写在前面：为什么要学这个？

你可能在网上看过很多“Python入门教程”，但学完之后还是不知道能做什么。

原因很简单：你缺一个完整的实战项目，把碎片化的知识串成一条线。

今天这篇文章，我们用 Python 做一件真正有价值的事：预测房价。

不是玩玩的 demo，是完整走通“数据加载 → 数据探索 → 特征工程 → 模型训练 → 预测估价”全流程的真实项目。

每一步都有完整代码，可以直接复制运行。文末附独立 .py 代码文件领取渠道。

学编程不是目的，用编程解决问题才是

项目概览：我们要做什么

数据集：sklearn 内置的加州房价数据集（California Housing），包含 20640 条房产数据。

目标：根据房屋的特征（地理位置、房龄、房间数、收入水平等）预测房价中位数。

技术路线：线性回归 + 随机森林，对比两个模型的表现。

项目完整流程如下：

Step 0: 导入库

Step 1: 加载数据

Step 2: 数据探索（EDA）

Step 3: 特征工程

Step 4: 数据划分与标准化

Step 5: 模型训练与对比

Step 6: 特征重要性分析

Step 7: 预测结果可视化

Step 8: 实战预测：给一套房子估价

环境准备

在开始之前，先安装需要的 Python 库：

pip install pandas numpy matplotlib seaborn scikit-learn

各个库的作用：

库名称	作用
pandas	数据处理之王，读写、清洗、变换数据
numpy	数值计算底层，矩阵运算、统计函数
matplotlib	基础绘图库，画图表、散点图、直方图
seaborn	高级绘图库，热力图、统计图表
scikit-learn	机器学习核心库，模型、评估、预处理

代码实战：8步走通全流程

Step 0：导入工具库

就像做饭之前要准备好食材一样，写代码前先导入需要的库：

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.datasets import fetch_california_housing

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.linear_model import LinearRegression

from sklearn.ensemble import RandomForestRegressor

from sklearn.metrics import mean_squared_error, r2_score

Step 1：加载数据

我们使用 sklearn 内置的加州房价数据集，无需下载，一行代码就能加载：

housing = fetch_california_housing(as_frame=True)

df = housing.frame

print(df.shape) # (20640, 9)

print(df.head())

数据包含 9 列，其中 8 个特征列和 1 个目标列：

列名	含义
MedInc	区域收入中位数（单位：10万美元）
HouseAge	房屋年龄（年）
AveRooms	平均房间数
AveBedrms	平均卧室数
Population	区域人口
AveOccup	平均入住率
Latitude	纬度
Longitude	经度
MedHouseVal	房价中位数（目标列，单位：10万美元）

Step 2：数据探索（EDA）

加载完数据后，先别急着建模型，要先“认识”你的数据。这一步叫 EDA（Exploratory Data Analysis）。

2.1 基本统计信息：

df.describe()

输出每列的均值、标准差、最小值、最大值等，帮你快速了解数据的整体分布。

2.2 检查缺失值：

df.isnull().sum()

这个数据集很干净，没有缺失值。但如果遇到缺失值，常见处理方法是用中位数或均值填充：

df.fillna(df.median(), inplace=True)

2.3 可视化分析：

画 4 张图来认识数据：

•房价分布直方图→ 看房价整体分布

•房龄分布直方图→ 看房屋新旧程度

•经纬度散点图→ 看地理位置与房价的关系

•收入 vs 房价散点图 → 看收入和房价的相关性

fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 房价分布

axes[0,0].hist(df['MedHouseVal'], bins=50, color='#3498DB')

axes[0,0].set_title('房价中位数分布')

# 地理位置散点图（颜色=房价）

scatter = axes[1,0].scatter(df['Longitude'], df['Latitude'],

c=df['MedHouseVal'], cmap='RdYlGn_r', alpha=0.4, s=1)

axes[1,0].set_title('地理位置 vs 房价')

plt.colorbar(scatter, ax=axes[1,0])

plt.tight_layout()

plt.savefig('california_housing_eda.png', dpi=150)

再画一张相关性热力图，看看哪些特征与房价关系最密切：

corr = df.corr()

sns.heatmap(corr, annot=True, fmt='.2f', cmap='coolwarm', center=0)

plt.title('特征相关性热力图')

plt.savefig('correlation_heatmap.png', dpi=150)

从热力图中可以看出：收入（MedInc）与房价的相关性最高（0.69），说明收入越高房价越贵。

Step 3：特征工程

特征工程听起来很高级，其实就是“用现有数据造出新特征”。好的新特征能让模型表现更好。

我们新增 3 个特征：

# 每户房间数

df['RoomsPerHousehold'] = df['AveRooms'] / df['AveOccup']

# 卧室占比

df['BedroomRatio'] = df['AveBedrms'] / df['AveRooms']

# 每户人口数

df['PopulationPerHousehold'] = df['Population'] / df['Households']

这些新特征比原始数据更有业务含义，比如“每户房间数”比“总房间数”更能反映居住舒适度。

数据分析的核心不是写代码，而是理解数据背后的业务逻辑

Step 4：数据划分与标准化

把数据分成训练集和测试集，训练集用来教模型，测试集用来考试模型：

X = df.drop('MedHouseVal', axis=1) # 特征

y = df['MedHouseVal'] # 标签

X_train, X_test, y_train, y_test = train_test_split(

X, y, test_size=0.2, random_state=42

)

