Python爬取北京二手房数据，分析北漂族买得起房吗？ | 附完整源码

房价高是北漂们一直关心的话题，本文就对北京的二手房数据进行了分析。

本文主要分为两部分：Python爬取赶集网北京二手房数据，R对爬取的二手房房价做线性回归分析，适合刚刚接触Python&R的同学们学习参考。

01、Python爬取赶集网北京二手房数据

[[240927]]

入门爬虫一个月，所以对每一个网站都使用了Xpath、Beautiful Soup、正则三种方法分别爬取，用于练习巩固。数据来源如下：

Xpath爬取：

这里主要解决运用Xpath如何判断某些元素是否存在的问题，比如如果房屋没有装修信息，不加上判断，某些元素不存在就会导致爬取中断。

import requests 
from lxml import etree 
from requests.exceptions import RequestException 
import multiprocessing 
import time 
 
headers = { 
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} 
 
def get_one_page(url): 
    try: 
        response = requests.get(url, headers=headers) 
        if response.status_code == 200: 
            return response.text 
        return None 
    except RequestException: 
        return None 
 
def parse_one_page(content): 
    try: 
        selector = etree.HTML(content) 
        ALL = selector.xpath('//*[@id="f_mew_list"]/div[6]/div[1]/div[3]/div[1]/div') 
        for div in ALL: 
            yield { 
                'Name': div.xpath('dl/dd[1]/a/text()')[0], 
                'Type': div.xpath('dl/dd[2]/span[1]/text()')[0], 
                'Area': div.xpath('dl/dd[2]/span[3]/text()')[0], 
                'Towards': div.xpath('dl/dd[2]/span[5]/text()')[0], 
                'Floor': div.xpath('dl/dd[2]/span[7]/text()')[0].strip().replace('\n', ""), 
                'Decorate': div.xpath('dl/dd[2]/span[9]/text()')[0], 
                #地址需要特殊处理一下 
                'Address': div.xpath('dl/dd[3]//text()')[1]+div.xpath('dl/dd[3]//text()')[3].replace('\n','')+div.xpath('dl/dd[3]//text()')[4].strip(), 
                'TotalPrice': div.xpath('dl/dd[5]/div[1]/span[1]/text()')[0] + div.xpath('dl/dd[5]/div[1]/span[2]/text()')[0], 
                'Price': div.xpath('dl/dd[5]/div[2]/text()')[0] 
            } 
        if div['Name','Type','Area','Towards','Floor','Decorate','Address','TotalPrice','Price'] == None:##这里加上判断，如果其中一个元素为空，则输出None 
            return None 
    except Exception: 
        return None 
 
def main(): 
    for i in range(1, 500):#这里设置爬取500页数据，在数据范围内，大家可以自设置爬取的量 
        url = 'http://bj.ganji.com/fang5/o{}/'.format(i) 
        content = get_one_page(url) 
        print('第{}页抓取完毕'.format(i)) 
        for div in parse_one_page(content): 
            print(div) 
 
if __name__ == '__main__': 
    main() 

Beautiful Soup爬取：

import requests 
import re 
from requests.exceptions import RequestException 
from bs4 import BeautifulSoup 
import csv 
import time 
 
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} 
 
def get_one_page(url): 
    try: 
        response = requests.get(url,headers = headers) 
        if response.status_code == 200: 
            return response.text 
        return None 
    except RequestException: 
        return None 
 
def parse_one_page(content): 
    try: 
        soup = BeautifulSoup(content,'html.parser') 
        items = soup.find('div',class_=re.compile('js-tips-list')) 
        for div in items.find_all('div',class_=re.compile('ershoufang-list')): 
            yield { 
                'Name':div.find('a',class_=re.compile('js-title')).text, 
                'Type': div.find('dd', class_=re.compile('size')).contents[1].text,#tag的 .contents 属性可以将tag的子节点以列表的方式输出 
                'Area':div.find('dd',class_=re.compile('size')).contents[5].text, 
                'Towards':div.find('dd',class_=re.compile('size')).contents[9].text, 
                'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace('\n',''), 
                'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text, 
                'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace('\n',''), 
                'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text, 
                'Price':div.find('div',class_=re.compile('time')).text 
            } 
        #有一些二手房信息缺少部分信息，如：缺少装修信息，或者缺少楼层信息，这时候需要加个判断，不然爬取就会中断。 
        if div['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None: 
                return None 
    except Exception: 
        return None 
 
