Python 爬取北京二手房数据，分析北漂族买得起房吗？

Python 爬取北京二手房数据，分析北漂族买得起房吗？ | 附完整源码

2018-08-21 538

房价高是北漂们一直关心的话题，本文就对北京的二手房数据进行了分析。

本文主要分为两部分：Python爬取赶集网北京二手房数据，R对爬取的二手房房价做线性回归分析，适合刚刚接触Python&R的同学们学习参考。

01

Python爬取赶集网北京二手房数据

入门爬虫一个月，所以对每一个网站都使用了Xpath、Beautiful Soup、正则三种方法分别爬取，用于练习巩固。数据来源如下：

Xpath爬取：

这里主要解决运用Xpath如何判断某些元素是否存在的问题，比如如果房屋没有装修信息，不加上判断，某些元素不存在就会导致爬取中断。

 import requests

from lxml import etree

from requests.exceptions import RequestException

import multiprocessing

import time

headers = {

 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

def get_one_page(url):

try:

response = requests.get(url, headers=headers)

if response.status_code == 200:

return response.text

return None

except RequestException:

return None

def parse_one_page(content):

try:

selector = etree.HTML(content)

ALL = selector.xpath('//*[@id="f_mew_list"]/div[6]/div[1]/div[3]/div[1]/div')

for div in ALL:

yield {

'Name': div.xpath('dl/dd[1]/a/text()')[0],

'Type': div.xpath('dl/dd[2]/span[1]/text()')[0],

'Area': div.xpath('dl/dd[2]/span[3]/text()')[0],

'Towards': div.xpath('dl/dd[2]/span[5]/text()')[0],

'Floor': div.xpath('dl/dd[2]/span[7]/text()')[0].strip().replace('\n', ""),

'Decorate': div.xpath('dl/dd[2]/span[9]/text()')[0],

#地址需要特殊处理一下

 'Address': div.xpath('dl/dd[3]//text()')[1]+div.xpath('dl/dd[3]//text()')[3].replace('\n','')+div.xpath('dl/dd[3]//text()')[4].strip(),

'TotalPrice': div.xpath('dl/dd[5]/div[1]/span[1]/text()')[0] + div.xpath('dl/dd[5]/div[1]/span[2]/text()')[0],

'Price': div.xpath('dl/dd[5]/div[2]/text()')[0]

}

 if div['Name','Type','Area','Towards','Floor','Decorate','Address','TotalPrice','Price'] == None:##这里加上判断，如果其中一个元素为空，则输出None

return None

except Exception:

return None

def main():

for i in range(1, 500):#这里设置爬取500页数据，在数据范围内，大家可以自设置爬取的量

url = 'http://bj.ganji.com/fang5/o{}/'.format(i)

content = get_one_page(url)

print('第{}页抓取完毕'.format(i))

for div in parse_one_page(content):

print(div)

if __name__ == '__main__':

main()

Beautiful Soup爬取：

 import requests

import re

from requests.exceptions import RequestException

from bs4 import BeautifulSoup

import csv

import time

headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}

def get_one_page(url):

try:

response = requests.get(url,headers = headers)

if response.status_code == 200:

return response.text

return None

except RequestException:

return None

def parse_one_page(content):

try:

soup = BeautifulSoup(content,'html.parser')

items = soup.find('div',class_=re.compile('js-tips-list'))

for div in items.find_all('div',class_=re.compile('ershoufang-list')):

yield {

'Name':div.find('a',class_=re.compile('js-title')).text,

 'Type': div.find('dd', class_=re.compile('size')).contents[1].text,#tag的 .contents 属性可以将tag的子节点以列表的方式输出

'Area':div.find('dd',class_=re.compile('size')).contents[5].text,

'Towards':div.find('dd',class_=re.compile('size')).contents[9].text,

'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace('\n',''),

'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text,

'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace('\n',''),

'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text,

'Price':div.find('div',class_=re.compile('time')).text

}

 #有一些二手房信息缺少部分信息，如：缺少装修信息，或者缺少楼层信息，这时候需要加个判断，不然爬取就会中断。

if div['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None:

return None

except Exception:

return None

def main():

for i in range(1,50):

url = 'http://bj.ganji.com/fang5/o{}/'.format(i)

content = get_one_page(url)

print('第{}页抓取完毕'.format(i))

for div in parse_one_page(content):

print(div)

 with open('Data.csv', 'a', newline='') as f: # Data.csv 文件存储的路径,如果默认路径就直接写文件名即可。

fieldnames = ['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price']

writer = csv.DictWriter(f, fieldnames=fieldnames)

writer.writeheader()

for item in parse_one_page(content):

writer.writerow(item)

time.sleep(3)#设置爬取频率，一开始我就是爬取的太猛，导致网页需要验证。

if __name__=='__main__':

main()

