中国领先的IT技术网站
|
|

最近租房有点烦!技术人如何用Python找到称心如意的“小窝”?

北京西红门镇新建二村“聚福缘公寓”突发火灾。火灾后,随之而来的是一场全北京市的“安全隐患大排查大清理大整治”风暴。

作者:张俊红来源:51CTO技术栈|2017-12-04 10:05

开发者大赛路演 | 12月16日,技术创新,北京不见不散


【51CTO.com原创稿件】11 月 18 日,北京西红门镇新建二村“聚福缘公寓”突发火灾。火灾后,随之而来的是一场全北京市的“安全隐患大排查大清理大整治”风暴。

聚集着几万外来务工人员的新建村在几天之内被清理一空。很多人正面临着要重新找房子或是离开北京的问题。

违建的公寓正在消失,危房出租正在被拆,这些被“风暴”涉及到的外来上班族怎么办?只有接受现实,勇敢面对。

为了生存,为了能留在帝都,为了改变人生、出人头地,再贵的房子他们都要租,或者他们可以再寻找一处稍远点的房子。

租房的烦恼,相信大家或多或少都有过。独自一人在大都市打拼,找个温暖的小窝实属不易,租个称心又价格公道的房子是件重要的事儿。

站在技术人的角度,今天我就如何从各大租房网的房源里面,找到最称心如意的小窝做些分享,供大家参考。

在找房子的过程中我们最关心是价格和通勤距离这两个因素。关于价格方面,现在很多租房网站都有,但是这些租房网站上没有关于通勤距离的衡量。

对于我这种对帝都不是很熟的人,对各个区域的位置更是一脸懵逼。所以我就想着能不能自己计算距离呢,后来查了查还真可以。

实现思路就是:先抓取房源信息,然后获取房源的经纬度,最后根据经纬度计算公司与具体房源之间的距离。

我们在获取经纬度之前,首先需要获取各个出租房所在地的名称,这里获取的方法是用爬虫爬取链家网上的信息。

Xpath 介绍

在爬取链家网的信息的时候用的是 Xpath 库,这里对 Xpath 库做一个简单的介绍。

Xpath 是什么

Xpath 是一门在 XML 文档中查找信息的语言。Xpath 可用来在 XML 文档中对元素和属性进行遍历。

Xpath 在查找信息的时候,需要先对 requests.get() 得到的内容进行解析,这里是用 lxml 库中的 etree.HTML(html) 进行解析得到一个对象 dom_tree,然后利用 dom_tree.Xpath() 方法获取对应的信息。

Xpath 怎么用

Xpath 最常用的几个符号就是“/”、“//”这两个符号,“/”表示该标签的直接子节点,就比如说一个人的众多子女,而“//”表示该标签的后代,就比如说是一个人的众多后代(包括儿女、外甥、孙子之类的辈分)。

更多详细内容这里就不 Ctrl C/V了。

数据抓取

我们本次抓取数据的流程是先获得目标网页 url,然后利用 requests.get() 获得 html,然后再利用 lxml 库中的 etree.HTML(html) 进行解析得到一个对象 dom_tree,然后利用 dom_tree.Xpath() 方法获取对应的信息。

先分析目标网页 url 的构造,链家网的 url 构造还是很简单的,页码就是 pg 后面的数字,在租房这个栏目下一共有 100 页,所以我们循环 100 次就好啦。

还有就是明确我们要获取的信息,在前面我们说了目标是要研究公司附近的出租房信息,但是我们在租房的时候也不是仅仅考虑距离这一个因素。

这里我准备获取标题、价格、区域(大概在哪一块)、看房人数(说明该房的受欢迎程度),楼层情况(高楼层还是低楼层),房租建筑时间等等。(就是你能看到的信息差不多都要弄下来哈哈)。

开始代码部分:

  1. #导入相关库 
  2. from lxml import etree 
  3. import requests 
  4. from requests.exceptions import ConnectionError 
  5. import pandas as pd 
  6. #获取目标网页的url 
  7. def get_page_index(): 
  8.     base="https://bj.lianjia.com/zufang/pg" 
  9.     for i in range(1,101,1): 
  10.         url=base+str(i)+"/" 
  11.         yield url#yield为列表生成器 

