久久久做爱视频,国产美女被插,一级少妇高清性色生活片,国产区一区,久久久久久久久久一区二区三区,乱伦图片区,边被c边被打屁股高潮小说,特级www

導(dǎo)讀：近期，蛋殼公寓“爆雷”事件持續(xù)發(fā)酵，期間因拖欠房東房租與租客退款，蛋殼公寓陷入討債風(fēng)波，全國(guó)多地蛋殼公寓辦公區(qū)域出現(xiàn)大規(guī)模解約事件，而作為蛋殼公寓總部所在地北京，自然首當(dāng)其沖。

長(zhǎng)租公寓暴雷，不少年輕人不得不流離失所，構(gòu)成疫情下的另一個(gè)經(jīng)濟(jì)寫(xiě)照，事態(tài)何去何從，值得關(guān)注。本文從數(shù)據(jù)角度出發(fā)，爬取了蛋殼公寓北京區(qū)域共6025條公寓數(shù)據(jù)，清洗數(shù)據(jù)，并進(jìn)行可視化分析，為大家了解蛋殼公寓提供一個(gè)新的視角。

作者：J哥

來(lái)源：菜J學(xué)Python（ID：caijxuepy）

01 數(shù)據(jù)獲取

蛋殼公寓網(wǎng)頁(yè)結(jié)構(gòu)相對(duì)簡(jiǎn)單，數(shù)據(jù)結(jié)構(gòu)統(tǒng)一，簡(jiǎn)單的url翻頁(yè)構(gòu)造即可。需要注意的是極少數(shù)網(wǎng)頁(yè)會(huì)返回404，需要添加判斷過(guò)濾掉。本文用request請(qǐng)求到數(shù)據(jù)，用xpath對(duì)返回的數(shù)據(jù)進(jìn)行解析，最后以追加模式將數(shù)據(jù)存儲(chǔ)為csv文件。爬蟲(chóng)核心代碼如下：

def?get_danke(href):
???time.sleep(random.uniform(0,?1))??#設(shè)置延時(shí)，避免對(duì)服務(wù)器產(chǎn)生壓力
???response?=?requests.get(url=href,?headers=headers)
???if?response.status_code?==?200:??#部分網(wǎng)頁(yè)會(huì)跳轉(zhuǎn)404，需要做判斷
???????res?=?response.content.decode('utf-8')
???????div?=?etree.HTML(res)
???????items?=?div.xpath("/html/body/div[3]/div[1]/div[2]/div[2]")
???????for?item?in?items:
???????????house_price=item.xpath("./div[3]/div[2]/div/span/div/text()")[0]
???????????house_area=item.xpath("./div[4]/div[1]/div[1]/label/text()")[0].replace('建筑面積：約','').replace('㎡（以現(xiàn)場(chǎng)勘察為準(zhǔn)）','')
???????????house_id=item.xpath("./div[4]/div[1]/div[2]/label/text()")[0].replace('編號(hào)：','')
???????????house_type=item.xpath("./div[4]/div[1]/div[3]/label/text()")[0].replace('\n','').replace('?','').replace('戶型：','')
???????????house_floor=item.xpath("./div[4]/div[2]/div[3]/label/text()")[0].replace('樓層：','')
???????????house_postion_1=item.xpath("./div[4]/div[2]/div[4]/label/div/a[1]/text()")[0]
???????????house_postion_2=item.xpath("./div[4]/div[2]/div[4]/label/div/a[2]/text()")[0]
???????????house_postion_3=item.xpath("./div[4]/div[2]/div[4]/label/div/a[3]/text()")[0]
???????????house_subway=item.xpath("./div[4]/div[2]/div[5]/label/text()")[0]
???else:
???????house_price?=?None
???????house_area?=?None
???????house_id?=?None
???????house_type?=?None
???????house_floor?=?None
???????house_postion_1?=?None
???????house_postion_2?=?None
???????house_postion_3?=?None
???????house_subway?=?None
......

