大佬,您的选房系统已上线

发表时间:2018-11-28 16:45


转自 | 数据团学社,微信搜索metrodata_xuexi 即可关注



本文约1500字,阅读需要5分钟

关键词:买房 Python 选房 R 定价

本文讲述了借助Python,Gis和R语言制作房源定价系统的方法,对原理、过程都有详细的讲述



为了能在当今竞争激烈的社会活下去,我一直在孜孜不倦地开发自己的潜能,寻找更多的副职业增加收入,从而在双十一后的双十二可以继续剁手。


这不,成为业余房地产咨询师的第一天,客户戳我了:我要在上海16个区买16套房子,资金到位,您给估个价吧。


对于这类在在如此严峻的房地产政策之下,还想拥有两位数以上房产的“忽悠”高手,我一向给予至尊VIP的待遇。


决定一套房子价格的因素主要是三个方面,房屋本身的属性,房屋的空间位置和周边的其他因素。这篇文章会讲述考虑这些因素的分析——建模——检验的过程。


数据集的准备

这里分为两步:

第一步,抓取所有URL:

if __name__=='__main__':                 
   url_list = create_url(220,2) #填写区间最大面积和公差,保证按大于最大面积搜索,房源数小于等于3000
   data_list = []
   #data_list = craw_second_url(url_list)
   craw_second_url(url_list)
   data =  pd.DataFrame(pd.Series(data_list),columns=['url'])
   data.to_csv('./urls.csv',encoding='gbk',index=0)
   print('finish')


接下来,爬取房源信息:

def read_url(path):
   path = path
   data = pd.read_csv(path,engine='python')
   try:
       data_received = pd.read_csv('./house_inf_lianjia.csv',engine='python')
       print('导入爬取数据')
       data_received_list = data_received['url'].tolist()
       print('转换表格')
       url_list = data[~data['url'].isin(data_received_list)]['url'].unique().tolist()
       print('剔除已爬取数据')
       print(len(url_list))
   except :
       url_list = data['url'].unique().tolist()
       data = pd.DataFrame(
           columns=['house_id', 'name', 'price', 'area_price', 'area', 'room', 'livingroom', 'kitchenroom',
                    'bathroom', 'lng', 'lat', 'url'])
       data.to_csv('./house_inf_lianjia.csv', encoding='gbk', index=0)
       print('无历史数据')
   return url_list


我还顺手做了一个断点续传功能,每次开始爬虫前会匹配URL列表,保证爬取过的不再爬取,方便更新和分时段爬取。详细代码请见文末,我爬取了1W+的数据作为样本:


另外,我准备了另一份数据:美团美食频道1W+的餐饮POI. 同样使用爬虫获取。



建模准备


这一部分我们会将房源数据和POI数据等信息整合在一起用于建模,可以用ArcGis完成。


红色的为餐饮POI,绿色的为房源数据(有时间的朋友可以爬取全量数据)



先对房源做缓冲区,缓冲区半径为1KM,考虑这个范围内的POI数据。



结果如图:



然后使用缓冲区与餐饮POI进行空间关联,这样就可以统计出一个房源1KM半径范围内餐饮POI的数量,价格,评论数等等信息,以便接下来建模使用。



另外,常识告诉我们,一般离市中心越近,房价越高,随意我们再增加一个距离属性。先添个底图:



然后创建一个上海中心点点数据。上海的中心点,在人民广场附近,方便起见,就在地图上点一个吧!



把图层转换成投影坐标系,便于计算距离:



给中心点数据和缓冲区数据添加两个字段,存放投影经纬度



然后使用计算几何,获取投影经纬度,单位选择米



结果如图(部分):



接下来计算距离,可以在GIS内直接操作,也可以导出数据,在EXCEL中用两点之间距离公式计算。



这样,我们就整合完成了一份样本数据,可以用来进行建模操作!



