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

前言：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。文章思路清晰，代码详细，特别适合刚刚接触Python&R的同学学习参考。

Part1：Python爬取赶集网北京二手房数据

入门爬虫一个月，所以对每一个网站都使用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：

本文使用Beautiful Soup讲解。

Xpath传送门：Xpath+requests爬取赶集网北京二手房数据

import requestsimport refrom requests.exceptions import RequestExceptionfrom bs4 import BeautifulSoupimport csvimport timeheaders = {'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 Nonedef 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(' ',''), 'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text, 'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace(' ',''), '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 Nonedef 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()

对于小白容易遇见的一些问题：

a、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。

b、Data.csv知识点存储文件路径默认是工作目录，关于工作目录传送门：python中如何查看工作目录

c、爬虫打印的是字典形式，每一个房屋信息都是一个字典，由于对Python中excel相关库是我知识盲点，所以爬虫的时候将字典循环直接写入CSV。

pycharm中打印如下：

图一

将字典循环直接写入CSV效果如下：

图二

d、很多初学者对于Address这种不知道如何处理，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。

图三

Part2：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。

2.1、数据的说明

Name：主要是商家的醒目标题，分析的时候没有啥参考意义

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）

2.2、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),]

图四

#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))

图五

#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)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$Toilet %in% NA),2]newdata##将没有客厅的房屋信息Halls列填充为0DATA[which(DATA$Toilet %in% NA),2]<-0DATA[which(DATA$Toilet %in% NA),3]<-newdatacolSums(DATA=="")  Bedrooms      Halls     Toilet       Area    Towards      Floor   Decorate         0          0          2          0          0          0          0 TotalPrice      Price         0          0 ##发现有2个厕所没有信息,将其填写为0。DATA$Toilet[DATA$Toilet == ""]<-0

图六

##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)

图七

##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)

图八

以上数据清洗完毕。

Part3：描述性分析

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，已初步判断房价的影响因素。这里探究各个因素对总价影响。

3.1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")

图九

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CDATA$Bedrooms[DATA$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。

3.2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")

图十

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

3.3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")

图十一

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。

3.4探究Area与TotalPrice的关系

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

图十二

这个完全符合住房面积越大，总价越高。

3.5探究Towards与TotalPrice的关系

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

图十三

3.6探究Floor与TotalPrice的关系

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

图十四

图中信息显示楼层一共只有1、2、3、地下的总价较高。

3.7探究Decorate与TotalPrice的关系

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

图十五

不同装修信息对总价影响较小。

Part4：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 ‘ ’ 1Residual standard error: 265.5 on 2794 degrees of freedomMultiple 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。

后面还有模型的检验，之后有机会会进行更深入的探讨。