由于代碼運(yùn)行過(guò)程中中斷了幾次，最終將數(shù)據(jù)保存為以下幾個(gè)csv文件中：

02 數(shù)據(jù)處理

1. 導(dǎo)入數(shù)據(jù)分析包

import?pandas?as?pd
import?numpy?as?np
from?pathlib?import?Path
import?re

2. 導(dǎo)入數(shù)據(jù)并合并

找到文件夾中的所有csv文件，遍歷讀取數(shù)據(jù)，最后用concat方法合并所有數(shù)據(jù)。

files?=?Path(r"D:\菜J學(xué)Python\數(shù)據(jù)分析\蛋殼公寓").glob("*.csv")
dfs?=?[pd.read_csv(f)?for?f?in?files]
df?=?pd.concat(dfs)
df.head()

3. 數(shù)據(jù)去重

數(shù)據(jù)爬取過(guò)程中有中斷，因此可能存在重復(fù)爬取的情況，需要去重處理。

df?=?df.drop_duplicates()

4. 查看數(shù)據(jù)

用df.info()方法查看整體數(shù)據(jù)信息，結(jié)合預(yù)覽的數(shù)據(jù)，我們可以很容易發(fā)現(xiàn)，價(jià)格和面積字段不是數(shù)字類型，需要轉(zhuǎn)換處理。樓層字段可以提取出所在樓層和總樓層。

df.info()

???<class?'pandas.core.frame.DataFrame'>
???Int64Index:6026?entries,?0?to?710
???Data?columns?(total?9?columns):
????#???Column??Non-Null?Count??Dtype?
???---??------??--------------??-----?
????0???價(jià)格??????6025?non-null???object
????1???面積??????6025?non-null???object
????2???編號(hào)??????6025?non-null???object
????3???戶型??????6025?non-null???object
????4???樓層??????6025?non-null???object
????5???位置16025?non-null???object
????6???位置26025?non-null???object
????7???小區(qū)??????6025?non-null???object
????8???地鐵??????6025?non-null???object
???dtypes:?object(9)
???memory?usage:?470.8+?KB

5. 數(shù)據(jù)類型轉(zhuǎn)換

在字段類型轉(zhuǎn)換時(shí)報(bào)錯(cuò)，檢查發(fā)現(xiàn)是數(shù)據(jù)存在一行臟數(shù)據(jù)，因此先刪除臟數(shù)據(jù)再做轉(zhuǎn)換即可。數(shù)據(jù)類型轉(zhuǎn)換用到astype()方法，提取所在樓層和總樓層時(shí)根據(jù)字符"/"分列即可，采用split()方法。

#刪除包含臟數(shù)據(jù)的行
jg?=?df['價(jià)格']?!=?"價(jià)格"
df?=?df.loc[jg,:]

#將價(jià)格字段轉(zhuǎn)為數(shù)字類型
df["價(jià)格"]?=?df["價(jià)格"].astype("float64")

#將面積字段轉(zhuǎn)為數(shù)字類型
df["面積"]?=?df["面積"].astype("float64")

#提取所在樓層
df?=?df[df['樓層'].notnull()]
df['所在樓層']=df['樓層'].apply(lambda?x:x.split('/')[0])
df['所在樓層']?=?df['所在樓層'].astype("int32")

#提取總樓層
df['總樓層']=df['樓層'].apply(lambda?x:x.split('/')[1])
df['總樓層']?=?df['總樓層'].str.replace("層","").astype("int32")

6. 地鐵字段清洗

地鐵字段可以提取出地鐵數(shù)和距離地鐵距離。地鐵數(shù)通過(guò)統(tǒng)計(jì)字符"號(hào)線”的數(shù)量來(lái)計(jì)算，而距離地鐵距離通過(guò)正則表達(dá)式匹配出字符"米"前面的數(shù)字即可。為方便理解，這里直接構(gòu)造函數(shù)進(jìn)行清洗。

def?get_subway_num(row):
???subway_num=row.count('號(hào)線')
???return?subway_num

def?get_subway_distance(row):
???distance=re.search(r'\d+(?=米)',row)
???if?distance==None:
???????return-1
???else:
???????return?distance.group()
df['地鐵數(shù)']=df['地鐵'].apply(get_subway_num)
df['距離地鐵距離']=df['地鐵'].apply(get_subway_distance)
df['距離地鐵距離']=df['距離地鐵距離'].astype("int32")

7. 保存數(shù)據(jù)

數(shù)據(jù)清洗完畢后，用df.to_excel()將數(shù)據(jù)保存為excel文件。

df.to_excel(r"\菜J學(xué)Python\數(shù)據(jù)分析\蛋殼公寓.xlsx")
df.head()

03 數(shù)據(jù)可視化

1. 導(dǎo)入可視化相關(guān)包

import?matplotlib.pyplot?as?plt
import?seaborn?as?sns
%matplotlib?inline
plt.rcParams['font.sans-serif']?=?['SimHei']??#?設(shè)置加載的字體名
plt.rcParams['axes.unicode_minus']?=?False#?解決保存圖像是負(fù)號(hào)'-'顯示為方塊的問(wèn)題?
import?jieba
from?pyecharts.charts?import?*
from?pyecharts?import?options?as?opts?
from?pyecharts.globals?import?ThemeType??
import?stylecloud
from?IPython.display?import?Image