正则爬取：我研究了好久，还是没有解决。

这一过程中容易遇见的问题有：

• 有一些房屋缺少部分信息，如缺少装修信息，这个时候需要加一个判断，如果不加判断，爬取就会自动终止（我在这里跌了很大的坑）。
• Data.csv知识点存储文件路径默认是工作目录，关于Python中如何查看工作目录：

 import os 

#查看pyhton 的默认工作目录

print(os.getcwd())

#修改时工作目录

os.chdir('e:\\workpython')

print(os.getcwd())

#输出工作目录

e:\workpython

• 爬虫打印的是字典形式，每个房屋信息都是一个字典，由于Python中excel相关库是知识盲点，所以爬虫的时候将字典循环直接写入了CSV。

Pycharm中打印如下：

640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=

将字典循环直接写入CSV效果如下：

• 很多初学者对于Address不知如何处理，这里强调一下Beautiful Soup 中.contents的用法，亲身体会，我在这里花了好多时间才找到答案。

02

R对爬取的二手房房价做一般线性回归分析

下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。

数据的说明

Name：主要是商家的醒目标题，不具备分析参考意义

Type：卧室数、客厅数、卫生间数

Area：面积（平方米）

Towards：朝向

Floor：楼层

Decorate：装修情况，如精装修、简单装修、毛坯房

Address：二手房的地址

TotalPrice：总价

Price：均价（元/平方米）

数据清洗

data<-read.csv("E://Data For R/RData/data.csv")

DATA<-data[,-c(1,7)]#将Name和Address两列去掉

DATA[sample(1:nrow(DATA),size=10),]

1f5b6ad9e1c055746f267760c785a08fa105d8b6

#在爬取的时候加入了判断，所以不知道爬取的数据中是否存在缺失值，这里检查一下

colSums(is.na(DATA))

 #这里将Type的卧室客厅和卫生间分为三个不同的列

##这里需要注意，有一些房屋没有客厅如：1室1卫这时候需要单独处理，还有一些没有厕所信息。

 library(tidyr)

 library(stringr)

 DATA=separate(data=DATA,col=Type,into = c("Bedrooms","Halls"),sep="室")

 DATA=separate(data=DATA,col=Halls,into = c("Halls","Toilet"),sep="厅")

##将卫生间后面的汉字去掉

 DATA$Toilet<-str_replace(DATA$Toilet,"卫","")

###如图六，将Halls中带有汉字去掉，因为有一些房屋信息没有客厅，如：1室1厅，在分成卧室和客厅时，会将卫生间分到客厅一列。

 DATA$Halls<-str_replace(DATA$Halls,"卫","")

##取出没有客厅信息的数据，这些数据被separate到Halls列

 newdata<-DATA[which(DATA$Toilet %in% NA),2]

 newdata

##将没有客厅的房屋信息Halls列填充为0

 DATA[which(DATA$Toilet %in% NA),2]<-0

 DATA[which(DATA$Toilet %in% NA),3]<-newdata

 colSums(DATA=="")

  Bedrooms Halls Toilet Area Towards Floor Decorate 

  0 0 2 0 0 0 0 

 TotalPrice Price 

0 0

##发现有2个厕所没有信息,将其填写为0。

DATA$Toilet[DATA$Toilet == ""]<-0

 ##这里将Area后的㎡去掉

DATA$Area<-str_replace(DATA$Area,"㎡","")

##查看Towards的类型

table(DATA$Towards)

Towards 北向东北向东南向东西向东向南北向南向西北向

51 25 23 50 65 32 1901 678 38

西南向西向

28 26

##将Floor信息带括号的全部去除

DATA$Floor<-str_replace(DATA$Floor,"[（].*[）]","")##正则表达式

#查看Floor的类别信息

低层地下高层共1层共2层共3层共4层共5层中层

632 32 790 36 61 101 68 130 1016

#分别将TotalPrice和Price后面的万元、元/㎡去掉

DATA$TotalPrice<-str_replace(DATA$TotalPrice,"万元","")

DATA$Price<-str_replace(DATA$Price,"元/㎡","")

head(DATA)

0b6ba6641f2ac493f5f2496dcca61dae33930925

##将数据转换格式

DATA$Bedrooms<-as.factor(DATA$Bedrooms)

DATA$Halls<-as.factor(DATA$Halls)

DATA$Toilet<-as.factor(DATA$Toilet)

DATA$Area<-as.numeric(DATA$Area)

DATA$TotalPrice<-as.numeric(DATA$TotalPrice)

DATA$Price<-as.numeric(DATA$Price)

DATA$Towards<-as.factor(DATA$Towards)

