Python爬取郑州安居客租房数据采集分析

标签：info area Python data price value 爬取 item 安居

一、选题背景

在现在，虽然我国实行楼市调控，使得总体的房价稳定下来，但是我国房价还是处于一个高水平之上。在这种情况下，大批在郑奋斗的年轻人选择租房，所以此次数据分析可以使在郑的年轻人了解郑州租房现状，让年轻人在租房时可以选到更加适合的房源。

二、爬虫设计方案

1、爬虫网址

郑州租房信息_郑州出租房源|房屋出租价格【郑州贝壳租房】 (lianjia.com)

https://zz.lianjia.com/zufang/

三、数据分析

1.获取郑州租房信息，对网站进行爬取，并且对数据进行数字化

 1 #步骤1 导入库
 2 
 3 #NumPy
 4 import numpy as np
 5 
 6 #pandas数据结构
 7 import pandas as pd
 8 
 9 #requests库
10 import requests
11 import time
12 import re
13 
14 #seabron库
15 import seaborn as sns
16 import statsmodels.api as sm
17 import statsmodels.formula.api as smf
18 
19 #Matplotlib库
20 import matplotlib.pyplot as plt
21 
22 #BeautifulSoup库
23 from bs4 import BeautifulSoup

 1 # 步骤2 数据爬取：获取一个区域的租房链接地址
 2 
 3 headers = {
 4         'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 \
 5         (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36'}
 6  
 7 def get_areas(url):
 8     try:
 9         print('start grabing areas')
10  
11         resposne = requests.get(url, headers=headers, timeout=30)
12         html = resposne.content
13         soup = BeautifulSoup(html, 'html.parser')
14  
15         all_sights = soup.findAll('li', 'filter__item--level2')
16         areas = []
17         areas_links = []
18  
19         for item in all_sights:
20             if not item.get_text()=='\n不限\n':
21                 areas.append(item.get_text())
22                 areas_links.append('https://zz.lianjia.com/zufang/'+item.find('a').get('href'))
23  
24         return areas, areas_links
25  
26     except Exception as e:
27         print('爬取网站出现了一点问题，问题如下：')
28         print(e)
29         return ''
30 
31 print(type(get_areas(url)))
32 print(get_areas(url))

 

 1 # 步骤3 数据爬取：获取该区域下的租房信息链接
 2 
 3 def get_pages(area, area_link):
 4     print("开始抓取页面")
 5     resposne = requests.get(area_link, headers=headers)
 6     html = resposne.content
 7     soup = BeautifulSoup(html, 'html.parser')
 8     pages = int(soup.findAll('div', 'content__pg')[0].get('data-totalpage'))
 9  
10     print("这个区域有" + str(pages) + "页")
11     info = []
12     for page in range(1,pages+1):
13         url = 'https://bj.lianjia.com/zufang/dongcheng/pg' + str(page)
14         print("\r开始抓取%s页的信息, 已爬取%s条数据"%(str(page), 
15                                         len(info)), end='')
16         info += get_house_info(area, url)
17     return info

 1 # 步骤4 数据爬取：解析租房房产信息
 2 
 3 def get_house_info(area, url, info=[]):
 4  
 5 #time.sleep(2)
 6 
 7     try:
 8         resposne = requests.get(url, headers=headers)
 9         html = resposne.content
10         soup = BeautifulSoup(html, 'html.parser')
11  
12         all_text = soup.findAll('div', 'content__list--item')
13  
14         for item in all_text:
15             item = item.get_text()
16             item = item.replace(' ', '').split('\n')
17             while "" in item:
18                 item.remove("")
19             while "/" in item:
20                 item.remove("/")
21             info.append(item)
22         return info
23  
24     except Exception as e:
25         print(e)
26         time.sleep(2)
27         return get_house_info(area, url)

1 # 步骤5 数据爬取：开始爬虫任务
2 
3 info = []
4 url =  'https://zz.lianjia.com/zufang/'
5 areas, area_link = get_areas(url)
6 info = get_pages(areas[1], area_link[1])

 