2. 各行政區(qū)公寓數(shù)量

根據(jù)清洗后的數(shù)據(jù)繪制北京蛋殼公寓分布地圖，我們可以很清晰的看到蛋殼公寓的布局，朝陽(yáng)區(qū)和通州區(qū)是蛋殼公寓主要分布區(qū)域，延慶、密云、懷柔、平谷和門頭溝地區(qū)蛋殼公寓分布極少。

從各行政區(qū)數(shù)量上來(lái)看，朝陽(yáng)區(qū)和通州區(qū)蛋殼公寓數(shù)量均超過(guò)1000個(gè)，朝陽(yáng)區(qū)遙遙領(lǐng)先其他地區(qū)，共計(jì)1877個(gè)，通州區(qū)緊隨其后，為1027個(gè)。

df7?=?df["位置1"].value_counts()[:10]
df7?=?df7.sort_values(ascending=True)
df7?=?df7.tail(10)
print(df7.index.to_list())
print(df7.to_list())
c?=?(
???Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
???.add_xaxis(df7.index.to_list())
???.add_yaxis("",df7.to_list()).reversal_axis()?#X軸與y軸調(diào)換順序
???.set_global_opts(title_opts=opts.TitleOpts(title="各行政區(qū)公寓數(shù)量",subtitle="數(shù)據(jù)來(lái)源：蛋殼公寓?\t制圖：菜J學(xué)Python",pos_left?=?'left'),
??????????????????????xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)),?#更改橫坐標(biāo)字體大小
??????????????????????yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)),?#更改縱坐標(biāo)字體大小
??????????????????????)
???.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))
???)
c.render_notebook()

3. 小區(qū)公寓數(shù)量TOP10

從小區(qū)數(shù)量來(lái)看，新建村小區(qū)、花香東苑和連心園西區(qū)蛋殼公寓數(shù)量最多，均超過(guò)50個(gè)。這也意味著，這些小區(qū)的租戶受蛋殼風(fēng)波的影響相較于其他小區(qū)更大。

df7?=?df["小區(qū)"].value_counts()[:10]
df7?=?df7.sort_values(ascending=True)
df7?=?df7.tail(10)
print(df7.index.to_list())
print(df7.to_list())
c?=?(
???Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK,width="1100px",height="600px"))
???.add_xaxis(df7.index.to_list())
???.add_yaxis("",df7.to_list()).reversal_axis()?#X軸與y軸調(diào)換順序
???.set_global_opts(title_opts=opts.TitleOpts(title="小區(qū)公寓數(shù)量TOP10",subtitle="數(shù)據(jù)來(lái)源：蛋殼公寓?\t制圖：菜J學(xué)Python",pos_left?=?'left'),
??????????????????????xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=11)),?#更改橫坐標(biāo)字體大小
??????????????????????yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":30}),?#更改縱坐標(biāo)字體大小
??????????????????????)
???.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))
???)
c.render_notebook()

4. 蛋殼公寓租金分布

對(duì)租金進(jìn)行區(qū)間分段，我們發(fā)現(xiàn)，北京蛋殼公寓的租金還是相當(dāng)有吸引力的，超過(guò)一半的公寓租金在2000-3000元/月。2000元/月以下的公寓數(shù)量占比也高達(dá)26.13%。

#租金分段
df['租金分段']?=?pd.cut(df['價(jià)格'],[0,1000,2000,3000,4000,1000000],labels=['1000元以下','1000-2000元','2000-3000元','3000-4000元','4000元以上'],right=False)
df11?=?df["租金分段"].value_counts()
df11?=?df11.sort_values(ascending=False)
df11?=?df11.round(2)
print(df11)
c?=?(
???????Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK))
???????.add(
???????????"",
???????????[list(z)?for?z?in?zip(df11.index.to_list(),df11.to_list())],
???????????radius=["20%",?"80%"],???#圓環(huán)的粗細(xì)和大小
???????????rosetype='area'

???????)
???????.set_global_opts(legend_opts?=?opts.LegendOpts(is_show?=?False),title_opts=opts.TitleOpts(title="蛋殼公寓租金分布",subtitle="數(shù)據(jù)來(lái)源：蛋殼公寓\n制圖：菜J學(xué)Python",pos_top="0.5%",pos_left?=?'left'))
???????.set_series_opts(label_opts=opts.LabelOpts(formatter=":13ixwwoc3%",font_size=16))
???)
c.render_notebook()

