupby(by=data['方向']).sum()
area_sum

方向
東      9311.0
東北     3275.0
東南    32360.0
北     10820.0
南     42690.0
西      3198.0
西北     3706.0
西南     7615.0
Name: 面積, dtype: float64

# 賦值寫入
face_df['數量'] = num_sum.values
face_df['總價格'] = price_sum.values
face_df['總面積'] = area_sum.values
face_df

# 平均價格
face_df['平均價格'] = round(face_df['總價格']/face_df['總面積'], 2)
face_df

# 準備資料
l = [i for i in range(8)]
_num = face_df['數量']
# _sumprice = face_df['總價格']
# _sumarea = face_df['總面積']
_meanprice = face_df['平均價格']

fig = plt.figure(figsize=(20, 8), dpi=100)

# 繪制數量柱狀圖
ax3 = fig.add_subplot(111)
ax3.bar(l, _num, label='數量', alpha=0.5, color='green')
ax3.set_ylabel('數量')
ax3.set_ylim(0, 1200)
plt.legend(loc='upper left')
for x, y in enumerate(_num):
    plt.text(x-0.1, y+18, '%s' % y)
# 替換x標簽
plt.xticks(l, face_df['方向'])

# 繪制折線圖
ax4 = ax3.twinx()
plt.plot(l, _meanprice, 'or-', label='價格')
ax4.legend(loc='upper right')
ax4.set_ylim(0, 150)
ax4.set_ylabel('價格')
for i, (_x, _y) in enumerate(zip(l, _meanprice)):
    plt.text(_x+0.1, _y-0.1, _meanprice[i])

plt.title('深圳租房朝向對價格影響')
plt.show()

3、結語

主要來深圳一段時間，租房的問題是一個大問題，就自己爬取了一些資訊，然后就進行了一部分分析，采取的樣本并不是特別多，以上只是個人的資料分析與其他無關！
關注技術，學習進步！