如果你手上有一批数据,你可能应用统计学、挖掘算法、可视化方法等技术玩转你的数据,但你没有数据的时候,我该怎么玩呢?接下来就带着大家玩玩没有数据情况下的数据分析。
本文从如下几个角度详细讲解数据分析的流程:
1、数据源的获取;
2、数据探索与清洗;
3、模型构建(聚类算法和线性回归);
4、模型预测;
5、模型评估;
一、数据源的获取
正如本文的题目一样,我要分析的是上海二手房数据,我想看看哪些因素会影响房价?哪些房源可以归为一类?我该如何预测二手房的价格?可我手上没有这样的数据样本,我该如何回答上面的问题呢?
互联网时代,网络信息那么发达,信息量那么庞大,随便找点数据就够喝一壶了。前几期我们已经讲过了如何从互联网中抓取信息,采用Python这个灵活而便捷的工具完成爬虫,
当然,上海二手房的数据仍然是通过爬虫获取的,爬取的平台来自于链家,页面是这样的:
我所需要抓取下来的数据就是红框中的内容,即上海各个区域下每套二手房的小区名称、户型、面积、所属区域、楼层、朝向、售价及单价。先截几张Python爬虫的代码,源代码和数据分析代码写在文后的链接中,如需下载可以到指定的百度云盘链接中下载。
上面图中的代码是构造所有需要爬虫的链接。
爬下来的数据是长这样的(总共28000多套二手房):
二、数据探索与清洗(一下均以R语言实现)
当数据抓下来后,按照惯例,需要对数据做一个探索性分析,即了解我的数据都长成什么样子。
1、户型分布
# 户型分布
library(ggplot2)
type_freq <->->
# 绘图
type_p <- ggplot(data="type_freq," mapping="aes(x" =="" reorder(var1,="" -freq),y="Freq))" +="" geom_bar(stat='identity' ,="" fill='steelblue' )="" +="" theme(axis.text.x="" ="element_text(angle" =="" 30,="" vjust="0.5))" +="" xlab('户型')="" +="">->
type_p
我们发现只有少数几种的户型数量比较多,其余的都非常少,明显属于长尾分布类型(严重偏态),所以,考虑将1000套一下的户型统统归为一类。
# 把低于一千套的房型设置为其他
type <->->
house$type.new <- ifelse(house$户型="" %in%="" type,="">->
type_freq <->->
# 绘图
type_p <- ggplot(data="type_freq," mapping="aes(x" =="" reorder(var1,="" -freq),y="Freq))" +="" geom_bar(stat='identity' ,="" fill='steelblue' )="" +="" theme(axis.text.x="" ="element_text(angle" =="" 30,="" vjust="0.5))" +="" xlab('户型')="" +="">->
type_p
2、二手房的面积和房价的分布
# 面积的正态性检验
norm.test(house$面积)
# 房价的正态性检验
norm.test(house$价格.W.)
3、二手房的楼层分布
原始数据中关于楼层这一变量,总共有151种水平,如地上5层、低区/6层、中区/11层、高区/40层等,我们觉得有必要将这151种水平设置为低区、中区和高区三种水平,这样做有助于后面建模的需要。
# 把楼层分为低区、中区和高区三种
house$floow <- ifelse(substring(house$楼层,1,2)="" %in%="" c('低区','中区','高区'),="">->
# 各楼层类型百分比分布
percent <- paste(round(prop.table(table(house$floow))*100,2),'%',sep=''>->
df <->->
df <- cbind(df,="">->
df
可见,三种楼层的分布大体相当,最多的为高区,占了36.1%。
4、上海各地区二手房的均价
# 上海各区房价均价
avg_price <- aggregate(house$单价.平方米.,="" by="list(house$区域),">->
#绘图
p <- ggplot(data="avg_price," mapping="aes(x" =="" reorder(group.1,="" -x),="" y="x," group="1))" +="" geom_area(fill='lightgreen' )="" +="" geom_line(colour='steelblue' ,="" size="2)" +="" geom_point()="" +="" xlab('')="" +="">->
p
很明显,上海二手房价格最高的三个地区为:静安、黄埔和徐汇,均价都在7.5W以上,价格最低的三个地区为:崇明、金山和奉贤。
5、房屋建筑时间缺失严重
建筑时间这个变量有6216个缺失,占了总样本的22%。虽然缺失严重,但我也不能简单粗暴的把该变量扔掉,所以考虑到按各个区域分组,实现众数替补法。这里构建了两个自定义函数:
library(Hmisc)
# 自定义众数函数
stat.mode <- function(x,="" rm.na="">->
if (rm.na == TRUE){
y = x[!is.na(x)]
}
res = names(table(y))[which.max(table(y))]
return(res)
}
# 自定义函数,实现分组替补
my.impute <- function(data,="" category.col="">->
miss.col = NULL, method = stat.mode){
impute.data = NULL
for(i in as.character(unique(data[,category.col]))){
sub.data = subset(data, data[,category.col] == i)
sub.data[,miss.col] = impute(sub.data[,miss.col], method)
impute.data = c(impute.data, sub.data[,miss.col])
}
data[,miss.col] = impute.data
return(data)
}
# 将建筑时间中空白字符串转换为缺失值
house$建筑时间[house$建筑时间 == ''] <->->
#分组替补缺失值,并对数据集进行变量筛选
final_house <- subset(my.impute(house,="" '区域',="" '建筑时间'),select="">->
