其他
【读者来稿】Python&R爬取分析赶集网北京二手房数据（附详细代码）
作者介绍：徐涛，19年应届毕业生，专注于珊瑚礁研究，喜欢用R各种清洗数据。
知乎：parkson
前言：
数据森麟公众号首次收到读者来稿，原文发布在知乎，已得到作者授权，在此向徐涛同学表示感谢。本文主要分为两部分：Python爬取赶集网北京二手房数据&R对爬取的二手房房价做线性回归分析。文章思路清晰，代码详细，特别适合刚刚接触Python&R的同学学习参考。
Part1：Python爬取赶集网北京二手房数据
入门爬虫一个月，所以对每一个网站都使用Xpath、Beautiful Soup、正则三种方法分别爬取，用于练习巩固。数据来源如下：
本文使用Beautiful Soup讲解。
Xpath传送门：Xpath+requests爬取赶集网北京二手房数据
import requests
import re
from requests.exceptions import RequestException
from bs4 import BeautifulSoup
import csv
import time
headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}
def get_one_page(url):
try:
response = requests.get(url,headers = headers)
if response.status_code == 200:
return response.text
return None
except RequestException:
return None
def parse_one_page(content):
try:
soup = BeautifulSoup(content,'html.parser')
items = soup.find('div',class_=re.compile('js-tips-list'))
for div in items.find_all('div',class_=re.compile('ershoufang-list')):
yield {
'Name':div.find('a',class_=re.compile('js-title')).text,
'Type': div.find('dd', class_=re.compile('size')).contents[1].text,#tag的 .contents 属性可以将tag的子节点以列表的方式输出
'Area':div.find('dd',class_=re.compile('size')).contents[5].text,
'Towards':div.find('dd',class_=re.compile('size')).contents[9].text,
'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace('\n',''),
'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text,
'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace('\n',''),
'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text,
'Price':div.find('div',class_=re.compile('time')).text
}
#有一些二手房信息缺少部分信息，如：缺少装修信息，或者缺少楼层信息，这时候需要加个判断，不然爬取就会中断。
if div['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None:
return None
except Exception:
return None
def main():
for i in range(1,50):
url = 'http://bj.ganji.com/fang5/o{}/'.format(i)
content = get_one_page(url)
print('第{}页抓取完毕'.format(i))
for div in parse_one_page(content):
print(div)
with open('Data.csv', 'a', newline='') as f: # Data.csv 文件存储的路径,如果默认路径就直接写文件名即可。
fieldnames = ['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price']
writer = csv.DictWriter(f, fieldnames=fieldnames)
writer.writeheader()
for item in parse_one_page(content):
writer.writerow(item)
time.sleep(3)#设置爬取频率，一开始我就是爬取的太猛，导致网页需要验证。
if __name__=='__main__':
main()对于小白容易遇见的一些问题：
a、有一些房屋缺少部分信息，如缺少装修信息，这个时候需要加一个判断，如果不加判断，爬取就会自动终止。我在这里跌了很大的坑。
b、Data.csv知识点存储文件路径默认是工作目录，关于工作目录传送门：python中如何查看工作目录
c、爬虫打印的是字典形式，每一个房屋信息都是一个字典，由于对Python中excel相关库是我知识盲点，所以爬虫的时候将字典循环直接写入CSV。
pycharm中打印如下：
将字典循环直接写入CSV效果如下：
d、很多初学者对于Address这种不知道如何处理，这里强调一下Beautiful Soup 中.contents的用法，亲身体会，我在这里花了好多时间才找到答案。
Part2：R对爬取的二手房房价做一般线性回归分析
下面我们用R对抓取的赶集网北京二手房数据做一些简单的分析。
2.1、数据的说明
Name：主要是商家的醒目标题，分析的时候没有啥参考意义
Type：卧室数、客厅数、卫生间数
Area：面积（平方米）
Towards：朝向
Floor：楼层
Decorate：装修情况如：精装修、简单装修、毛坯房
Address：二手房的地址
TotalPrice：总价
Price：均价（元/平方米）
2.2、数据清洗
data<-read.csv("E://Data For R/RData/data.csv")
DATA<-data[,-c(1,7)]#将Name和Address两列去掉
DATA[sample(1:nrow(DATA),size=10),]#在爬取的时候加入了判断，所以不知道爬取的数据中是否存在缺失值，这里检查一下
colSums(is.na(DATA))#这里将Type的卧室客厅和卫生间分为三个不同的列
##这里需要注意，有一些房屋没有客厅如：1室1卫这时候需要单独处理，还有一些没有厕所信息。
library(tidyr)
DATA=separate(data=DATA,col=Type,into = c("Bedrooms","Halls"),sep="室")
DATA=separate(data=DATA,col=Halls,into = c("Halls","Toilet"),sep="厅")
##将卫生间后面的汉字去掉