得到目标网页的 url 后,对其进行解析,采用的方法是先用 lxml 库的 etree 对 response 部分进行解析,然后利用 Xpath 进行信息获取。

  1. #请求目标网页,得到response 
  2. def get_page_detail(url): 
  3.     try: 
  4.         response=requests.get(url) 
  5.         if response.status_code==200: 
  6.             return etree.HTML(response.content.decode("utf-8")) 
  7.             #lxml.etree.HTML处理网页源代码会默认修改编码 
  8.         return None 
  9.     except ConnectionError: 
  10.         print ("Error occured"
  11.         return None 
  1. #解析目标网页 
  2. #title为房屋标题;name为小区名称;catogery为房屋类别(几室几厅) 
  3. #size为房屋大小;region为区域;PV为看房人数; 
  4. #second_feature为高低楼层;third_feature为房屋建筑时间 
  5. def parse_page_detail(dom_tree): 
  6.     try: 
  7.         title=dom_tree.xpath('//li/div[2]/h2/a/text()'
  8.         name=dom_tree.xpath('//li/div[2]//div/a/span/text()'
  9.         catogery=dom_tree.xpath('//li/div[2]//div//span[1]//span/text()'
  10.         size=dom_tree.xpath('//li/div[2]//div//span[2]/text()'
  11.         region=dom_tree.xpath('//li/div[2]//div[1]//div[2]//div/a/text()'
  12.         PV=dom_tree.xpath("//li/div[2]//div[3]//span[@class='num']/text()"
  13.         price=dom_tree.xpath("//li/div[2]//div[2]//span[@class='num']/text()"
  14.         date=dom_tree.xpath("//li/div[2]//div[2]//div[@class='price-pre']/text()"
  15.         first_feature=dom_tree.xpath('//li/div[2]//div[1]//div[3]//span[@class="fang-subway-ex"]/span/text()'
  16.         other=dom_tree.xpath('//li/div[2]//div[1]//div[2]//div/text()'
  17.         name1=[] 
  18.         catogery1=[] 
  19.         size1=[] 
  20.         second_feature=[] 
  21.         third_feature=[] 
  22.         for n in name
  23.             name2=n[0:-2] 
  24.             name1.append(name2) 
  25.         for c in catogery: 
  26.             catogery2=c[0:-2] 
  27.             catogery1.append(catogery2) 
  28.         for s in range(0,59,2): 
  29.             size2=size[s][0:-2] 
  30.             size1.append(size2) 
  31.             second_feature1=other[s] 
  32.             second_feature.append(second_feature1) 
  33.         for m in range(1,60,2): 
  34.             third_feature1=other[m] 
  35.             third_feature.append(third_feature1) 
  36.         return { 
  37.             "title":title, 
  38.             "name":name1, 
  39.             "catogery":catogery1, 
  40.             "size":size1, 
  41.             "region":region, 
  42.             "price":price, 
  43.             "PV":PV, 
  44.             "second_feature":second_feature, 
  45.             "third_feature":third_feature, 
  46.             "other":other       
  47.         } 
  48.     except
  49.         pass 
  1. #对获得目标内容进行整理导出 
  2. #建立一个空的DataFrame 
  3. df1=pd.DataFrame(columns=["title","name","catogery""size","region","price","PV"
  4.         "second_feature","third_feature","other" ]) 
  5. i=0 
  6. if __name__=="__main__"
  7.     urls=get_page_index() 
  8. for url in urls: 
  9.     dom_tree=get_page_detail(url) 
  10.     result=parse_page_detail(dom_tree) 
  11.     df2=pd.DataFrame(result) 
  12.     df1=df1.append(df2,ignore_index=False,verify_integrity=False
  13.     i=i+1 
  14.     print(i) #打印出目前爬取的页数   
  15. #保存数据到本地 
  16. df1.to_csv("D:\\Data-Science\\Exercisedata\\lianjia\\result.csv")
  1. df1.info#打印出爬虫结果的基本信息  

通过上图可以看出,我们一共抓取到 2970 条房屋信息,9columns。

  1. df1.head(3)#预览前3行 

经纬度的获取

我们刚刚只是获取了一些出租房的基本信息,但是我们要想计算距离还需要获得这些出租房所在的地理位置,即经纬度信息。

这里的经纬度是获取的区域层级的,即大概属于哪一个片区,本次爬取的 2970 条房屋信息分布在北京的 208 个区域/区域。

关于如何获取对应地点的经纬度信息,这里利用的 XGeocoding_v2 工具:

获取经纬度信息的地址如下:http://www.gpsspg.com/maps.htm

得到如下的结果(LATB 表示维度,LNGB 表示经度):