5. 各行政區(qū)租金分布

我們繼續(xù)將地區(qū)因素引入租金分析中，發(fā)現(xiàn)，不同行政區(qū)內(nèi)的租金分布也存在較大差異。以朝陽(yáng)區(qū)為例，2000-3000元/月的公寓占比最多，而通州區(qū)1000-2000元/月的公寓占比更多。這也很容易理解，畢竟所處的區(qū)位和經(jīng)濟(jì)發(fā)展?fàn)顩r差異較大。

h?=?pd.pivot_table(df,index=['租金分段'],values=['價(jià)格'],
??????????????columns=['位置1'],aggfunc=['count'])
k?=?h.droplevel([0,1],axis=1)??#刪除指定的索引/列級(jí)別
c?=?(
???Polar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
???.add_schema(angleaxis_opts=opts.AngleAxisOpts(data=k.columns.tolist(),?type_="category"))
???.add("1000以下",h.values.tolist()[0],?type_="bar",?stack="stack0")
???.add("1000-2000元",h.values.tolist()[1],?type_="bar",?stack="stack0")
???.add("2000-3000元",?h.values.tolist()[2],?type_="bar",?stack="stack0")
???.add("3000-4000元",?h.values.tolist()[3],?type_="bar",?stack="stack0")
???.add("4000元以上",?h.values.tolist()[4],?type_="bar",?stack="stack0")
???.set_global_opts(title_opts=opts.TitleOpts(title="各行政區(qū)租金情況",subtitle="數(shù)據(jù)來(lái)源：蛋殼公寓\n制圖：菜J學(xué)Python"))

)
c.render_notebook()

6. 蛋殼公寓樓層分布

從北京蛋殼公寓的樓層分布來(lái)看，10層以下占比高達(dá)73.92，高層和超高層不是蛋殼公寓的理想選擇。

#?漏斗圖?
df['樓層分段']?=?pd.cut(df['所在樓層'],[0,10,20,30,40,1000000],labels=['10層以下','10-20層','20-30層','30-40層','40層以上'],right=False)
count?=?df['樓層分段'].value_counts()?#?pd.Series
print(count)
job?=?list(count.index)
job_count?=?count.values.tolist()
from?pyecharts.charts?import?Funnel

c?=?(
???Funnel(init_opts=opts.InitOpts(theme=ThemeType.DARK))
???.add("",?[list(i)?for?i?in?zip(job,job_count)])
???.set_global_opts(
???????title_opts=opts.TitleOpts(title="蛋殼公寓樓層分布",subtitle="數(shù)據(jù)來(lái)源：蛋殼公寓\n制圖：菜J學(xué)Python",pos_top="0.1%",pos_left?=?'left'),legend_opts?=?opts.LegendOpts(is_show?=?False))
???.set_series_opts(label_opts=opts.LabelOpts(formatter=":13ixwwoc3%",font_size=16))
)
c.render_notebook()

7. 蛋殼公寓戶型分布

從北京蛋殼公寓的戶型分布來(lái)看，3室1衛(wèi)為主，共計(jì)2783個(gè)，其次才是4室1衛(wèi)。這與深圳蛋殼公寓以4室1衛(wèi)為主的情況存在較大差異。

df2?=?df.groupby('戶型')['價(jià)格'].count()?
df2?=?df2.sort_values(ascending=False)[:10]
#?print(df2)
bar?=?Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
bar.add_xaxis(df2.index.to_list())
bar.add_yaxis("",df2.to_list())?#X軸與y軸調(diào)換順序
bar.set_global_opts(title_opts=opts.TitleOpts(title="蛋殼公寓戶型分布",subtitle="數(shù)據(jù)來(lái)源：蛋殼公寓\t制圖：菜J學(xué)Python",pos_top="2%",pos_left?=?'center'),
??????????????????xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=16)),?#更改橫坐標(biāo)字體大小
??????????????????yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=16)),?#更改縱坐標(biāo)字體大小
??????????????????)
bar.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='top'))
bar.render_notebook()

