项目内容：通过分析房价中的建筑面积，年代，楼层等来分析人们现在在购房时的偏好，进而分析出哪种二手房比较受欢迎。
数据采集
数据采集是利用市面上的采集软件8爪鱼对房天下官网上的数据进行采集，八爪鱼的工作原理是设计一套规则，然后就会自动的根据这套规则进行采集数据。如下图所示（仅仅是其中一部分）。
采集完成的数据如下图所示：
数据清洗
首先导入自己的数据：
import pandas as pd import matplotlib from matplotlib import pyplot as plt %matplotlib inline %config InlineBackend.figure_format = 'retina' font = { 'family' : 'SimHei' } matplotlib.rc('font', **font)#设置中文字体 df = pd.read_csv("C:/Users/Administrator/Desktop/sh2.csv")
然后进行第一步清洗工作，找出里面的重复值并删除：
dIndex = df.duplicated() df[dIndex]#找出重复的数据，并将重复数据提取出来 df.drop_duplicates()#删除重复值
要将价格，建筑面积，年代，楼层这些数据可视化表现出来就要求他们都是数值型数据。而原始数据是这样的。
此时的工作就是要讲其中的数字提取出来，并将其转化为数值型。
价格的清洗：
df_p=df['总价'].str.split('(', 1, True)#将该数据中的单价抽取出来 df_p.columns = ['zongjia', 'danjia'] df_pr=df_p['danjia'].str.split('元', 1, True) df_pr.columns = ['price', 'meiyongde'] df_price=df_pr['price'] df_price = df_price.astype(int)#将字符型转化为数值型 df['总价']=df_price#将清洗后的赋值回去
面积的清洗：
df_s=df['建筑面积'].str.split('㎡',0,True)#将面积中的数字抽取出来 df_s.columns=['area', 'meiyongde'] df_area = df_s['area'] df_area = df_area.astype(float)#因为存在小数的关系，所以转化为浮点型 df['建筑面积']=df_area
与上述代码有一个区别，就是面积存在小数，而转化为int就默认为整数，所以将其转化为float形式。
（由于价格及面积的数据完整，而且没有异常数据，所以价格的清洗工作是最顺利的。）
年代的清洗：
df_a=df['年代'].str.split('：', 1, True) df_a.columns = ['meiyong', 'nian'] df_ag = df_a['nian'].str.split('年',1, True) df_ag.columns =['age', 'meiyongde'] df_age = df_ag['age'] df['年代']=df_age
将其转化为数值型的时候，代码开始报错，里面存在着无法转化成数值的字符串。查看原始数据，发现存在这样的值。
这个朝向南北我们这串代码是无法对其工作的。接下来就是要将这些无法转化为数值的字符串变成NA值，然后删除。
df['年代']=df['年代'].convert_objects(convert_numeric=True)#强制将字符串的列转化为适当的数据类型 isNA=df.isnull() df[isNA[['年代']].any(axis=1)]#找出NA值 nedf = df.dropna()#滤除NA值然而其中依然存在着问题，在对其进行统计分析的时候：
nedf['年代'].describe()出现了这样一个问题：
最小值是88，这显然不符合我们要得到的数据，所以我们要将其修改为1988。
import numpy as np data=nedf['年代'] newdata = data.replace(88,1988)在对其进行统计分析
newdata.describe()发现数据正常：
（在此处，我没有将NA值用新的值填充进去，是因为我并不知道用什么值填充进去比较好，而且数据量很大，去掉几个值对最后整体数据的影响较小，所以我选在直接清除）
楼层的清洗：
df_f=df['楼层'].str.split('共', 1, True) df_f.columns = ['meiyong', 'gaodu'] df_flo = df_f['gaodu'].str.split('层',1, True) df_flo.columns =['floor', 'meiyongde'] df_floor = df_flo['floor'] df['楼层']=df_floor
发现其中存在大量的NA值，需要将其删除。
isNA=df.isnull() df[isNA[['楼层']].any(axis=1)]#找出NA值 newdf = df.dropna()#滤除NA值 newdf['楼层']=newdf['楼层'].astype(int)
数据可视化
在可视化阶段选用最常用的直方图类型。
价格的可视化：
plt.hist(df['总价'], bins = 50,rwidth=0.9,normed=True) plt.title('价格分布图') plt.xlabel('价格') plt.ylabel('数量') plt.show()
面积的可视化：
plt.hist(df['建筑面积'], bins = 70,rwidth=0.9) plt.title('建筑面积分布图') plt.xlabel('建筑面积') plt.ylabel('数量') plt.show()
年代的可视化：
plt.hist(newdata, bins=50,rwidth=0.9) plt.title('年代分布图') plt.xlabel('年代') plt.ylabel('数量') plt.show()
楼层的可视化：
plt.hist(newdf['楼层'], bins=35,rwidth=0.9) plt.title('楼层分布图') plt.xlabel('楼层') plt.ylabel('数量') plt.show()
（此为一个数据小白的作品，存在很多瑕疵和不足，希望各位大神不吝赐教。）