距离的计算

  1. #经纬度的计算函数 
  2. # input Lat_A 纬度A 
  3. # input Lng_A 经度A 
  4. # input Lat_B 纬度B 
  5. # input Lng_B 经度B 
  6. output distance 距离(km) 
  7. def calcDistance(Lat_A, Lng_A, Lat_B, Lng_B): 
  8.     ra = 6378.140  # 赤道半径 (km) 
  9.     rb = 6356.755  # 极半径 (km) 
  10.     flatten = (ra - rb) / ra  # 地球扁率 
  11.     rad_lat_A = radians(Lat_A) 
  12.     rad_lng_A = radians(Lng_A) 
  13.     rad_lat_B = radians(Lat_B) 
  14.     rad_lng_B = radians(Lng_B) 
  15.     pA = atan(rb / ra * tan(rad_lat_A)) 
  16.     pB = atan(rb / ra * tan(rad_lat_B)) 
  17.     xx = acos(sin(pA) * sin(pB) + cos(pA) * cos(pB) * cos(rad_lng_A - rad_lng_B)) 
  18.     c1 = (sin(xx) - xx) * (sin(pA) + sin(pB)) ** 2 / cos(xx / 2) ** 2 
  19.     c2 = (sin(xx) + xx) * (sin(pA) - sin(pB)) ** 2 / sin(xx / 2) ** 2 
  20.     dr = flatten / 8 * (c1 - c2) 
  21.     distance = ra * (xx + dr) 
  22.     return distance 
  1. #具体的计算 
  2. #Lat_A,Lng_A为你公司地址,这里以望京为例, 
  3. #你可以输入你公司所在地 
  4. Lat_A=40.0011422082; Lng_A=116.4871328088 
  5. Distance0=[]#用于存放各个区域到公司的距离 
  6. region=[] 
  7. for r in range(0,208,1): 
  8.     Lat_B=df3.loc[r][1];Lng_B=df3.loc[r][2] 
  9.     distance=calcDistance(Lat_A, Lng_A, Lat_B, Lng_B) 
  10.     Distance1='{0:10.3f} km'.format(distance) 
  11.     region0=df3.loc[r][0] 
  12.     Distance0.append(Distance1);region.append(region0) 
  13. date={"region":region,"Distance":Distance0}     
  14. Distance_result=pd.DataFrame(date,columns=["region","Distance"]) 

最后将距离以及区域与对应的小区拼接在一起,得到下面的结果。

进一步分析

  1. #导入相关库 
  2. % matplotlib inline 
  3. import pandas as pd 
  4. import numpy as np 
  5. import matplotlib.pyplot as plt 
  6. plt.style.use("ggplot"
  7. #导入合并后的文件 
  8. df=pd.read_csv("D:\\Data-Science\\Exercisedata\\lianjia\\lianjia-rental.csv",encoding="gbk",index_col="name"
  9. df.head() 

  1. df.info() 

通过 df.info() 可以看出,总共有 2454 条数据,这是在爬虫获取的 2970 条数据去重以后得到的。

在这些项中,size(房屋面积)、second_feature 以及 third_feature 均带有单位,为了后续分析方便,这里统一进行去单位(后缀)操作。

  1. df["size"]=[i[0:-2] for i in df["size"]]  
  2. df["Distance"]=[i[0:-2] for i in df["Distance"]]  
  3. df["second_feature"]=[i[0:3] for i in df["second_feature"]]  
  4. df["third_feature"]=[i[0:4] for i in df["third_feature"]]  
  5. df.head() 

  1. df.info()  

我们把后缀去掉了,Size、third_feature 和 Distance 看上去是数字,但是通过 df.info() 看出,这两个指标类型依然是 Object。为了进一步分析,我们要对它们继续进行处理。

  1. df["size"]=df["size"].astype(np.int32)  
  2. df["Distance"]=df["Distance"].astype(np.float64)  
  3. df["price"]=df["price"].astype(np.int32)  
  4. df["third_feature"]=df["third_feature"].astype(np.int32)  
  5. df.info()   

再次通过 df.info() 看出,该是数字类型的指标全部变成了 int/float 了,可以进行下一步了。

在文章刚开头就说过,一般租房最看重的两个因素就是距离&价格,价格可以直接在那些租房网上看到,肯定是越低越好,没啥好说的。

主要是距离,关于距离,有两种选择方式,一种是先选出离你上班地最近的几个区域,然后再在该区域内具体选择;另一个是可以设定你可以接受的通勤距离,然后以这个距离作为条件,在小于等于这个距离内进行筛选。