def main(): 
    for i in range(1,50): 
        url = 'http://bj.ganji.com/fang5/o{}/'.format(i) 
        content = get_one_page(url) 
        print('第{}页抓取完毕'.format(i)) 
        for div in parse_one_page(content): 
            print(div) 
        with open('Data.csv', 'a', newline='') as f:  # Data.csv 文件存储的路径,如果默认路径就直接写文件名即可。 
            fieldnames = ['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] 
            writer = csv.DictWriter(f, fieldnames=fieldnames) 
            writer.writeheader() 
            for item in parse_one_page(content): 
                writer.writerow(item) 
        time.sleep(3)#设置爬取频率，一开始我就是爬取的太猛，导致网页需要验证。 
 
if __name__=='__main__': 
    main() 

正则爬取：我研究了好久，还是没有解决。

这一过程中容易遇见的问题有：

• 有一些房屋缺少部分信息，如缺少装修信息，这个时候需要加一个判断，如果不加判断，爬取就会自动终止(我在这里跌了很大的坑)。

Data.csv知识点存储文件路径默认是工作目录，关于Python中如何查看工作目录：

import os  
 
#查看pyhton 的默认工作目录 
print(os.getcwd()) 
 
#修改时工作目录 
os.chdir('e:\\workpython') 
print(os.getcwd()) 
#输出工作目录 
e:\workpython 

• 爬虫打印的是字典形式，每个房屋信息都是一个字典，由于Python中excel相关库是知识盲点，所以爬虫的时候将字典循环直接写入了CSV。

Pycharm中打印如下：

 

将字典循环直接写入CSV效果如下：

• 很多初学者对于Address不知如何处理，这里强调一下Beautiful Soup 中.contents的用法，亲身体会，我在这里花了好多时间才找到答案。

02、R对爬取的二手房房价做一般线性回归分析

下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。

数据的说明

• Name：主要是商家的醒目标题，不具备分析参考意义
• Type：卧室数、客厅数、卫生间数
• Area：面积(平方米)
• Towards：朝向
• Floor：楼层
• Decorate：装修情况，如精装修、简单装修、毛坯房
• Address：二手房的地址
• TotalPrice：总价
• Price：均价(元/平方米)

数据清洗

data<-read.csv("E://Data For R/RData/data.csv") 
DATA<-data[,-c(1,7)]#将Name和Address两列去掉 
DATA[sample(1:nrow(DATA),size=10),] 

 

 

#在爬取的时候加入了判断，所以不知道爬取的数据中是否存在缺失值，这里检查一下 
colSums(is.na(DATA)) 

 

#这里将Type的卧室客厅和卫生间分为三个不同的列 
##这里需要注意，有一些房屋没有客厅如：1室1卫这时候需要单独处理，还有一些没有厕所信息。 
library(tidyr) 
library(stringr) 
DATA=separate(data=DATA,col=Type,into = c("Bedrooms","Halls"),sep="室") 
DATA=separate(data=DATA,col=Halls,into = c("Halls","Toilet"),sep="厅") 
##将卫生间后面的汉字去掉 
DATA$Toilet<-str_replace(DATA$Toilet,"卫","") 
###如图六，将Halls中带有汉字去掉，因为有一些房屋信息没有客厅，如：1室1厅，在分成卧室和客厅时，会将卫生间分到客厅一列。 
DATA$Halls<-str_replace(DATA$Halls,"卫","") 
##取出没有客厅信息的数据，这些数据被separate到Halls列 
newdata<-DATA[which(DATA$Toilet %in% NA),2] 
newdata 
##将没有客厅的房屋信息Halls列填充为0 
DATA[which(DATA$Toilet %in% NA),2]<-0 
DATA[which(DATA$Toilet %in% NA),3]<-newdata 
colSums(DATA=="") 
  Bedrooms      Halls     Toilet       Area    Towards      Floor   Decorate  
         0          0          2          0          0          0          0  
TotalPrice      Price  
         0          0  
 
##发现有2个厕所没有信息,将其填写为0。 
DATA$Toilet[DATA$Toilet == ""]<-0 

 

##这里将Area后的㎡去掉 
DATA$Area<-str_replace(DATA$Area,"㎡","") 
 
