手把手教你用数据分析帮女神学姐选婚房
作者：赵一鸣
摘自：微信公号“沙漠之鹰”
感谢赵一鸣的投稿，大数据文摘一向以发布干货文章著称，也欢迎大家投稿，投稿邮箱：tg@bigdatadigest.cn
下午，有一位学姐在微信上找我，“看到你微信公共号发的分析房价的文章了，挺有意思的，能不能帮我在北京选一套婚房啊？”学姐求我，焉有不应！于是我们约了晚上在北邮校园的零壹咖啡见面。
学姐一身漂亮的装束，香水扑鼻，是实验室比我大两级的女神，追求者众，据说只找BAT的高富帅。毕业三年，就准备买婚房了。
我开始询问她对婚房具体需求，同时为了保证准确，我重新抓取今天所有的二手房数据。
学姐说，要找面积在70平以上，130平以下的房子。现在两家人拿出了180万的首付。我帮她算了一下，她男友的工资一个月两万，按照贷款三十年，每个月还款不超过收入的51%计算，总共能贷大概140万。因此，预算在320万左右。15分钟后数据采完了。
所有二手房总共10W套
我按照学姐的要求，选择了70到130平，价格在350万以下，260万以上的所有房子。
按面积和价格筛选：5892套
她突然又说，不喜欢太老的房子。
房子确实不能太老，否则水暖电都会老化，也很难出手。于是，我用正则表达式抽取房子的年份。
1997年以后待出售的有906套
“让我再想想，哦，上班最好不要太远，所以位置不要太偏。“
我心想，恩，要离老公近一点。我打开了地图，告诉她，你来选一个区域范围吧！
学姐用纤纤手指，在屏幕上画了一个框，我仔细看了一下，大概是这个样子：
这个区域，西至玉泉路，东到东五环，南到长安街，北到立水桥。
我觉得很有意思，问学姐，长安街以南有好多单价较低的东西城区的房子，为什么不考虑呢？
她说，“男朋友在北边，这样上班方便。再说，宁要北边一张床，不要南边一间房，所以当然要买长安街以北的房子啦！”
她选的其实还挺有道理，北边过了立水桥，就是昌平的天通苑了，我的听过天通苑国出入境极其困难的传言，没有二十分钟进不去。她男朋友怎么舍得让她早高峰在天通苑地铁站挤地铁呢，那个情景，大概是下面这个样子：
我分析了一下坐标，这个矩形范围大约在东经116.25到116.53度，北纬39.91到40.059度之间。
位置筛选表达式跑下来，剩804套
按照不同区域进行划分，就能看到下面的柱状图：
学姐瞄了一眼这张图，傲娇地说，我只想买东城西城，朝阳海淀的房子。
我感到很吃惊，1997年后，居然还有单价在5W以内的西城区的房子？西城有10套，东城有3套。如果能买到西城的房子，学姐真是赚大了！于是我赶紧把那些西城的房子出来：
单价才三万八！这怎么可能，随便找了两个仔细一看，原来一个是地下室，另外一个是商住两用的房子。
学姐问我，什么是商住两用？我告诉她，所谓商住两用就是商水商电，小产权，不能落户口。
学姐说，坚决不要地下室，而且要能落户口。
这个也难不倒我，中介当然不会傻到在标题上标注地下室和商住两用。但通常商住两用，会标明“不限购”，各种“大厦”，“中心”，“投资”的关键字，都是无法落户的，用关键字筛掉它们！
学姐眉头一皱，“忘了告诉你了，我要两室或者三室的房子，一定要带客厅”。我想了几秒钟，看来还得正则表达式出马：
housetype = re.compile(u'(2|3)室(1|2)厅');
这样，西城东城的房子彻底干掉了。我告诉学姐，你现在只能选择朝阳和海淀的房子了。
海淀朝阳，不要小产权，商住两用和地下室，两室/三室带客厅：572套
接下来按照区域选房子。我们按照区域排序分组并求数量，得到了下面这张表：
学姐往我这边凑了凑身子，才看清图表上的那些小字，”这么多地方，好多听都没听过，怎么选？“
我把数据导入到可视化工具里绘制出所有可选的位置。集中在北苑，清河，望京和十里堡附近。
学姐想了想说，“男朋友所在的公司在西边，我在东边，所以北苑应该是个不错的选择”
北苑正好是两个人的上班的中点，酒仙桥地铁并不方便，所以暂时先不考虑。
选择北苑，106套
我们将地图缩放到北苑，每个小区有多少套合适的房子一目了然。
”这个不错啊，那每个小区的价格和年份呢？我想买尽量新的房子。”
我很快导出了下面的表格，顺便把2014到2015年每个小区的涨价/跌价数量也显示出来，并按数量排序：
（笔者后来才知道， 跌价的两个小区，旭辉奥都基本都是商住两用，美立方小区很新，但基本都不满两年）
她对比了一下每个小区的价格，“这价格差别还是挺大的，从2.7W到3.9W都有。为什么呢？”
我说，这可能和房子年份有关，我猜越新的小区，房子肯定会越贵（附录证明了我的猜测）。买较新的房子也有缺点，就是可能卖家房本不足两年或五年，因此税费会较高。
学姐吃惊的说，原来成交价不是网上的挂牌价啊！
我偷笑了一下，心想，“看来学姐是完全不懂啊”。中介当然要收中介费的啊，某著名中介一般是成交价的2.7%。我拿出之前整理的各类费用的表格，列在下面：
