wen 编程最新 2024-01-31

南京二手房成交数据分析

数据来源

数据页面: 链家网南京（https://nj.lianjia.com/chengjiao/）

链家网数据量很大，这里只用南京的二手房成交数据。

如下图：
链家南京二手房成交

数据采集

链家网的页面数据比较整齐，采集很简单，为了避免影响别人使用，只采集的南京的二手房成交数据，采集频率也很低，总共花了一下午才采集完所有数据。

我主要采集以下 9 个数据，没有采集房屋的图片。

小区名称和房屋概要
房屋朝向和装修情况
成交日期
成交价格(单位: 万元)
楼层等信息
成交单价
房屋优势
挂牌价格
成交周期

爬虫技术争议比较多，详细的过程就不多说了，采集完的数据我放在以下地址：https://databook.top/data/b2b49fff-ede4-4ce5-9d96-08c616d1e481/detail
已经整理成 csv 格式，需要的可以下载了用来做数据分析实验。（数据截止到 2021/03/30)

数据采集的注意点

链家网的数据采集有个注意的地方，虽然打开这个网页（https://nj.lianjia.com/chengjiao/），我们看到目前共找到 8 万多套成交房源，
但是链家网只显示 100 页的数据，每页 30 条，也就是最多一次查询出 3000 条数据。

所以，为了采集所有的数据，需要设置多种检索条件，保证每次搜索的数据不超过 3000 条。 8 万多条数据大概要设置 30 来种不同的搜索条件。
如下图，我主要根据区域，售价和户型来检索的，也就是按区域如果超过 3000，再按售价，售价还超出再按户型。用这 3 个条件基本就够了。

采集时分类

数据清理

合并和去重

采集的数据是根据不同搜索条件来的，所以有很多个 csv 文件。 csv 格式是统一的，先用 shell 脚本进行数据的合并和去重，我是按照南京的不同的区来合并数据的。

采集的时候我已经按照不同的区把数据放在不同的文件夹了。合并数据脚本示例是如下：

d="merged-files"
sed "" 建邺区/*.csv > ${d}/建邺区.csv

这里合并用的 sed 命令，没有用如下 cat 命令：

d="merged-files"
cat 建邺区/*.csv > ${d}/建邺区.csv

用 cat 命令有个问题，前一个文件的最后一行会和下一个文件的第一行合并成一行。

合并之后就是去重：假设第一步合并后的文件都在 merged-files 文件夹下

d="merged-files"
for f in `ls ${d}/`
do
    sort -u ${d}/${f} -o uniq-${f}
done

格式化

采集到的原始数据是如下格式：

一品骊城 2室1厅 71平米,南 | 精装,2020.09.05,78,中楼层(共5层) 板楼,10916元/平,,挂牌82万,成交周期134天

可以看出，除了成交价（78）是正常的数字，单价（10916 元/平），挂牌价（挂牌 82 万），成交周期（成交周期 134 天）等都是数字和文字混合。这些字段需要将数字剥离出来才能进行后续的分析。

我是通过一个简单的 golang 程序来格式化原始数据，然后生成新的 csv。

func handleData(line []string) TradedHouse {
  var houseData TradedHouse
  fmt.Printf("record: %v
", line)
  // 1. 小区名称和房屋概要
  var arr = strings.Split(line[0], " ")
  houseData.Name = arr[0]
  houseData.HouseType = arr[1]
  if len(arr) > 2 {
    houseData.HouseArea = gutils.ParseFloat64WithDefault(strings.TrimRight(arr[2], "平米"), 0.0)
  }

  // 2. 房屋朝向和装修情况
  arr = strings.Split(line[1], " | ")
  houseData.HouseDirection = arr[0]
  houseData.HouseDecoration = arr[1]

  // 3. 成交日期
  houseData.TradingTime = line[2]
  // 4. 成交价格(单位: 万元)
  houseData.TradingPrice = gutils.ParseFloat64WithDefault(line[3], 0.0)
  // 5. 楼层等信息
  houseData.FloorInfo = line[4]
  // 6. 成交单价
  houseData.UnitPrice = gutils.ParseFloat64WithDefault(strings.TrimRight(line[5], "元/平"), 0.0)
  // 7. 房屋优势
  houseData.Advance = line[6]
  // 8. 挂牌价格
  if len(line) > 7 {
    houseData.ListedPrice = gutils.ParseFloat64WithDefault(strings.TrimRight(strings.TrimLeft(line[7], "挂牌"), "万"), 0.0)
  }
  // 9. 成交周期
  if len(line) > 8 {
    houseData.SellingTime, _ = strconv.Atoi(strings.TrimRight(strings.TrimLeft(line[8], "成交周期"), "天"))
  }

  return houseData
}

转换后的 csv 格式如下：

一品骊城,2室1厅,精装,中楼层(共5层) 板楼,71,10916,82,78,134,2020.09.05,南,

数值部分都分离出来了，可以进入数据分析的步骤了。

数据分析

最后的分析步骤使用的 python 脚本，主要使用 python 的 numpy 和 pandas 库。

下面分析了 2019~2020 南京各区二手房的每个月的销售套数，成交总额以及成交单价。

销售套数

# -*- coding: utf-8 -*-
import os

import numpy as np
import pandas as pd


def read_csv(fp):
    # 读取2列 col9: 成交时间
    # 其中成交时间进行处理：从 2020.01.01 ==> 2020.01
    data = pd.read_csv(
        fp,
        usecols=[9],
        header=None,
        names=["time"],
        converters={"time": lambda s: s[:7]},
    )
    data_mask = data["time"].str.contains("2019|2020")
    data = data[data_mask]
    data["count"] = 1
    return data.groupby("time")