 1 # 步骤6 数据爬取：简单数据清洗与保存数据
 2 
 3 def keys(info, key=''):
 4     ls = []
 5     for item in info:
 6         if key in item:
 7             ls.append(key)
 8         else:
 9             ls.append('')
10     return ls
11  
12 def clean_data(info, key=''):
13     title = [item[0] for item in info]
14     address = [item[1] for item in info]
15     area = [item[2] for item in info]
16     toward = [item[3] for item in info]
17     style = [item[4] for item in info]
18     floor = [item[5] for item in info]
19  
20     source = [item[6] for item in info]
21     time = [item[7] for item in info]
22     price = [item[-1] for item in info]
23  
24     subway = keys(info, '近地铁')
25     decorate = keys(info, '精装')
26     heating = keys(info, '集中供暖')
27     new_room = keys(info, '新上')
28     time_for_look = keys(info, '随时看房')
29 
30     return pd.DataFrame({
31         'title': title,
32         'address': address,
33         'area': area,
34         'toward': toward,
35         'style': style,
36         'floor': floor,
37         'source': source,
38         'time': time,
39         'price': price,
40         'subway': subway,
41         'decorate': decorate,
42         'heating': heating,
43         'new_room': new_room,
44         'time_for_look': time_for_look
45         })
46 
47 data = clean_data(info)
48 data.to_csv('data.csv', index=True)

 1 #步骤7 读取已爬取的数据，并对数据进行数字化
 2 
 3 data = pd.read_csv('./data.csv')
 4  
 5 # 客厅数量
 6 
 7 data['sitting_room_value'] = data['style'].apply(lambda x: x.split('厅')[0][-1])
 8 data['sitting_room_value'] = data['sitting_room_value'].replace('卫', 0)
 9  
10 # 卧室浴室数量
11 
12 data['bedroom_value'] = data['style'].apply(lambda x: x[0])
13 data['bathroom_value'] = data['style'].apply(lambda x: x[-2])
14  
15 # 价格、面积、楼层
16 
17 data['price_value'] = data['price'].apply(lambda x: x[:-3])
18 data['area_value'] = data['area'].apply(lambda x: x[:-1])
19 data['floor_value'] = data['floor'].apply(lambda x: x.split('(')[-1][0])
20  
21 # 租房方位朝向
22 
23 def toward(x, key=''):
24     if key in x:
25         return key
26     else: 
27         return 0
28 
29 data['north'] = data['toward'].apply(lambda x: toward(x, '北')).replace('北', 1)
30 data['south'] = data['toward'].apply(lambda x: toward(x, '南')).replace('南', 1)
31 data['east'] = data['toward'].apply(lambda x: toward(x, '东')).replace('东', 1)
32 data['west'] = data['toward'].apply(lambda x: toward(x, '西')).replace('西', 1)
33 
34 col = list(data.columns)
35 data[col] = data[col].apply(pd.to_numeric, errors='coerce').fillna(0.0)
36 data = pd.DataFrame(data, dtype='float')
37  
38 # 提取全部的数值数据
39 
40 values_data = data[['sitting_room_value', 'bedroom_value',
41                     'bathroom_value', 'price_value', 'area_value', 
42                     'floor_value', 'north',
43                     'south', 'east', 'west']].astype(float)
44  
45 # 描述性统计
46 
47 values_data.describe()

2.郑州租房信息已有，为了直观观察郑州租房情况，对数据进行可视化处理

 

 1 # 步骤8 数据分析：使用seaborn进行简单数据可视化
 2 # 8.1 分析价格分布
 3 
 4 sns.distplot(values_data['price_value'], kde=True)
 5  
 6 # 8.2 分析价格与其他变量的关系
 7 #面积和价格的关系
 8 #楼层和价格的关系
 9 #卧室数量和关系的价格
10 #浴室数量和关系的价格
11 #客厅数量和价格关系
12 
13 sns.jointplot(x='area_value', y='price_value', data=values_data)
14 sns.jointplot(x='floor_value', y='price_value', data=values_data)
15 sns.jointplot(x='bedroom_value', y='price_value', data=values_data)
16 sns.jointplot(x='bathroom_value', y='price_value', data=values_data)
17 sns.jointplot(x='bathroom_value', y='price_value', data=values_data)
18 sns.jointplot(x='sitting_room_value', y='price_value', data=values_data)
19 #房子朝向和价格关系
20 #房子朝向北
21 #房子朝向南
22 #房子朝向东
23 #房子朝向西
24 
25 sns.jointplot(x='north', y='price_value', data=values_data)
26 sns.jointplot(x='south', y='price_value', data=values_data)
27 sns.jointplot(x='east', y='price_value', data=values_data)
28 sns.jointplot(x='west', y='price_value', data=values_data)