8. 蛋殼公寓面積分布

從北京蛋殼公寓的面積分布來(lái)看，86.77%的公寓面積不足20㎡。北京10㎡以下的蛋殼公寓占比達(dá)到了21.2%，即便如此，這個(gè)數(shù)字仍不足深圳的一半。

df['面積分段']?=?pd.cut(df['面積'],[0,10,20,30,40,1000000],labels=['10㎡以下','10-20㎡','20-30㎡','30-40㎡','40㎡以上'],right=False)
df2?=?df["面積分段"].astype("str").value_counts()
print(df2)
df2?=?df2.sort_values(ascending=False)
regions?=?df2.index.to_list()
values?=?df2.to_list()
c?=?(
???????Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK))
???????.add("",?list(zip(regions,values)))
???????.set_global_opts(legend_opts?=?opts.LegendOpts(is_show?=?False),title_opts=opts.TitleOpts(title="蛋殼公寓面積分布",subtitle="數(shù)據(jù)來(lái)源：蛋殼公寓\n制圖：菜J學(xué)Python",pos_top="0.5%",pos_left?=?'left'))
???????.set_series_opts(label_opts=opts.LabelOpts(formatter=":13ixwwoc3%",font_size=14))

???)
c.render_notebook()

9. 蛋殼公寓商圈分布

通過(guò)對(duì)北京幾個(gè)主要行政區(qū)商圈進(jìn)行詞云統(tǒng)計(jì)（字體越大表示蛋殼公寓數(shù)量最多），朝陽(yáng)區(qū)的管莊、望京，通州區(qū)的北關(guān)，豐臺(tái)區(qū)的樊羊路、方莊和角門，昌平區(qū)的天通苑，海淀區(qū)的永豐和西二旗，大興區(qū)的黃村和亦莊，是蛋殼公寓主要選擇的商圈。

#?繪制詞云圖
text1?=?get_cut_words(content_series=df1['位置2'])
stylecloud.gen_stylecloud(text='?'.join(text1),?max_words=100,
?????????????????????????collocations=False,
?????????????????????????font_path=r'C:\WINDOWS\FONTS\MSYH.TTC',
?????????????????????????icon_name='fas?fa-home',
?????????????????????????size=653,
?????????????????????????palette='cartocolors.diverging.ArmyRose_2',
?????????????????????????output_name='./1.png')
Image(filename='./1.png')

10. 相關(guān)性分析

從相關(guān)系數(shù)表可以看出，北京蛋殼公寓的面積、周邊地鐵數(shù)對(duì)公寓的價(jià)格有較大的的影響，相關(guān)系數(shù)分別為0.81和0.36。蛋殼公寓在進(jìn)行房屋定價(jià)時(shí)，對(duì)公寓的面積以及公寓的地鐵配套有較大權(quán)重的考慮。由于北京蛋殼公寓距離地鐵都很近，因此，距離的遠(yuǎn)近對(duì)公寓的價(jià)格影響有限。另外，所在樓層也不是北京蛋殼公寓租金高低的重要影響因素。

color_map?=?sns.light_palette('orange',?as_cmap=True)??#light_palette調(diào)色板
df.corr().style.background_gradient(color_map)

微信公眾號(hào)后臺(tái)對(duì)話框回復(fù)源代碼，可獲取本文數(shù)據(jù)分析數(shù)據(jù)集。

最后，愿所有受蛋殼公寓“暴雷”事件影響的年輕人都能熬過(guò)這個(gè)寒冬。

劃重點(diǎn)??

干貨直達(dá)??

6個(gè)關(guān)鍵步驟，手把手教你構(gòu)建圖模型
手把手教你用ECharts畫(huà)折線圖
什么是數(shù)字孿生？有哪些關(guān)鍵能力？
5G重要應(yīng)用！三大運(yùn)營(yíng)商、華為、騰訊都在布局，現(xiàn)在了解還不晚

更多精彩??

在公眾號(hào)對(duì)話框輸入以下關(guān)鍵詞

查看更多優(yōu)質(zhì)內(nèi)容！

PPT?|?讀書(shū)?|?書(shū)單?|?硬核?|?干貨?|?講明白?|?神操作

大數(shù)據(jù)?|?云計(jì)算?|?數(shù)據(jù)庫(kù)?|?Python?|?可視化

AI?|?人工智能?|?機(jī)器學(xué)習(xí)?|?深度學(xué)習(xí)?|?NLP

5G?|?中臺(tái)?|?用戶畫(huà)像?|?1024?|?數(shù)學(xué)?|?算法?|?數(shù)字孿生

據(jù)統(tǒng)計(jì)，99%的大咖都完成了這個(gè)神操作

用Python分析北京市蛋殼公寓租房數(shù)據(jù)