def write_csv(fp, data):
    data.to_csv(fp)


def main():
    # 读取csv数据
    csv_path = "../liangjia-go/output/converter"
    output_path = "./成交数量统计.csv"
    files = list(
        map(
            lambda f: os.path.join(csv_path, f + ".csv"),
            [
                "南京鼓楼区",
                "南京建邺区",
                "南京江宁区",
                "南京溧水区",
                "南京六合区",
                "南京浦口区",
                "南京栖霞区",
                "南京秦淮区",
                "南京玄武区",
                "南京雨花台区",
            ],
        )
    )

    allData = None
    for f in files:
        data = read_csv(f)
        data = data.sum()
        data["area"] = os.path.basename(f).strip(".csv").strip("南京")
        print(data)
        if allData is None:
            allData = data
        else:
            allData = allData.append(data)

    write_csv(output_path, allData)


if __name__ == "__main__":
    main()

成交总额

# -*- coding: utf-8 -*-
import os

import numpy as np
import pandas as pd


def read_csv(fp):
    # 读取2列 col9: 成交时间, col7: 成交价格(万元)
    # 其中成交时间进行处理：从 2020.01.01 ==> 2020.01
    data = pd.read_csv(
        fp,
        usecols=[7, 9],
        header=None,
        names=["value", "time"],
        converters={"time": lambda s: s[:7]},
    )
    data_mask = data["time"].str.contains("2019|2020")
    data = data[data_mask]
    return data.groupby("time")


def write_csv(fp, data):
    data.to_csv(fp)


def main():
    # 读取csv数据，提取成交价格（col 7）
    csv_path = "../liangjia-go/output/converter"
    output_path = "./成交额统计.csv"
    files = list(
        map(
            lambda f: os.path.join(csv_path, f + ".csv"),
            [
                "南京鼓楼区",
                "南京建邺区",
                "南京江宁区",
                "南京溧水区",
                "南京六合区",
                "南京浦口区",
                "南京栖霞区",
                "南京秦淮区",
                "南京玄武区",
                "南京雨花台区",
            ],
        )
    )

    allData = None
    for f in files:
        data = read_csv(f)
        data = data.sum()
        data["area"] = os.path.basename(f).strip(".csv").strip("南京")
        print(data)
        if allData is None:
            allData = data
        else:
            allData = allData.append(data)

    # 万元 => 元
    allData["value"] = allData["value"] * 10000
    write_csv(output_path, allData)


if __name__ == "__main__":
    main()

成交单价

# -*- coding: utf-8 -*-
import os

import numpy as np
import pandas as pd


def read_csv(fp):
    # 读取2列 col9: 成交时间, col5: 成交单价(元/平米)
    # 其中成交时间进行处理：从 2020.01.01 ==> 2020.01
    data = pd.read_csv(
        fp,
        usecols=[5, 9],
        header=None,
        names=["value", "time"],
        converters={"time": lambda s: s[:7]},
    )
    data_mask = data["time"].str.contains("2019|2020")
    data = data[data_mask]
    return data.groupby("time")


def write_csv(fp, data):
    data.to_csv(fp)


def main():
    # 读取csv数据，提取成交价格（col 7）
    csv_path = "../liangjia-go/output/converter"
    output_path = "./成交单价统计.csv"
    files = list(
        map(
            lambda f: os.path.join(csv_path, f + ".csv"),
            [
                "南京鼓楼区",
                "南京建邺区",
                "南京江宁区",
                "南京溧水区",
                "南京六合区",
                "南京浦口区",
                "南京栖霞区",
                "南京秦淮区",
                "南京玄武区",
                "南京雨花台区",
            ],
        )
    )

    allData = None
    for f in files:
        data = read_csv(f)
        data = data.mean()
        data["area"] = os.path.basename(f).strip(".csv").strip("南京")
        print(data)
        if allData is None:
            allData = data
        else:
            allData = allData.append(data)

    write_csv(output_path, allData)


if __name__ == "__main__":
    main()

分析结果展示

分析后生成的 csv，我写了另外一个工具，可以直接转换成小视频。
工具是基于 antv G2 和 ffmpeg 做的，还不是很成熟，以后会发布到官网上，同时在博客中详细介绍。

生成的视频已经放在我的视频号了，感兴趣可以看看。
databook 视频号

总结

虽然上面的数据量不是很大，但这是我平时做一次数据分析的的整个过程（从数据采集到可视化展示）。

采集的部分使用的方式比较杂，根据具体情况看，有时我用 python 或者 golang 写爬虫，有时用现成的工具，比如八爪鱼之类的。
采集之后对数据的初步整理，我基本上是用 shell，强大的 shell 命令可以极大的减少代码的编写。
对数据的精细化整理，我一般用 golang，开发效率和执行效率都高且便于对接各种存储（上面的例子只是简单的生成 csv）。
数据的分析我一般用 python，这个不用多说了，现成的分析库实在太强大。建议安装 miniconda，我另一个博客有介绍：debian10下miniconda环境配置
最后的分析结果展示，也有很多现成的工具，我选择了用 antv 家族的库来自己实现（主要是想试试能不能做一些差异化的展示）。

hmoban主题是根据ripro二开的主题，极致后台体验，无插件，集成会员系统
自学咖网 » 南京二手房成交数据分析

wen 普通

分享到：