用Python说明北京二手房房价

初探数据的时辰，我们发明 Elevator 特性是有大量缺失值的，这对付我们黑白常倒霉的，起首我们先看看有几多缺失值：

misn = len(df.loc[(df['Elevator'].isnull()), 'Elevator']) 
print('Elevator缺失值数目为：'+ str(misn)) 

Elevator 缺失值数目为：8237

这么多的缺失值怎么办呢?这个必要按照现实环境思量，常用的要领有均匀值/中位数弥补法，直接移除，可能按照其他特性建模猜测等。

这里我们思量弥补法，可是有无电梯不是数值，不存在均匀值和中位数，怎么弥补呢?这里给各人提供一种思绪：就是按照楼层 Floor 来判定有无电梯，一样平常的楼层大于6的都有电梯，而小于便是6层的一样平常都没有电梯。有了这个尺度，那么剩下的就简朴了。

# 因为存在个体范例错误，如简装和精装，特性值错位，故必要移除 
df['Elevator'] = df.loc[(df['Elevator'] == '有电梯')|(df['Elevator'] == '无电梯'), 'Elevator'] 
 
# 弥补Elevator缺失值 
df.loc[(df['Floor']>6)&(df['Elevator'].isnull()), 'Elevator'] = '有电梯' 
df.loc[(df['Floor']<=6)&(df['Elevator'].isnull()), 'Elevator'] = '无电梯' 
 
f, [ax1,ax2] = plt.subplots(1, 2, figsize=(20, 10)) 
sns.countplot(df['Elevator'], ax=ax1) 
ax1.set_title('有无电梯数目比拟',fontsize=15) 
ax1.set_xlabel('是否有电梯') 
ax1.set_ylabel('数目') 
sns.barplot(x='Elevator', y='Price', data=df, ax=ax2) 
ax2.set_title('有无电梯房价比拟',fontsize=15) 
ax2.set_xlabel('是否有电梯') 
ax2.set_ylabel('总价') 
plt.show() 

功效调查到，有电梯的二手房数目居多一些，事实高层土地操作率较量高，得当北京复杂的人群必要，而高层就必要电梯。响应的，有电梯二手房房价较高，由于电梯前期装修费和后期维护费包括内了(但这个价值较量只是一个均匀的观念，好比无电梯的6层豪华小区虽然价值更高了)。

Year 特性说明

grid = sns.FacetGrid(df, row='Elevator', col='Renovation', palette='seismic',size=4) 
grid.map(plt.scatter, 'Year', 'Price') 
grid.add_legend() 

在Renovation和Elevator的分类前提下，行使 FaceGrid 说明 Year 特性，调查功效如下：

整个二手房房价趋势是跟着时刻增添而增添的;

• 2000年往后制作的二手房房价相较于2000年早年有很明明的价值上涨;
• 1980年之前险些不存在有电梯二手房数据，声名1980年之前还没有大面积安装电梯;
• 1980年之前无电梯二手房中，简装二手房占绝大大都，精装反而很少;

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!