网站内容优化技巧,北京朝阳区邮政编码,wordpress文章添加忽略,0元做游戏代理作者#xff1a;J哥背景香港的贫富差距问题一直十分尖锐#xff0c;最突出的体现就是收入和楼价的巨大差异。早在60年代末香港房价就经历了暴涨#xff0c;人们早已对不动产的金融属性了如指掌#xff0c;全港的投资情绪一直都相当火热。即便香港当前失业率高企#xff0c… 作者J哥背景香港的贫富差距问题一直十分尖锐最突出的体现就是收入和楼价的巨大差异。早在60年代末香港房价就经历了暴涨人们早已对不动产的金融属性了如指掌全港的投资情绪一直都相当火热。即便香港当前失业率高企经济环境较差但购买力仍在楼市依然坚挺。为了更加深入了解香港房地产市场本文用Pyhton采集了香港在售26281套二手房数据并做可视化分析试图从数据层面理解香港楼市现状。具体代码详解见本文后半段数据分析代码和数据集可在公众号【凹凸数据】后台回复「香港」即可获取。九龙房源最多港岛价格更高香港特别行政区下辖香港岛、九龙半岛、新界3个地区共18个分区。九龙半岛在售二手房源共8108个占比28.62%。根据中原城市指数CCI(仅包括大型屋苑)港岛报187.66点高于香港其他地区。具体分区来看香港在售二手房源集中分布在葵青区、元朗区、屯门区等地而九龙城区、深水埗区、中西区、湾仔区、东区等地房价较高。香港在售二手房实用呎价均价为呎(折合人民币约元平方米)最低实用呎价4421/呎最高实用呎价$96965/呎。将军澳二手房源最多将军澳、元朗和屯门在售二手房均超1000套其中将军澳以2112套二手房源居首。九龙站二手房均价最高九龙站、山顶/南区、贝沙湾和中半山在售二手房均价超过万呎九龙站以37232/呎遥遥领先远高于香港二手房整体均价。小户型为主2房占比超一半从建筑面积来看香港在售二手房普遍建面在500呎-1200呎(46-111平方米)占比高达78.52%共计18825套。从居室来看香港在售二手房中2房共计12231套占比51.05%3房共计7613套占比31.76%4房以上71套占比仅为0.29%。各楼龄段均有一定比例分布从香港在售二手房楼龄来看25-39年楼龄的二手房源最多共7396套占比31.31%15-24年5939套占比25.36%40年以上房源也有2347套占比10.93%。50%以上二手房低于1000万从香港在售二手房售价来看1000万(约429-858万人民币)房源数量为12301套占比51.31%。描述性统计相关性分析从相关系数表和回归图来看间隔(即居室)和楼龄都与香港二手房房价无明显的相关性。实用面积与房价具有较强的正相关性一般来说人们在看房子时看到的面积是建筑面积但却不是实用面积。套内建筑面积套内使用面积套内墙体面积阳台面积而实用面积就是套内使用面积。另外实用率与房价也无相关性这与大部分人的感性认识存在偏差。技术实现本文数据来源于中原地产网页结构相对简单。数据清洗主要用到Python的pandas库由于内容较多仅提供核心字段清洗代码。数据可视化主要用到Python的pyecharts库都是一些基础图表本公众号往期原创文章也已多次提及。数据获取爬虫核心代码#将繁体转换成简体def tradition2simple(line): return Converter(zh-hans).convert(line)#解析网页def get_page(page): if page 11: url http://hk.centanet.com/findproperty/BLL/Result_SearchHandler.ashx?urlhttp%3A%2F%2Fhk.centanet.com%2Ffindproperty%2Fzh-HK%2FHome%2FSearchResult%3Fposttype%3DS%26src%3DC%26minprice%3D%26maxprice%3D%26sortcolumn%3D%26sorttype%3D%26limit%3D100%26currentpage%3D{0}.format(page) else: url http://hk.centanet.com/findproperty/BLL/Result_SearchHandler.ashx?urlhttp%3A%2F%2Fhk.centanet.com%2Ffindproperty%2Fzh-HK%2FHome%2FSearchResult%3Fposttype%3DS%26src%3DC%26minprice%3D%26maxprice%3D%26sortcolumn%3D%26sorttype%3D%26limit%3D-1%26currentpage%3D{0}.format(page) req requests.get(url, headers headers) bs req.json() # print(bs) ts tradition2simple(bs[post]) # print(ts) html etree.HTML(ts)if __name__ __main__: ua UserAgent(verify_sslFalse) headers {User-Agent: ua.random} for page in range(1,2624): #共2623页 