DATA$Decorate<-as.factor(DATA$Decorate)

str(DATA)

以上数据清洗完毕。

03

描述性分析

这部分的主要思路是探究单个自变量对因变量的影响，对房价的影响因素进行模拟探究之前，首先对各变量进行描述性分析，以初步判断房价的影响因素。这里探究各个因素对总价影响。

探究Bedrooms与TotalPrice的关系

 table(DATA$Bedrooms)

  1 2 3 4 5 6 7 9 

 541 1225 779 193 102 20 5 1 

##由于拥有6、7、9个卧室数的数量较少，这里我们排出这些数据。

 DATA<-DATA[-(which(DATA$Bedrooms %in% "6")),]

 DATA<-DATA[-(which(DATA$Bedrooms %in% "7")),]

 DATA<-DATA[-(which(DATA$Bedrooms %in% "9")),]

 table(DATA$Bedrooms)

  1 2 3 4 5 

  541 1225 779 193 102 

library(ggplot2)

ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col="red")

43f69655cf52d007ebfdd55c6432637cf742f69c

DATA$Bedrooms<-as.numeric(DATA$Bedrooms)

##这里将卧室数为1、2、3命名为A，4为B，5为C

DATA$Bedrooms[DATA$Bedrooms=='1']<-"A"

DATA$Bedrooms[DATA$Bedrooms=='2']<-"A"

DATA$Bedrooms[DATA$Bedrooms=='3']<-"A"

DATA$Bedrooms[DATA$Bedrooms=='4']<-"B"

DATA$Bedrooms[DATA$Bedrooms=='5']<-"C"

不同卧室数，TotalPrice不同。且随着卧室数的增多，总价越高，符合大众的认知。

探究Halls与TotalPrice的关系

table(DATA$Halls)

0 1 2 3 4 5 9

20 1674 1050 77 18 1 0

##5个客厅只有一个个体，我们这里将其排出

DATA<-DATA[-(which(DATA$Halls %in% "5")),]

table(DATA$Halls)

0 1 2 3 4 5 9

20 1674 1050 77 18 0 0

ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col="red")

9ccbf39777510dc925be108542b304833f6d0d6a

客厅数为3时候总价最高，客厅数为0、1和2的时候总价低于客厅数3和客厅数4。

探究Toilet与TotalPrice的关系

#探究卫生间与总价的关系

table(DATA$Toilet)

0 1 2 3 4 5 6 7 9

2 2142 470 116 74 26 7 2 0

#这里将卫生间数为0、6和7的去掉

DATA<-DATA[-(which(DATA$Toilet %in% "0")),]

DATA<-DATA[-(which(DATA$Toilet %in% "6")),]

DATA<-DATA[-(which(DATA$Toilet %in% "7")),]

table(DATA$Toilet)

0 1 2 3 4 5 6 7 9

0 2142 470 116 74 26 0 0 0

ggplot(DATA,aes(x=Toilet,y=TotalPrice))+geom_boxplot(col="red")

一般卧室数越多，卫生间数也越多，即卫生间数越多，总价越高。

探究Area与TotalPrice的关系

ggplot(DATA, aes(x=Area, y=TotalPrice)) + geom_point(col='red')

fd6b64ef3a6393c25bd6eb1df438730db0b487d6

这个完全符合住房面积越大，总价越高。

探究Towards与TotalPrice的关系

ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red")

6927f253ad2cc154b3674056f158bc8835546316

探究Floor与TotalPrice的关系

ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red")

b8a3eb426697ac1131c3a434d55513d0104a1ae9

图中信息显示楼层一共只有1、2、3、地下的总价较高。

探究Decorate与TotalPrice的关系

ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red")

840b8ecee1777425957da20414bc23bd39a46ab9

不同装修信息对总价影响较小。

04

模型建立

 fit <-lm(TotalPrice~Bedrooms+Halls+Toilet+Area+Towards+Floor+Decorate,data=DATA)

 summary(fit)

Call:

lm(formula = TotalPrice ~ Bedrooms + Halls + Toilet + Area +

Towards + Floor + Decorate, data = DATA)

Residuals:

Min 1Q Median 3Q Max

-1330.80 -103.49 -21.41 63.88 2961.59

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) -112.7633 88.3010 -1.277 0.201697

Bedrooms2 -43.5934 16.2533 -2.682 0.007359 **

Bedrooms3 -82.6565 20.7641 -3.981 7.04e-05 ***

Bedrooms4 -63.3096 34.9521 -1.811 0.070198 .