# 训练集 16512 条，测试集 4128 条

然后做标准化，让不同特征在同一量纲上（比如人口动辐几万，房龄只有几十，不缩放的话模型会被大数字“欺负”）：

scaler = StandardScaler()

X_train_scaled = scaler.fit_transform(X_train)

X_test_scaled = scaler.transform(X_test)

注意：只能用训练集 fit，不能用测试集 fit！否则叫“数据泄露”，是机器学习的大忌。

Step 5：模型训练与对比

现在进入最关键的一步：训练模型。我们用两个模型对比：

模型 A：线性回归（最基础的回归模型，假设特征与标签是线性关系）

lr = LinearRegression()

lr.fit(X_train_scaled, y_train)

y_pred_lr = lr.predict(X_test_scaled)

模型 B：随机森林（强大的集成模型，能捕捉非线性关系）

rf = RandomForestRegressor(

n_estimators=100,  # 100棵树

max_depth=15,      # 最大深度15

random_state=42,

n_jobs=-1           # 全核并发

)

rf.fit(X_train_scaled, y_train)

y_pred_rf = rf.predict(X_test_scaled)

用两个指标评估模型好坏：

评估代码：

rmse = np.sqrt(mean_squared_error(y_test, y_pred))

r2 = r2_score(y_test, y_pred)

实际跑出来的结果：

随机森林完胜！R² 从 0.58 提升到 0.81，说明模型能解释 81% 的房价变动。随机森林之所以更强，是因为房价和特征之间不是简单的线性关系。

线性回归是面子，随机森林是镜子——能照出数据的真实样子

Step 6：特征重要性分析

模型训练好了，但我们还想知道：到底哪个因素对房价影响最大？

importances = rf.feature_importances_

feat_importance = pd.DataFrame({

'特征': X.columns,

'重要性': importances

}).sort_values('重要性', ascending=False)

结果排序如下：

收入是影响房价的第一因素，占了 52.6%。地理位置（经纬度）加起来占 32.6%。这和我们的直觉一致：收入高的地方房价贵，地段好的地方房价也贵。

Step 7：预测结果可视化

画两张图检查模型表现：

# 预测值 vs 真实值

plt.scatter(y_test, y_pred_rf, alpha=0.3, s=8)

plt.plot([0, 5], [0, 5], 'r--') # 完美预测线

plt.xlabel('真实房价')

plt.ylabel('预测房价')

# 误差分布

errors = y_test - y_pred_rf

plt.hist(errors, bins=50)

plt.axvline(x=0, color='red', linestyle='--')

散点图中点越贴近红色虚线，说明预测越准确。误差分布越集中在 0 附近，说明模型越可靠。

Step 8：实战预测——给一套房子估价

最后，用模型预测一套真实的房子：

new_house = pd.DataFrame({

'MedInc': [8.0],       # 收入 8万美元

'HouseAge': [15],      # 房龄 15年

'AveRooms': [6.5],     # 6.5个房间

'AveBedrms': [1.1],    # 1.1个卧室

'Population': [3000],  # 人口 3000

'AveOccup': [3.0],     # 入住率 3

'Latitude': [37.8],    # 旧金山附近

'Longitude': [-122.2],

# 衍生特征

'RoomsPerHousehold': [6.5/3.0],

'BedroomRatio': [1.1/6.5],

'PopulationPerHousehold': [3.0]

})

new_house_scaled = scaler.transform(new_house)

predicted_price = rf.predict(new_house_scaled)[0]

print(f'预测房价: {predicted_price:.2f} × 10万 = {predicted_price*10:.1f} 万美元')

输出结果：预测房价约 45-48 万美元，约合人民币 324-346 万元。考虑到是旧金山附近、收入较高的区域，这个估价是合理的。

项目复盘：你应该如何跟着做

完整代码领取已附在文末，操作步骤：

1.安装依赖：pip install pandas numpy matplotlib seaborn scikit-learn

2.下载代码文件：house_price_prediction.py

3.运行：python house_price_prediction.py

4.观察输出：终端会打印每一步的结果，同时生成4张图表文件

这个项目你能学到什么

1.完整的机器学习流水线：从数据加载到模型预测，8个环节一个不少。

2.Pandas 实操：数据加载、统计、缺失值处理、特征构造。

3.可视化技能：用 matplotlib 和 seaborn 画出专业级别的图表。

4.两个经典模型：线性回归和随机森林，学会对比和选择。

5.模型解释性：用特征重要性分析解释“为什么”。

写在最后

这个项目用到的技术都不复杂，但它把数据分析的全流程串了起来。这就是实战的价值——不是学一个个零碎的知识点，而是学一条完整的解决问题的线。

别人还在看教程的时候，你已经跑通了一个完整项目

下一篇，我会带你用 Python 做一个文本分类项目（医疗意图识别），进入 NLP 的世界。关注我，不迷路。

———————————

详细代码文件请关注本公众号，私信666即可拿去~！

跑通后有什么问题，评论区告诉我

AIGC标识: da4ca5c8-e14d-4c63-a139-8e096682d59b