get_page(page) # time.sleep(1) print(第%d页爬取完成%page) print(-*100)数据预览数据清洗建筑面积/单价#异常字符替换为空df[建筑面积] df[建筑面积].str.replace(,,).astype(float)df[建面单价] df[建面单价].str.replace($,).str.replace(,,).str.replace(/呎,).astype(float)#建筑面积和建面单价缺失值用均值填充df df.fillna(value{建筑面积:df[建筑面积].mean(),建面单价:df[建面单价].mean()})间隔# 存在缺失值、换行符、非数字型、无房间数等脏数据df[间隔] df[间隔].str.replace(\r\n,).str[:1]df df[ ~ df[间隔].isin([(])] #删除某列包含特殊字符的行df[间隔] df[间隔].str.replace(开,0).astype(float)df df.fillna(value{间隔:df[间隔].mean()})df[间隔] df[间隔].astype(int)售价#售价单位存在万和亿进行统一化处理df[售价] (df[售价].str.replace($,).str.replace(,,).str[:-1].astype(float) * df[售价].str[-1].map({万: 1, 亿: 10000})).astype(int)数据可视化回归图fig,axesplt.subplots(5,1,figsize(12,30)) sns.regplot(x间隔,y实用单价,datadf1,colorgreen,marker*,axaxes[0])sns.regplot(x楼龄,y实用单价,datadf1,colorgreen,marker*,axaxes[1])sns.regplot(x实用面积,y实用单价,datadf1,colorgreen,marker*,axaxes[2])sns.regplot(x建筑面积,y实用单价,datadf1,colorgreen,marker*,axaxes[3])sns.regplot(x实用率,y实用单价,datadf1,colorgreen,marker*,axaxes[4])条形图df5 df1.groupby(屋苑位置)[实用单价].count()df5 df5.sort_values(ascendingTrue)df5 df5.tail(10)print(df5.index.to_list())print(df5.to_list())c ( Bar(init_optsopts.InitOpts(themeThemeType.WONDERLAND)) .add_xaxis(df5.index.to_list()) .add_yaxis(,df5.to_list()).reversal_axis() #X轴与y轴调换顺序 .set_global_opts(title_optsopts.TitleOpts(title香港二手房数量TOP10,subtitle数据来源中原地产 \t制图J哥,pos_left left), xaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(font_size13)), #更改横坐标字体大小 yaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(font_size13)), #更改纵坐标字体大小 ) .set_series_opts(label_optsopts.LabelOpts(font_size16,positionright)) )c.render_notebook()饼图df2 df1.groupby(间隔)[实用单价].count()print(df2)df2 df2.sort_values(ascendingFalse) regions df2.index.to_list()values df2.to_list()c ( Pie(init_optsopts.InitOpts(themeThemeType.WONDERLAND)) .add(, list(zip(regions,values))) .set_global_opts(title_optsopts.TitleOpts(title香港二手房间隔分布,subtitle数据来源中原地产\n制图J哥,pos_top1%,pos_left left)) .set_series_opts(label_optsopts.LabelOpts(formatter{b}:{d}%,font_size16)) )c.render_notebook()凹凸福利推荐语?《Python数据可视化基于Bokeh的可视化绘图》这是一本适合零基础读者快速入门并掌握Bokeh的实战指南作者是Bokeh的先驱用户和布道者实践经验丰富。本书从图形绘制、数据动态展示、Web交互等维度全面讲解Bokeh功能和使用不涉及复杂的数据处理和算法包含大量实战案例。点击下图可看详情/购买?感谢机械工业出版社华章公司的支持「凹凸数据」300积分兑换?当当限时购书优惠码 HSMQ9J自营100-20FWJY6Q自营49-20(限新客换个手机号即可)以上优惠券均可叠加满100-50活动