Bedrooms5 79.0618 54.0763 1.462 0.143842

Halls1 -5.0663 64.2764 -0.079 0.937182

Halls2 -53.8905 65.4427 -0.823 0.410307

Halls3 -303.9750 79.2280 -3.837 0.000127 ***

Halls4 -528.5427 104.0849 -5.078 4.07e-07 ***

Toilet2 112.9566 19.1171 5.909 3.87e-09 ***

Toilet3 543.7304 38.8056 14.012 < 2e-16 ***

Toilet4 735.1894 55.0977 13.343 < 2e-16 ***

Toilet5 338.7906 84.2851 4.020 5.98e-05 ***

Area 5.1091 0.1619 31.557 < 2e-16 ***

Towards东北向 138.9088 79.3817 1.750 0.080248 .

Towards东南向 187.1895 68.5388 2.731 0.006351 **

Towards东西向 176.3055 65.8384 2.678 0.007453 **

Towards东向 210.9435 73.2744 2.879 0.004022 **

Towards南北向 75.7831 57.1199 1.327 0.184704

Towards南向 60.1949 56.9678 1.057 0.290763

Towards西北向 75.4326 71.1415 1.060 0.289091

Towards西南向 169.8106 75.9626 2.235 0.025467 *

Towards西向 234.0816 76.5585 3.058 0.002253 **

Floor地下 -812.3578 63.3277 -12.828 < 2e-16 ***

Floor高层 12.3525 14.2466 0.867 0.385991

Floor共1层 -313.7278 52.1342 -6.018 2.00e-09 ***

Floor共2层 -453.3692 41.6829 -10.877 < 2e-16 ***

Floor共3层 -601.7032 44.3336 -13.572 < 2e-16 ***

Floor共4层 -183.7866 36.3396 -5.057 4.52e-07 ***

Floor共5层 -41.4184 25.7922 -1.606 0.108419

Floor中层 -1.7223 13.5961 -0.127 0.899204

Decorate简单装修 -63.1591 22.0584 -2.863 0.004224 **

Decorate精装修 -49.3276 19.8544 -2.484 0.013033 *

Decorate毛坯 -157.0299 24.3012 -6.462 1.22e-10 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 265.5 on 2794 degrees of freedom

Multiple R-squared: 0.6852, Adjusted R-squared: 0.6815

F-statistic: 184.3 on 33 and 2794 DF, p-value: < 2.2e-16

模型的F检验拒绝原假设，说明建立的模型是显著的；Ajusted R-squared为0.6815，模型的拟合程度尚可接受。

原文发布时间为：2018-08-21

本文作者：徐涛

本文来自云栖社区合作伙伴“CDA数据分析师”，了解相关信息可以关注“CDA数据分析师”。

微信关注我们

原文链接：https://yq.aliyun.com/articles/627426

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

phpStorm+XDebug+chrome 配置

运行环境： phpStorm 2018.1 php-7.2.4 php_xdebug-2.7.0alpha1-7.2-vc15-nts-x86_64.dll" 下载地址:https://xdebug.org/download.php PHP安装xdebug扩展因为是自己搭建的php环境，所以需要在php.ini上添加一下配置： [XDebug] xdebug.profiler_output_dir="C:\phpstudy\tmp\xdebug" xdebug.trace_output_dir="C:\phpstudy\tmp\xdebug" zend_extension="C:\phpstudy\php\php-7.2.4-nts\ext\php_xdebug-2.7.0alpha1-7.2-vc15-nts-x86_64.dll" xdebug.remote_enable = on xdebug.remote_handler = dbgp xdebug.remote_host= www.laravelsfc.com xdebug.idekey = PHPSTORM xdebug....

2018-08-21

648

世界上最好的语言是什么？PHP！ PHP为WEB而生，如今处于稳中求升的阶段，只要互联网在，短期内是没有什么语言能够取代它的！ PHP框架是学习PHP基础语法后非常重要的一环，说句功利性一点的话，他决定了你是否能够找到好的工作。 PHP的学习方法路线图很简单，如果你是零基础，那么前期大概要花7天时间学一下前端基础，再花10天时间学一下PHP语法，然后花1至2天学一下数据库基础，基本上这样，你就可以去找PHP工作。但是，这是以前，这些年随着编程人才的井喷式爆发，编程工作岗位的竞争开始变得激烈，虽然市场缺口依旧大，但是企业对人才开始有一定的要求，不像以前，你只要稍微会一些，企业就会招你进来。现在PHP岗位，除了上面的基本要求之外，还会要求应聘者会1到2个框架，也就是我们今天重要介绍的PHP框架。目前国内最主流的三个框架分别是ThinkPHP、Yii、Laravel。其中ThinkPHP是国内使用人数最多的框架，按理说只要学会ThinkPHP这个框架就可以通用，但是近几年情况似乎有点改变。在聊这个之前，我们先来聊一个题外话：为什么那么多已经领了非常高薪资的程序员，还一直在持续不断学...

2018-08-21

634

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。