我接着说道，这是普通商品房的税率，如果是经济适用房，需要交纳10%的综合地价款，如果是公房，还需要交纳土地出让金…
学姐打断我，“这个太复杂了！”
这些政策足够写好几张纸，我自己也不是很清楚。
这时，学姐拿出手机，一脸兴奋的说，啊，“我男朋友一会开车来接我，咱们尽量快一点结束”。
心塞啊，为了简单先不管公房和经适房。根据中介给出的隐含信息，结合附录中给的方法，重新计算最终成交价。
根据手续费占原价的百分比，可以看到不同百分比二手房的数量：
学姐说，希望所有的最终费用不超过330万。
最终费用不超过330万，总共95套
“我想要性价比较高的房子！”
我回答，这看你怎么定义性价比了。基本上，一分价钱一分货，能从下面几个角度来考虑：
· 户型：仅次于位置的最重要因素
· 采光：即使做不到明厨明卫，也最少做到明室明厅。
· 学区：旁边是否有不算太差的幼儿园和小学
· 升值空间：房子未来是否好出手
学姐问，90多套房子，这个让我怎么选啊，能让机器帮我选择一下吗？
这可让我犯了难，户型图都可以查到，但让程序去做自动识别，并计算采光，这实在是太难了，只能让学姐自己来选了。
采光也没法自动识别，但能通过中介给出的评论中提取关键词，绘制词图，提高筛房效率。
学区和升值空间相对比较容易，把北苑所有的学校，幼儿园，以及未来地铁的建设情况绘制出来，即可作为直接的参考。
检索2020年北苑位置的地铁
即使在2020年，北苑的地铁线路依旧不够发达，只增加了勇士营一站。勇士营站的位置，靠近来春园和北京青年城，可以认为未来有较好的升值空间。
绘制北苑所有的幼儿园
以学姐的情况，估计以后还会换学区房，我们姑且将附近的幼儿园绘制出来：
（时间所限，笔者没有标注每个幼儿园的情况，之后有专门的学区房专题进行分析）
提取中介点评关键字，做成词云，方便观察
由于中介对每套房子的评价内容特别多，因此一条一条观察会非常浪费时间。我不得不动用自然语言处理技术，对剩余的90多套房子，提取点评关键词。
按综合评价排序表格
为了方便学姐快速地从90套房子中选取自己中意的房子，我生成了这些房子的词图，坐标图和房型图。
另一方面，考虑对这些房源进行排序，但如何评价房子的综合好坏呢？
一般来说，看房的人越多越火，但不排除挂出来很久都没人看上，因此用每月平均看房次数比较合适。另外，更好的房子会有更多的中介小哥对其进行评价，房评热度较高。因此，使用下面的公式来计算房子的评价：
综合评价=(总看房人数/已挂出时间)∗0.2+经纪人评论数量∗0.8
(获取挂出时间的方法请参考附录，公式的权重参数是我瞎编的)
我花了五分钟生成了一个word文档，能非常方便地进行对比，选择恐惧症福音，就像下面这个样子：
我接着说，接下来就靠你和你男朋友对户型进行筛选，选出20-30套觉得不错的房子，综合地铁商场幼儿园地图，制定看房计划，联系中介，最后确定最合适的房子，这样会比较有效率。
学姐看完以后，非常开心，说道，太棒了太棒了，这样我选房就一目了然，你把你生成的这份文档拷到我U盘上吧！
这时，学姐掏出了一个非常精致的爱心优盘，说道“不要随便乱看哦，这里面有我和我男票的爱之皂片”。
心塞啊。。。我把优盘插在电脑上准备拷贝，顺便问学姐，你难道不考虑酒仙桥，清河的房子吗？好像中关村也有符合你要求的房子呢，那里比北苑地理位置好多了。。。
学姐表情一变，啊啊啊啊，是啊，我到底该怎么选啊，你知道我有选择恐惧症。。。你再帮我选一下吧。。。
我：。。。。。。
这时，外面有汽车鸣了两下笛，学姐的电话也响了，应该是她的BAT男友来了。
她一看手机，啊，我男朋友来接我了，学弟今天谢谢你！于是拿起包包转身急匆匆地就出门了。。。
哎，准备回家吧。正要收拾电脑，
“学姐，你的优盘！”
赵一鸣，2007级北邮通信工程专业，2014年硕士毕业，从事大数据开发，包括编译，爬虫和数据清洗，可视化分析等。马拉松和无器械健身爱好者。
沙漠之鹰
【限时干货下载】
2015/11/30前
2015年10月干货文件打包下载，请点击大数据文摘底部菜单：下载等--10月下载
大数据文摘精彩文章：
回复【金融】 看【金融与商业】专栏历史期刊文章
回复【可视化】感受技术与艺术的完美结合
回复【安全】 关于泄密、黑客、攻防的新鲜案例
回复【算法】 既涨知识又有趣的人和事
回复【谷歌】 看其在大数据领域的举措
回复【院士】 看众多院士如何讲大数据
回复【隐私】 看看在大数据时代还有多少隐私
回复【医疗】 查看医疗领域文章6篇
回复【征信】 大数据征信专题四篇
回复【大国】 “大数据国家档案”之美国等12国
回复【体育】 大数据在网球、NBA等应用案例
长按指纹，即可关注“大数据文摘”
专注大数据，每日有分享
覆盖千万读者的WeMedia联盟成员之一