本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。
前言
近期，蛋壳公寓“爆雷”事件持续发酵，期间因拖欠房东房租与租客退款 ，蛋壳公寓陷入讨债风波 ，全国多地蛋壳公寓办公区域出现大规模解约事件，而作为蛋壳公寓总部所在地北京 ，自然首当其冲。
为了应对大规模的解约 ，北京在全市已经设立了100多个蛋壳公寓矛盾纠纷接待点，包含了蛋壳公寓涉及到的12个区 ，这些接待点下沉到了街道甚至社区 ，以方便涉及蛋壳公寓事件的房东和租客咨询和处理纠纷 。
长租公寓暴雷，不少年轻人不得不流离失所 ，构成疫情下的另一个经济写照 ，事态何去何从，值得关注 。本文从数据角度出发 ，爬取了蛋壳公寓北京区域共6025条公寓数据 ，清洗数据，并进行可视化分析，为大家了解蛋壳公寓提供一个新的视角。
数据获取
蛋壳公寓网页结构相对简单 ，数据结构统一 ，简单的url翻页构造即可 。需要注意的是极少数网页会返回404，需要添加判断过滤掉 。本文用request请求到数据 ，用xpath对返回的数据进行解析 ，最后以追加模式将数据存储为csv文件。爬虫核心代码如下：
def get_danke(href): time.sleep(random.uniform(0, 1)) #设置延时，避免对服务器产生压力 response = requests.get(url=href, headers=headers) if response.status_code == 200: #部分网页会跳转404 ，需要做判断 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('建筑面积：约','').replace('㎡（以现场勘察为准）','') house_id=item.xpath("./div[4]/div[1]/div[2]/label/text()")[0].replace('编号：','') house_type=item.xpath("./div[4]/div[1]/div[3]/label/text()")[0].replace('\n','').replace(' ','').replace('户型：','') house_floor=item.xpath("./div[4]/div[2]/div[3]/label/text()")[0].replace('楼层：','') 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 ......
由于代码运行过程中中断了几次 ，最终将数据保存为以下几个csv文件中：
数据处理
导入数据分析包
import pandas as pd import numpy as np from pathlib import Path import re
导入数据并合并
找到文件夹中的所有csv文件，遍历读取数据 ，最后用concat方法合并所有数据 。
files = Path(r"蛋壳公寓").glob("*.csv") dfs = [pd.read_csv(f) for f in files] df = pd.concat(dfs) df.head()
数据去重
数据爬取过程中有中断 ，因此可能存在重复爬取的情况，需要去重处理 。
df = df.drop_duplicates()
查看数据
用df.info()方法查看整体数据信息 ，结合预览的数据 ，我们可以很容易发现，价格和面积字段不是数字类型，需要转换处理。楼层字段可以提取出所在楼层和总楼层 。
df.info() <class 'pandas.core.frame.DataFrame'> Int64Index:6026 entries, 0 to 710 Data columns (total 9 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 价格 6025 non-null object 1 面积 6025 non-null object 2 编号 6025 non-null object 3 户型 6025 non-null object 4 楼层 6025 non-null object 5 位置16025 non-null object 6 位置26025 non-null object 7 小区 6025 non-null object 8 地铁 6025 non-null object dtypes: object(9) memory usage: 470.8+ KB
数据类型转换
在字段类型转换时报错 ，检查发现是数据存在一行脏数据 ，因此先删除脏数据再做转换即可 。数据类型转换用到astype()方法，提取所在楼层和总楼层时根据字符"/"分列即可 ，采用split()方法。
#删除包含脏数据的行 jg = df['价格'] != "价格" df = df.loc[jg,:] #将价格字段转为数字类型 df["价格"] = df["价格"].astype("float64") #将面积字段转为数字类型 df["面积"] = df["面积"].astype("float64") #提取所在楼层 df = df[df['楼层'].notnull()] df['所在楼层']=df['楼层'].apply(lambda x:x.split('/')[0]) df['所在楼层'] = df['所在楼层'].astype("int32") #提取总楼层 df['总楼层']=df['楼层'].apply(lambda x:x.split('/')[1]) df['总楼层'] = df['总楼层'].str.replace("层","").astype("int32")
地铁字段清洗
地铁字段可以提取出地铁数和距离地铁距离 。地铁数通过统计字符"号线 ”的数量来计算 ，而距离地铁距离通过正则表达式匹配出字符"米"前面的数字即可 。为方便理解，这里直接构造函数进行清洗。
def get_subway_num(row): subway_num=row.count('号线') 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['地铁数']=df['地铁'].apply(get_subway_num) df['距离地铁距离']=df['地铁'].apply(get_subway_distance) df['距离地铁距离']=df['距离地铁距离'].astype("int32")
保存数据
数据清洗完毕后 ，用df.to_excel()将数据保存为excel文件。
df.to_excel(r"蛋壳公寓.xlsx") df.head()
数据可视化
导入可视化相关包
import matplotlib.pyplot as plt import seaborn as sns %matplotlib inline plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置加载的字体名 plt.rcParams['axes.unicode_minus'] = False# 解决保存图像是负号'-'显示为方块的问题 import jieba from pyecharts.charts import * from pyecharts import options as opts from pyecharts.globals import ThemeType import stylecloud from IPython.display import Image
各行政区公寓数量
根据清洗后的数据绘制北京蛋壳公寓分布地图 ，我们可以很清晰的看到蛋壳公寓的布局，朝阳区和通州区是蛋壳公寓主要分布区域 ，延庆、密云 、怀柔 、平谷和门头沟地区蛋壳公寓分布极少 。
从各行政区数量上来看 ，朝阳区和通州区蛋壳公寓数量均超过1000个，朝阳区遥遥领先其他地区 ，共计1877个 ，通州区紧随其后，为1027个 。