#构建新字段,即建筑时间与当前2016年的时长
final_house <- transform(final_house,="" builtdate2now="">->
#删除原始的建筑时间这一字段
final_house <- subset(final_house,="" select="">->
最终完成的干净数据集如下:
接下来就可以针对这样的干净数据集,作进一步的分析,如聚类、线性回归等。
三、模型构建
这么多的房子,我该如何把它们分分类呢?即应该把哪些房源归为一类?这就要用到聚类算法了,我们就使用简单而快捷的k-means算法实现聚类的工作。但聚类前,我需要掂量一下我该聚为几类?根据聚类原则:组内差距要小,组间差距要大。我们绘制不同类簇下的组内离差平方和图,聚类过程中,我们选择面积、房价和单价三个数值型变量:
tot.wssplot <- function(data,="" nc,="" seed="">->
#假设分为一组时的总的离差平方和
tot.wss <->->
for (i in 2:nc){
#必须指定随机种子数
set.seed(seed)
tot.wss[i] <- kmeans(data,="" centers="i," iter.max="">->
}
plot(1:nc, tot.wss, type='b', xlab='Number of Clusters',
ylab='Within groups sum of squares',col = 'blue',
lwd = 2, main = 'Choose best Clusters')
}
# 绘制不同聚类数目下的组内离差平方和
standrad <->->
myplot <- tot.wssplot(standrad,="" nc="">->
当把所有样本当作一类时,离差平方和达到最大,随着聚类数量的增加,组内离差平方和会逐渐降低,直到极端情况,每一个样本作为一类,此时组内离差平方和为0。从上图看,聚类数量在5次以上,组内离差平方降低非常缓慢,可以把拐点当作5,即聚为5类。
# 将样本数据聚为5类
set.seed(1234)
clust <- kmeans(x="standrad," centers="5," iter.max="">->
table(clust$cluster)
# 按照聚类的结果,查看各类中的区域分布
table(final_house$区域,clust$cluster)
# 各户型的平均面积
aggregate(final_house$面积, list(final_house$type.new), mean)
# 按聚类结果,比较各类中房子的平均面积、平均价格和平均单价
aggregate(final_house[,3:5], list(clust$cluster), mean)
从平均水平来看,我大体可以将28000多套房源合成为如下几种说法:
a、大户型(3室2厅、4室2厅),属于第2类。平均面积都在130平以上,这种大户型的房源主要分布在青浦、黄埔、松江等地(具体可从各类中的区域分布图可知)。
b、地段型(房价高),属于第1类。典型的区域有黄埔、徐汇、长宁、浦东等地(具体可从各类中的区域分布图可知)。
c、大众蜗居型(面积小、价格适中、房源多),属于第4和5类。典型的区域有宝山、虹口、闵行、浦东、普陀、杨浦等地
d、徘徊型(大户型与地段型之间的房源),属于第3类。典型的区域有奉贤、嘉定、青浦、松江等地。这些地区也是将来迅速崛起的地方。
# 绘制面积与单价的散点图,并按聚类进行划分
p <- ggplot(data="final_house[,3:5]," mapping="aes(x" =="" 面积,y="单价.平方米.," color="">->
p <- p="" +="" geom_point(pch="20," size="">->
p + scale_colour_manual(values = c('red','blue', 'green', 'black', 'orange'))
接下来我想借助于已有的数据(房价、面积、单价、楼层、户型、建筑时长、聚类水平)构建线性回归方程,用于房价因素的判断及预测。由于数据中有离散变量,如户型、楼层等,这些变量入模的话需要对其进行哑变量处理。
# 构造楼层和聚类结果的哑变量
# 将几个离散变量转换为因子,目的便于下面一次性处理哑变量
final_house$cluster <->->
final_house$floow <->->
final_house$type.new <->->
# 筛选出所有因子型变量
factors <- names(final_house)[sapply(final_house,="" class)="=">->
# 将因子型变量转换成公式formula的右半边形式
formula <- f="">-><- as.formula(paste('~',="" paste(factors,="" collapse='+'>->
dummy <- dummyvars(formula="formula," data="">->
pred <- predict(dummy,="" newdata="">->
head(pred)
# 将哑变量规整到final_house数据集中
final_house2 <->->
# 筛选出需要建模的数据
model.data <- subset(final_house2,select="">->
# 直接对数据进行线性回归建模
fit1 <- lm(价格.w.="" ~="" .,data="">->
summary(fit1)
从体看上去还行,只有建筑时长和2室0厅的房型参数不显著,其他均在0.01置信水平下显著。不要赞赞自喜,我们说,使用线性回归是有假设前提的,即因变量满足正态或近似于正态分布,前面说过,房价明显在样本中是偏态的,并不服从正态分布,所以这里使用COX-BOX变换处理。根据COX-BOX变换的lambda结果,我们针对y变量进行转换,即:
library(car)
powerTransform(fit1)
根据结果显示,0.23非常接近上表中的0值,故考虑将二手房的价格进行对数变换。
fit2 <- lm(log(价格.w.)="" ~="" .,data="">->
summary(fit2)
最后我们再看一下,关于最终模型的诊断结果:
# 使用plot方法完成模型定性的诊断
opar <- par(no.readonly="">->
par(mfrow = c(2,2))
plot(fit2)
par(opar)
今天的学习过程就到这里,如果有疑问可以给我留言或者加微信(lsx19890717)详聊。本文中的爬虫代码、R语言脚本和数据均可在如下链接中获取:
链接: http://pan.baidu.com/s/1c1BFhXe 密码: 36dm
联系客服