##查看Towards的类型 
table(DATA$Towards) 
 
Towards    北向  东北向  东南向  东西向    东向  南北向    南向  西北向  
     51      25      23      50      65      32    1901     678      38  
 西南向    西向  
     28      26  
##将Floor信息带括号的全部去除 
DATA$Floor<-str_replace(DATA$Floor,"[（].*[）]","")##正则表达式 
#查看Floor的类别信息 
 低层  地下  高层 共1层 共2层 共3层 共4层 共5层  中层  
  632    32   790    36    61   101    68   130  1016  
 
#分别将TotalPrice和Price后面的万元、元/㎡去掉 
 
DATA$TotalPrice<-str_replace(DATA$TotalPrice,"万元","") 
DATA$Price<-str_replace(DATA$Price,"元/㎡","") 
 
head(DATA) 

 

##将数据转换格式 
DATA$Bedrooms<-as.factor(DATA$Bedrooms) 
DATA$Halls<-as.factor(DATA$Halls) 
DATA$Toilet<-as.factor(DATA$Toilet) 
DATA$Area<-as.numeric(DATA$Area) 
DATA$TotalPrice<-as.numeric(DATA$TotalPrice) 
DATA$Price<-as.numeric(DATA$Price) 
DATA$Towards<-as.factor(DATA$Towards) 
DATA$Decorate<-as.factor(DATA$Decorate) 
str(DATA) 

 

以上数据清洗完毕。

03、描述性分析

这部分的主要思路是探究单个自变量对因变量的影响，对房价的影响因素进行模拟探究之前，首先对各变量进行描述性分析，以初步判断房价的影响因素。这里探究各个因素对总价影响。

探究Bedrooms与TotalPrice的关系

table(DATA$Bedrooms) 
  1    2    3    4    5    6    7    9  
541 1225  779  193  102   20    5    1  
##由于拥有6、7、9个卧室数的数量较少，这里我们排出这些数据。 
DATA<-DATA[-(which(DATA$Bedrooms %in% "6")),] 
DATA<-DATA[-(which(DATA$Bedrooms %in% "7")),] 
DATA<-DATA[-(which(DATA$Bedrooms %in% "9")),] 
table(DATA$Bedrooms) 
   1    2    3    4    5  
 541 1225  779  193  102  
 
library(ggplot2) 
ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col="red") 

 

DATA$Bedrooms<-as.numeric(DATA$Bedrooms) 
##这里将卧室数为1、2、3命名为A，4为B，5为C 
DATA$Bedrooms[DATA$Bedrooms=='1']<-"A" 
DATA$Bedrooms[DATA$Bedrooms=='2']<-"A" 
DATA$Bedrooms[DATA$Bedrooms=='3']<-"A" 
DATA$Bedrooms[DATA$Bedrooms=='4']<-"B" 
DATA$Bedrooms[DATA$Bedrooms=='5']<-"C" 

不同卧室数，TotalPrice不同。且随着卧室数的增多，总价越高，符合大众的认知。

探究Halls与TotalPrice的关系

 table(DATA$Halls)  
   0    1    2    3    4    5    9  
  20 1674 1050   77   18    1    0  
##5个客厅只有一个个体，我们这里将其排出 
DATA<-DATA[-(which(DATA$Halls %in% "5")),] 
table(DATA$Halls) 
   0    1    2    3    4    5    9  
  20 1674 1050   77   18    0    0  
ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col="red") 

 

客厅数为3时候总价***，客厅数为0、1和2的时候总价低于客厅数3和客厅数4。

探究Toilet与TotalPrice的关系

#探究卫生间与总价的关系 
table(DATA$Toilet) 
   0    1    2    3    4    5    6    7    9  
   2 2142  470  116   74   26    7    2    0   
#这里将卫生间数为0、6和7的去掉 
DATA<-DATA[-(which(DATA$Toilet %in% "0")),] 
DATA<-DATA[-(which(DATA$Toilet %in% "6")),] 
DATA<-DATA[-(which(DATA$Toilet %in% "7")),] 
table(DATA$Toilet) 
   0    1    2    3    4    5    6    7    9  
   0 2142  470  116   74   26    0    0    0  
ggplot(DATA,aes(x=Toilet,y=TotalPrice))+geom_boxplot(col="red") 

 

