大数据文摘授权转载自菜J学Python

作者：J哥

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

import pandas as pdimport numpy as npfrom pathlib import Pathimport 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"D:\菜J学Python\数据分析\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1     6025 non-null   object     6   位置2     6025 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_numdef 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"\菜J学Python\数据分析\蛋壳公寓.xlsx")df.head()

数据可视化

import matplotlib.pyplot as pltimport seaborn as sns%matplotlib inlineplt.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 jiebafrom pyecharts.charts import *from pyecharts import options as opts from pyecharts.globals import ThemeType  import stylecloudfrom 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 \t制图：菜J学Python",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()

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 \t制图：菜J学Python",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()

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\n制图：菜J学Python",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\n制图：菜J学Python")))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.Seriesprint(count)job = list(count.index)job_count = count.values.tolist()from pyecharts.charts import Funnelc = (    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\n制图：菜J学Python",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\t制图：菜J学Python",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\n制图：菜J学Python",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。

点「在看」的人都变好看了哦！