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轴与y轴调换顺序 .set_global_opts(title_opts=opts.TitleOpts(title="各行政区公寓数量",subtitle="数据来源：蛋壳公寓 ",pos_left = 'left'), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小 yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小 ) .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right')) ) c.render_notebook()
小区公寓数量TOP10
从小区数量来看，新建村小区、花香东苑和连心园西区蛋壳公寓数量最多 ，均超过50个。这也意味着 ，这些小区的租户受蛋壳风波的影响相较于其他小区更大 。
df7 = df["小区"].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轴与y轴调换顺序 .set_global_opts(title_opts=opts.TitleOpts(title="小区公寓数量TOP10",subtitle="数据来源：蛋壳公寓 ",pos_left = 'left'), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=11)), #更改横坐标字体大小 yaxis_opts=opts.AxisOpts(axislabel_opts={"rotate":30}), #更改纵坐标字体大小 ) .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right')) ) c.render_notebook()
蛋壳公寓租金分布
对租金进行区间分段，我们发现 ，北京蛋壳公寓的租金还是相当有吸引力的 ，超过一半的公寓租金在2000-3000元/月 。2000元/月以下的公寓数量占比也高达26.13%。
#租金分段 df['租金分段'] = pd.cut(df['价格'],[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%"], #圆环的粗细和大小 rosetype='area' ) .set_global_opts(legend_opts = opts.LegendOpts(is_show = False),title_opts=opts.TitleOpts(title="蛋壳公寓租金分布",subtitle="数据来源：蛋壳公寓",pos_top="0.5%",pos_left = 'left')) .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=16)) ) c.render_notebook()
各行政区租金分布
我们继续将地区因素引入租金分析中，发现 ，不同行政区内的租金分布也存在较大差异 。以朝阳区为例 ，2000-3000元/月的公寓占比最多，而通州区1000-2000元/月的公寓占比更多 。这也很容易理解 ，毕竟所处的区位和经济发展状况差异较大。
h = pd.pivot_table(df,index=['租金分段'],values=['价格'], columns=['位置1'],aggfunc=['count']) k = h.droplevel([0,1],axis=1) #删除指定的索引/列级别 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="各行政区租金情况",subtitle="数据来源：蛋壳公寓")) ) c.render_notebook()
蛋壳公寓楼层分布
从北京蛋壳公寓的楼层分布来看 ，10层以下占比高达73.92，高层和超高层不是蛋壳公寓的理想选择 。
# 漏斗图 df['楼层分段'] = pd.cut(df['所在楼层'],[0,10,20,30,40,1000000],labels=['10层以下','10-20层','20-30层','30-40层','40层以上'],right=False) count = df['楼层分段'].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="蛋壳公寓楼层分布",subtitle="数据来源：蛋壳公寓",pos_top="0.1%",pos_left = 'left'),legend_opts = opts.LegendOpts(is_show = False)) .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=16)) ) c.render_notebook()
蛋壳公寓户型分布
从北京蛋壳公寓的户型分布来看 ，3室1卫为主 ，共计2783个，其次才是4室1卫 。这与深圳蛋壳公寓以4室1卫为主的情况存在较大差异。
df2 = df.groupby('户型')['价格'].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轴与y轴调换顺序
bar.set_global_opts(title_opts=opts.TitleOpts(title="蛋壳公寓户型分布",subtitle="数据来源：蛋壳公寓",pos_top="2%",pos_left = 'center'),
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=16)), #更改横坐标字体大小
yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=16)), #更改纵坐标字体大小
)
bar.set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='top'))
bar.render_notebook()
蛋壳公寓面积分布
从北京蛋壳公寓的面积分布来看，86.77%的公寓面积不足20㎡ 。北京10㎡以下的蛋壳公寓占比达到了21.2% ，即便如此 ，这个数字仍不足深圳的一半 。
df['面积分段'] = pd.cut(df['面积'],[0,10,20,30,40,1000000],labels=['10㎡以下','10-20㎡','20-30㎡','30-40㎡','40㎡以上'],right=False) df2 = df["面积分段"].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="蛋壳公寓面积分布",subtitle="数据来源：蛋壳公寓",pos_top="0.5%",pos_left = 'left')) .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=14)) ) c.render_notebook()
蛋壳公寓商圈分布
通过对北京几个主要行政区商圈进行词云统计（字体越大表示蛋壳公寓数量最多），朝阳区的管庄 、望京 ，通州区的北关 ，丰台区的樊羊路 、方庄和角门，昌平区的天通苑 ，海淀区的永丰和西二旗 ，大兴区的黄村和亦庄，是蛋壳公寓主要选择的商圈。
# 绘制词云图 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')
相关性分析
从相关系数表可以看出 ，北京蛋壳公寓的面积、周边地铁数对公寓的价格有较大的的影响 ，相关系数分别为0.81和0.36。蛋壳公寓在进行房屋定价时，对公寓的面积以及公寓的地铁配套有较大权重的考虑 。由于北京蛋壳公寓距离地铁都很近 ，因此 ，距离的远近对公寓的价格影响有限 。另外，所在楼层也不是北京蛋壳公寓租金高低的重要影响因素。
color_map = sns.light_palette('orange', as_cmap=True) #light_palette调色板 df.corr().style.background_gradient(color_map)
最后，愿所有受蛋壳公寓“暴雷 ”事件影响的年轻人都能熬过这个寒冬 。