一般卧室数越多，卫生间数也越多，即卫生间数越多，总价越高。

探究Area与TotalPrice的关系

ggplot(DATA, aes(x=Area, y=TotalPrice)) + geom_point(col='red') 

 

这个完全符合住房面积越大，总价越高。

探究Towards与TotalPrice的关系

ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red") 

 

探究Floor与TotalPrice的关系

ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red") 

 

图中信息显示楼层一共只有1、2、3、地下的总价较高。

探究Decorate与TotalPrice的关系

ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red") 

 

不同装修信息对总价影响较小。

04、模型建立

fit <-lm(TotalPrice~Bedrooms+Halls+Toilet+Area+Towards+Floor+Decorate,data=DATA) 
summary(fit) 
 
Call: 
lm(formula = TotalPrice ~ Bedrooms + Halls + Toilet + Area +  
    Towards + Floor + Decorate, data = DATA) 
 
Residuals: 
     Min       1Q   Median       3Q      Max  
-1330.80  -103.49   -21.41    63.88  2961.59  
 
Coefficients: 
                  Estimate Std. Error t value Pr(>|t|)     
(Intercept)      -112.7633    88.3010  -1.277 0.201697     
Bedrooms2         -43.5934    16.2533  -2.682 0.007359 **  
Bedrooms3         -82.6565    20.7641  -3.981 7.04e-05 *** 
Bedrooms4         -63.3096    34.9521  -1.811 0.070198 .   
Bedrooms5          79.0618    54.0763   1.462 0.143842     
Halls1             -5.0663    64.2764  -0.079 0.937182     
Halls2            -53.8905    65.4427  -0.823 0.410307     
Halls3           -303.9750    79.2280  -3.837 0.000127 *** 
Halls4           -528.5427   104.0849  -5.078 4.07e-07 *** 
Toilet2           112.9566    19.1171   5.909 3.87e-09 *** 
Toilet3           543.7304    38.8056  14.012  < 2e-16 *** 
Toilet4           735.1894    55.0977  13.343  < 2e-16 *** 
Toilet5           338.7906    84.2851   4.020 5.98e-05 *** 
Area                5.1091     0.1619  31.557  < 2e-16 *** 
Towards东北向     138.9088    79.3817   1.750 0.080248 .   
Towards东南向     187.1895    68.5388   2.731 0.006351 **  
Towards东西向     176.3055    65.8384   2.678 0.007453 **  
Towards东向       210.9435    73.2744   2.879 0.004022 **  
Towards南北向      75.7831    57.1199   1.327 0.184704     
Towards南向        60.1949    56.9678   1.057 0.290763     
Towards西北向      75.4326    71.1415   1.060 0.289091     
Towards西南向     169.8106    75.9626   2.235 0.025467 *   
Towards西向       234.0816    76.5585   3.058 0.002253 **  
Floor地下        -812.3578    63.3277 -12.828  < 2e-16 *** 
Floor高层          12.3525    14.2466   0.867 0.385991     
Floor共1层       -313.7278    52.1342  -6.018 2.00e-09 *** 
Floor共2层       -453.3692    41.6829 -10.877  < 2e-16 *** 
Floor共3层       -601.7032    44.3336 -13.572  < 2e-16 *** 
Floor共4层       -183.7866    36.3396  -5.057 4.52e-07 *** 
Floor共5层        -41.4184    25.7922  -1.606 0.108419     
Floor中层          -1.7223    13.5961  -0.127 0.899204     
Decorate简单装修  -63.1591    22.0584  -2.863 0.004224 **  
Decorate精装修    -49.3276    19.8544  -2.484 0.013033 *   
Decorate毛坯     -157.0299    24.3012  -6.462 1.22e-10 *** 
--- 
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
 
Residual standard error: 265.5 on 2794 degrees of freedom 
Multiple R-squared:  0.6852,    Adjusted R-squared:  0.6815  
F-statistic: 184.3 on 33 and 2794 DF,  p-value: < 2.2e-16 

模型的F检验拒绝原假设，说明建立的模型是显著的;Ajusted R-squared为0.6815，模型的拟合程度尚可接受。

作者：徐麟，知乎同名专栏作者，目前就职于上海唯品会产品技术中心，哥大统计数据狗，从事数据挖掘&分析工作，喜欢用R&Python玩一些不一样的数据。