我们这里着重以第一种为主,先选择距离最近的几个区域,然后在这几个区域内进行选择。

因为距离是按 Region 来进行计算的,而表是按 Name 来统计的,所以要想计算出距离最近的 Region,需要先把 Region 和 Distance 部分提取出来,并合并成一个 DataFrame。

  1. region=list(df.region) 
  2. Distance=list(df.Distance) 
  3. Distance_result_data={"region":region,"Distance":Distance} 
  4. Distance_result=pd.DataFrame(Distance_result_data) 
  5. Distance_result1=Distance_result.drop_duplicates() 
  6. Distance_result1.head() 

  1. #距离最近的Top10区域 
  2. Distance_result1.sort_values(by="Distance").head(10) 

  1. #对位置进行可视化 
  2. top_region=Distance_result1.sort_values(by="Distance").head(10).region 
  3. top_Distance=Distance_result1.sort_values(by="Distance").head(10).Distance 
  4.  
  5. #绘制雷达图 
  6. labels = np.array(top_region)#标签 
  7. dataLenth = 10#数据个数 
  8. data = np.array(top_Distance)#数据 
  9.  
  10. angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False
  11. data = np.concatenate((data, [data[0]])) # 闭合 
  12. angles = np.concatenate((angles, [angles[0]])) # 闭合 
  13.  
  14. fig = plt.figure() 
  15. ax = fig.add_subplot(111, polar=True)# polar参数!! 
  16. ax.plot(angles, data, 'ro-', linewidth=2)# 画线 
  17. #ax.fill(angles, data, facecolor='r', alpha=0.25)# 填充 
  18. ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei"
  19. ax.set_title("距离望京最近的十个区域", va='bottom', fontproperties="SimHei"
  20. ax.set_rlim(0,6) 
  21. ax.grid(True
  22. plt.show() 

可以看到,Region=“望京”距离最近,所以我们重点在该区域内选择,接下来具体看看该区域内租房情况。

  1. Top1=df[df.region=="望京租房"]#将望京的租房信息筛选出来 
  2. Top1.info() 

通过上表可以看到在望京区域总共有 101 套房源,接下来对这 101 套房源进行深入分析。

  1. plt.subplot(131) 
  2. ax1=Top1.boxplot("price"
  3. ax1.set_ylim(0,90000) 
  4. plt.subplot(132) 
  5. ax2=Top1.boxplot("size"
  6. ax2.set_ylim(0,270) 
  7. plt.subplot(133) 
  8. ax3=Top1.boxplot("PV"
  9. ax3.set_ylim(-5,100) 

数据概览,先对该区域的租房整体情况有个认识,看到 Price 指标的下界为 5000 左右,上界接近于 30000,中位数为 10000 出头(有没有感觉到好贵哈哈哈哈),但是我们也看到有一个大于 80000 的超级异常值,我们利用截尾均值对他进行替代。

关于房屋大小,中位数为 100 平,这与 Price 中位数正好可以对应,折算下来相当于 1 平 100 大洋,在与那些 10 平左右的合租房需要 2000+ 大洋比一比,是不是觉得还是 100 平 10000 大洋便宜哈。

所以论一平米的价格的话还是整租更便宜。

先找出那个大于 80000 的异常值具体值是多少,然后进行值替换。

  1. Top1[Top1.price>80000]#通过图表可以看出,异常值是大于80000,但是看不到具体是多少 

  1. #值替换 
  2. from scipy import stats 
  3. Top1.price.replace(83000,stats.trim_mean(Top1.price,0.1),inplace=True
  1. Top1.boxplot("price"

这是将 Price 异常值处理以后得到的箱型图,看起来就比较规范了哈。

  1. plt.rcParams["font.sans-serif"]='SimHei' 
  2. plt.subplot(311) 
  3. grouped=Top1.groupby("second_feature")["price"
  4. ax4=grouped.count().plot.bar() 
  5. plt.subplot(312) 
  6. grouped2=Top1.groupby("third_feature")["price"
  7. ax5=grouped2.count().plot.bar() 
  8. plt.subplot(313) 
  9. grouped3=Top1.groupby("catogery")["price"
  10. ax6=grouped3.count().plot.bar() 
  11. plt.tight_layout() 

