02 Pandas+Pyecharts | 北京某平台二手房数据分析可视化

大家好，我是欧K~

本期用pandas进行数据处理，pyecharts对处理后的北京某平台二手房数据进行可视化分析市面上二手房各项基本特征及房源分布情况，探索二手房大数据背后的规律，希望对你有所帮助，如有疑问或者需要改进的地方可以联系小编。

涉及到的内容：
Pandas — 数据处理
Pyecharts — 数据可视化

1.1 导入模块

import pandas as pd
from pyecharts.charts import Map
from pyecharts.charts import Bar
from pyecharts.charts import Line
from pyecharts.charts import Grid
from pyecharts.charts import Pie
from pyecharts.charts import Scatter
from pyecharts import options as opts

1.2 查看 pyecharts 版本

import pyecharts
pyecharts.__version__

2. Pandas数据处理

2.1 读取数据

df = pd.read_csv('二手房数据.csv', encoding = 'gb18030')
df.head()

2.2 查看表格数据描述

df.describe()

一共有23677条数据。

2.3 查看表格是否有数据缺失

可以看到电梯数据缺失8257行，将缺失数据填充为“未知”：

df['电梯'].fillna('未知', inplace=True)

2.4 统计各城区二手房数量

g = df.groupby('市区')
df_region = g.count()['小区']
region = df_region.index.tolist()
count = df_region.values.tolist()
df_region

可以看出，丰台、朝阳、海淀、昌平在售的房源数量最多，高达12000多套，占了总量的1/2。

3.1 北京各城区二手房数量地图分布

m = (
  Map()
  .add('', [list(z) for z in zip(new, count)], '北京')
  .set_global_opts(
    title_opts=opts.TitleOpts(title='北京市二手房各区分布'),
    visualmap_opts=opts.VisualMapOpts(max_=3000),
  )
)
m.render_notebook()

3.2 各城区二手房数量-平均价格柱状图

# 各城区二手房数量-平均价格柱状图
bar = (
  Bar()
  .add_xaxis(region)
  .add_yaxis('数量', count,label_opts=opts.LabelOpts(is_show=True))
  .extend_axis(
    yaxis=opts.AxisOpts(
    name="价格（万元）",
    type_="value",
    min_=200,
    max_=900,
    interval=100,
  )
)
line2 = (
  Line()
  .add_xaxis(xaxis_data=region)
  .add_yaxis(
  series_name="价格",
  yaxis_index=1,
  y_axis=price,
  label_opts=opts.LabelOpts(is_show=True),
)
grid = Grid()
grid.add(bar, opts.GridOpts(pos_left="5%", pos_right="20%"), is_control_axis_index=True)
grid.render_notebook()

3.3 二手房价格最高Top15

bar0 = (
  Bar()
  .add_xaxis(area).set_series_opts(label_opts=opts.LabelOpts(position="right"))
  .set_global_opts(
    yaxis_opts=opts.AxisOpts(name='面积(㎡)'),
    xaxis_opts=opts.AxisOpts(name='数量'),
  )
)
bar0.render_notebook()

3.4 装修情况/有无电梯玫瑰图

bar = (
  Bar()
  .add_xaxis(fitment)
  .add_yaxis('', count1, category_gap = '50%')
  .reversal_axis()
  .set_series_opts(label_opts=opts.LabelOpts(position='right'))
  .set_global_opts(
    title_opts=opts.TitleOpts(title='',pos_left='33%',pos_top="5%"),
    legend_opts=opts.LegendOpts(type_="scroll", pos_left="90%",pos_top="58%",orient="vertical")
  )
)
c2 = (
  Pie()
  .add(
  '',
  [list(z) for z in zip(directions, count2)],
  radius=['10%', '30%'],
  center=['75%', '65%'],
  rosetype="radius",
  label_opts=opts.LabelOpts(is_show=True),
  )
  .set_global_opts(title_opts=opts.TitleOpts(title='有/无电梯',pos_left='33%',pos_top="5%"),
  legend_opts=opts.LegendOpts(type_="scroll", pos_left="90%",pos_top="15%",orient="vertical")
  )
  .set_series_opts(label_opts=opts.LabelOpts(formatter='{b}:{c} \n ({d}%)'),position="outside")
)
bar.render_notebook()

3.5 二手房总价与面积散点图

s = (
  Scatter()
  .add_xaxis(df['面积(㎡)'].values.tolist())
  .add_yaxis('',df['价格(万元)'].values.tolist())
  .set_global_opts(xaxis_opts=opts.AxisOpts(name='面积(㎡)',type_='value'),
  yaxis_opts=opts.AxisOpts(name='价格(万元)'),)
)
s.render_notebook()

3.6 装修情况

3.7 楼层分布

3.8 面积区间分布

4. 可视化大屏（普版）

5. 可视化大屏（flask版）

6. 源码+数据