 

 

 

 

 

 

 

 

 

 

 

1 # 8.3 分析各因素之间可能存在的关系
2 
3 sns.pairplot(values_data)

 

 

 1 # 步骤9 数据分析：分位数回归
 2  
 3 mod = smf.quantreg('price_value ~ area_value', values_data)
 4 res = mod.fit(q=.5)
 5  
 6 quantiles = np.arange(.05, .96, .1)
 7 def fit_model(q):
 8     res = mod.fit(q=q)
 9     return [q, res.params['Intercept'], res.params['area_value']] + \
10             res.conf_int().loc['area_value'].tolist()
11  
12 models = [fit_model(x) for x in quantiles]
13 models = pd.DataFrame(models, columns=['q', 'a', 'b', 'lb', 'ub'])
14  
15 ols = smf.ols('price_value ~ area_value', values_data).fit()
16 ols_ci = ols.conf_int().loc['area_value'].tolist()
17 ols = dict(a = ols.params['Intercept'],
18            b = ols.params['area_value'],
19            lb = ols_ci[0],
20            ub = ols_ci[1])
21  
22 print(models)
23 print(ols)
24  
25  
26 x = np.arange(values_data.area_value.min(), values_data.area_value.max(), 50)
27 get_y = lambda a, b: a + b * x
28  
29 fig, ax = plt.subplots(figsize=(8, 6))
30  
31 for i in range(models.shape[0]):
32     y = get_y(models.a[i], models.b[i])
33     ax.plot(x, y, linestyle='dotted', color='grey')
34  
35 y = get_y(ols['a'], ols['b'])
36  
37 ax.plot(x, y, color='red', label='OLS')
38 ax.scatter(values_data.area_value, values_data.price_value, alpha=.2)
39  
40 legend = ax.legend()
41 ax.set_xlabel('Area', fontsize=16)
42 ax.set_ylabel('Price', fontsize=16);

 三、在爬虫和可视化是遇到的问题

 1 #步骤7 读取已爬取的数据，并对数据进行数字化
 2 data = pd.read_csv('./data.csv')
 3  
 4 # 客厅数量
 5 data['sitting_room_value'] = data['style'].apply(lambda x: x.split('厅')[0][-1])
 6 data['sitting_room_value'] = data['sitting_room_value'].replace('卫', 0)
 7  
 8 # 卧室浴室数量
 9 data['bedroom_value'] = data['style'].apply(lambda x: x[0])
10 data['bathroom_value'] = data['style'].apply(lambda x: x[-2])
11  
12 # 价格、面积、楼层
13 data['price_value'] = data['price'].apply(lambda x: x[:-3])
14 data['area_value'] = data['area'].apply(lambda x: x[:-1])
15 data['floor_value'] = data['floor'].apply(lambda x: x.split('(')[-1][0])
16  
17 # 租房方位朝向
18 def toward(x, key=''):
19     if key in x:
20         return key
21     else: 
22         return 0
23 data['north'] = data['toward'].apply(lambda x: toward(x, '北')).replace('北', 1)
24 data['south'] = data['toward'].apply(lambda x: toward(x, '南')).replace('南', 1)
25 data['east'] = data['toward'].apply(lambda x: toward(x, '东')).replace('东', 1)
26 data['west'] = data['toward'].apply(lambda x: toward(x, '西')).replace('西', 1)
27 
28 
29  
30 # 提取全部的数值数据
31 values_data = data[['sitting_room_value', 'bedroom_value',
32                     'bathroom_value', 'price_value', 'area_value', 
33                     'floor_value', 'north',
34                     'south', 'east', 'west']].astype(float)
35  
36 # 描述性统计
37 values_data.describe()

 会显示出来could not convert string to float.

网上查询后知道问题所在：pandas导入csv文件后。有部分列是空的，列的类型为object格式，列中单元格存的是string格式；需求是把空的列（object）转化成浮点类型（float）

解决方案：在源代码中加入

1 col = list(data.columns)
2 data[col] = data[col].apply(pd.to_numeric, errors='coerce').fillna(0.0)
3 data = pd.DataFrame(data, dtype='float')

即代码变为上述报告代码，问题解决。

标签：info,area,Python,data,price,value,爬取,item,安居
From： https://www.cnblogs.com/weiminrui/p/17441232.html