通过上图可以看出:中楼层和高楼层的房源绝对数量基本持平,高出低楼层数量一半。

房屋修建时间也是 2003 年以后的居多,这就和前面的楼层类型可以对应上了,在刚开始的时候(2003 年以前)大部分房子都是低楼层,随着时代的进步,科技的发展,人员的增多,楼层的数量和房屋的数量也随之增加。

房屋类型上的 Top3 类型分别为:2 室 1 厅、3 室 2 厅和 1 室 1 厅。

  1. #房屋修建时间与价格的散点图 
  2. Top1.plot.scatter(x="third_feature",y="price"

通过上图可以看出,随着时间的推移,2003 年以后的房子的 Price 要明显高于 2003 年以前的,如果要是对价格比较敏感,可以考虑 2003 年以前的房子。

  1. Top1.boxplot(column=["price"],by="catogery"
  2. plt.tight_layout() 

随着房屋类型的升级,价格也是随之升高,但是我们也发现,有一些三室房子的价格(下边界)要低于两室的价格的,如果对房间数量和价格都有要求的可以考虑这部分房源。

  1. Top1.boxplot(column=["price"],by="second_feature"

通过上图可以看到三个楼层的价格下界基本持平,但是中楼层的中位数和上界价格是要明显高于其他两个房型的,这也很正常,中楼层相比于其他两个楼层的房屋是最宜居的啦,价格贵也正常。

当然了,对于现在租房都很困难的环境下,哪还考虑什么宜居,当然是挑价格低的房型。

  1. Top1_PV=Top1.sort_values(by="PV",ascending=False).head(20) 
  2. Top1_PV.head() 

按 PV 进行降序,我们可以看出哪些房源是比较受欢迎,这些房源都有啥特征。

  1. plt.rcParams["font.sans-serif"]='SimHei' 
  2. plt.subplot(311) 
  3. grouped4=Top1_PV.groupby("second_feature")["price"
  4. ax7=grouped4.count().plot.bar() 
  5. plt.subplot(312) 
  6. grouped5=Top1_PV.groupby("third_feature")["price"
  7. ax8=grouped5.count().plot.bar() 
  8. plt.subplot(313) 
  9. grouped6=Top1_PV.groupby("catogery")["price"
  10. ax9=grouped6.count().plot.bar() 
  11. plt.subplots_adjust(left=0.2,right=1.0,top=1.6,bottom=0.2,hspace=0.5) 

  1. Top1_PV.plot.scatter(y="PV",x="price"

从图中可以看到,低楼层的房源数量不是最多的,但是看房次数却是最多的(最受欢迎的),可能是低楼层价格低的原因吧。

2003 年和 2007 的房源 PV 最高,这和该年代的房源绝对数量基本维持一致;两室一厅的户型最为火爆;在价格方面 10000 以下的房源比较受欢迎。

  1. Top1_PV.plot.scatter(y="PV",x="price"

结论

通过上面的分析我们可以得出一些参考:

  • 2003 年以前的房源的价格是要低于 2003 年之后的,对价格敏感的可以考虑 2003 年以前的房源。
  • 有一些三室的房子价格是低于两室的,如果对房间数量和价格都有要求的可以考虑这部分。
  • 中楼层的价格整体上是要高于低楼层的,但是还有一部分是要比低楼层低,而且通过从 PV 最高的楼层来看,低楼层的火爆程度要比中楼层高,所以可以寻找那些不那么火爆但是价格还低的中楼层。
  • 如果希望单位面积价格最低,还是整租比较合适。

注:本次的数据为链家网的整租房源信息,非合租信息,所以你会看到价格都很高。

张俊红,中国统计网专栏作者,个人公众号ID:zhangjunhong0428,数据分析路上的学习者与实践者,与你分享我的所见、所学、所想。

【51CTO原创稿件,合作站点转载请注明原文作者和出处为51CTO.com】

【编辑推荐】

  1. Python oracle数据库操作时,中文查询报错
  2. 基于Python的Scrapy爬虫入门:代码详解
  3. 给Python新手的一些编码建议
  4. Python薪资又涨了!这可咋办!
  5. Python脚本分析CPU使用情况
【责任编辑:武晓燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

公钥基础设施PKI及其应用

公钥基础设施PKI(Public Key Infrastructure)是利用公钥概念和加密技术为网上通信提供的符合标准的一整套安全基础平台。公钥基础设施能为...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