建模操作


左手python右手R,先导入一堆包:


library(readr)
library(funr)
library(openxlsx)
library(dplyr)
library(caret)
library(readxl)
library(psych)
library(plyr)
library(ggplot2)


创建工作路径和读取数据


########################################### path setting and data reading ##########################################
path <- get_script_path() # 获取脚本路径
# path = '' #可以手动输入工作路径
print(path)
setwd(path) # 设定工作路径
model_data <- read_csv("model_data.csv")


然后,是数据清洗,提炼我们需要建模的属性


########################################### Data cleaning ##########################################
model_data <- na.omit(model_data)
model_data <- model_data %>% select(price,area,room,livingroom,kitchenroom,
                                   bathroom,Count_,Sum_allcommentNum,Avg_allcommentNum,
                                   Avg_avgprice,Avg_avgscore,Sum_avgscore,len)#可以使用names(model_data)函数在Console中查看字段名称
model_data <- rename(model_data,c(Count_='resturant_counts'))


我们今天要拟合一个回归模型,所以,先来看一看属性之间的相关性


psych::pairs.panels(model_data)#查看相关性


这行代码会画出一张逼格很高的图:



理解几个关键点:

1.相关性系数,绝对值越接近1表明相关性越显著,比如房价和面积相关度为0.77;

2.图中的直方图为每个维度的数据分布

3.散点图中圆越完美表明相关度越低,椭圆形状表明相关度显著

4.图中的线条是查看线性关系的,可以体现自变量和因变量之间的关系


下面,我们使用全部属性构建一个回归模型。Price是因变量,“~.”表示导入所有自变量。最后打印模型结果查看。


model <-lm(price~.,data=model_data)
print(summary(model))
print(car::vif(model))


我们可以从结果中读取到拟合后的函数,残差,回归系数,P值,R方等。对于多元线性回归,R方会随着变量的增多不变或增加,所以看实际R方并不科学,模型引入了惩罚因子,最后,我们以调整R方作为最终判定拟合度的依据。我们看到,R方为0.8393,拟合度应该相当不错。



然后,我们还要关注一下共线问题。


什么是共线问题?

简单说就是两个变量描述的是同一个内容,我们需要去掉其中一个。比如,“双十一我剁手了”和”我这个月要吃土了”表达的是一个意思:没钱!


我们看到缓冲区内餐厅数量和平均得分之和数字都超过了200,只要大于10的都属于共线,应该根据具体情况删减。



下面我们使用逐步回归法,优化模型。

逐步回归分三种,这里我直接百度介绍:



model_step <- step(model,direction = "both")# 使用逐步回归的方法筛选变量
print(summary(model_step))


优化后的模型为:


我们看到,R方进一步提升,达到0.8415。不过,有一个问题,这里去掉了餐厅数量,选择使用评分总和作为其中一个变量,但这里根据我们经验,常识和习惯,这样并不科学。


所以,我们人工替换回餐厅数量这个变量再一次拟合。


model_fin <- lm(formula = price ~ area + room + bathroom + Sum_allcommentNum + 
                 Avg_allcommentNum + Avg_avgprice + resturant_counts + len, data = model_data)


拟合结果:



R方下降0.0001,几乎没有变化,完美!


我们导出回归模型,方便查看。


table = data.frame(summary(model_fin)[["coefficients"]])
table['variable']=row.names(table)
write.xlsx(x = table,file = 'coefficients.xlsx',
          sheetName = 'sheet1',
          row.names = FALSE,
          overwrite=TRUE)


Estimate为回归系数,std.error为标准误差,t.value为t值,pr.t为P值,显然所有变量P值均小于0.05,非常显著。



最后,我们来使用这个模型,来给房源定价:


predict_result <- predict(model_fin,
                         data.frame(area =108,
                                    room=3,
                                    bathroom=2,
                                    Sum_allcommentNum=56399,
                                    Avg_allcommentNum=247.36,
                                    Avg_avgprice=114.12,
                                    resturant_counts=228,
                                    len=6438),
                         interval = 'confidence')
print(predict_result)


用法很简单,输入房源的信息,就能预测出结果。比如108平米,3房2卫,1KM半径缓冲区内有228家餐厅,平均价格114.2,平均评论数247.36,评论综合56399条,距离市中心6.438KM,最终结果如下:

(从左往右分别是:估价-最低估价-最高估价)


啧啧~按月薪1W计算,一年12W,需要工作



客户看了我的定价模型以后,感觉非常满意!悄悄地问我:在上海郊环以外,有没有10平米的合租房?



文章分类: 数智物语
分享到:
关注信数

联系我们


电话     : 021-50196198

E-mail  :   contact@xinshucredit.com

地址     :上海市杨浦区昆明路739号

              文通大厦1209室