DATA$Toilet<-str_replace(DATA$Toilet,"卫","")
###如图六，将Halls中带有汉字去掉，因为有一些房屋信息没有客厅，如：1室1厅，在分成卧室和客厅时，会将卫生间分到客厅一列。
DATA$Halls<-str_replace(DATA$Halls,"卫","")
##取出没有客厅信息的数据，这些数据被separate到Halls列
newdata<-DATA[which(DATA$Toilet %in% NA),2]
newdata
##将没有客厅的房屋信息Halls列填充为0
DATA[which(DATA$Toilet %in% NA),2]<-0
DATA[which(DATA$Toilet %in% NA),3]<-newdata
colSums(DATA=="")
Bedrooms Halls Toilet Area Towards Floor Decorate
0 0 2 0 0 0 0
TotalPrice Price
0 0
##发现有2个厕所没有信息,将其填写为0。
DATA$Toilet[DATA$Toilet == ""]<-0##这里将Area后的㎡去掉
DATA$Area<-str_replace(DATA$Area,"㎡","")
##查看Towards的类型
table(DATA$Towards)
Towards 北向 东北向 东南向 东西向 东向 南北向 南向 西北向
51 25 23 50 65 32 1901 678 38
西南向 西向
28 26
##将Floor信息带括号的全部去除
DATA$Floor<-str_replace(DATA$Floor,"[（].*[）]","")##正则表达式
#查看Floor的类别信息
低层 地下 高层 共1层 共2层 共3层 共4层 共5层 中层
632 32 790 36 61 101 68 130 1016
#分别将TotalPrice和Price后面的万元、元/㎡去掉
DATA$TotalPrice<-str_replace(DATA$TotalPrice,"万元","")
DATA$Price<-str_replace(DATA$Price,"元/㎡","")
head(DATA)##将数据转换格式
DATA$Bedrooms<-as.factor(DATA$Bedrooms)
DATA$Halls<-as.factor(DATA$Halls)
DATA$Toilet<-as.factor(DATA$Toilet)
DATA$Area<-as.numeric(DATA$Area)
DATA$TotalPrice<-as.numeric(DATA$TotalPrice)
DATA$Price<-as.numeric(DATA$Price)
DATA$Towards<-as.factor(DATA$Towards)
DATA$Decorate<-as.factor(DATA$Decorate)
str(DATA)以上数据清洗完毕。
Part3：描述性分析
主要思路是探究单个自变量对因变量的影响，对房价的影响因素进行模拟探究之前，首先对各变量进行描述性分析，已初步判断房价的影响因素。这里探究各个因素对总价影响。
3.1探究Bedrooms与TotalPrice的关系
table(DATA$Bedrooms)
1 2 3 4 5 6 7 9
541 1225 779 193 102 20 5 1
##由于拥有6、7、9个卧室数的数量较少，这里我们排出这些数据。
DATA<-DATA[-(which(DATA$Bedrooms %in% "6")),]
DATA<-DATA[-(which(DATA$Bedrooms %in% "7")),]
DATA<-DATA[-(which(DATA$Bedrooms %in% "9")),]
table(DATA$Bedrooms)
1 2 3 4 5
541 1225 779 193 102
library(ggplot2)
ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col="red")DATA$Bedrooms<-as.numeric(DATA$Bedrooms)
##这里将卧室数为1、2、3命名为A，4为B，5为C
DATA$Bedrooms[DATA$Bedrooms=='1']<-"A"
DATA$Bedrooms[DATA$Bedrooms=='2']<-"A"
DATA$Bedrooms[DATA$Bedrooms=='3']<-"A"
DATA$Bedrooms[DATA$Bedrooms=='4']<-"B"
DATA$Bedrooms[DATA$Bedrooms=='5']<-"C"不同卧室数，TotalPrice不同，且随着卧室数的增多，总价越高，符合大众的认知。
3.2探究Halls与TotalPrice的关系
table(DATA$Halls)
0 1 2 3 4 5 9
20 1674 1050 77 18 1 0
##5个客厅只有一个个体，我们这里将其排出
DATA<-DATA[-(which(DATA$Halls %in% "5")),]
table(DATA$Halls)
0 1 2 3 4 5 9
20 1674 1050 77 18 0 0
ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col="red")客厅数为3时候总价最高，客厅数为0、1和2的时候总价低于客厅数3和客厅数4。
3.3探究Toilet与TotalPrice的关系
#探究卫生间与总价的关系
table(DATA$Toilet)
0 1 2 3 4 5 6 7 9
2 2142 470 116 74 26 7 2 0
#这里将卫生间数为0、6和7的去掉
DATA<-DATA[-(which(DATA$Toilet %in% "0")),]
DATA<-DATA[-(which(DATA$Toilet %in% "6")),]
DATA<-DATA[-(which(DATA$Toilet %in% "7")),]
table(DATA$Toilet)
0 1 2 3 4 5 6 7 9
0 2142 470 116 74 26 0 0 0
ggplot(DATA,aes(x=Toilet,y=TotalPrice))+geom_boxplot(col="red")一般卧室数越多，卫生间数也越多，即卫生间数越多，总价越高。
3.4探究Area与TotalPrice的关系
ggplot(DATA, aes(x=Area, y=TotalPrice)) + geom_point(col='red')这个完全符合住房面积越大，总价越高。
3.5探究Towards与TotalPrice的关系
ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red")3.6探究Floor与TotalPrice的关系
ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red")图中信息显示楼层一共只有1、2、3、地下的总价较高。
3.7探究Decorate与TotalPrice的关系
ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red")不同装修信息对总价影响较小。
Part4：模型建立
fit <-lm(TotalPrice~Bedrooms+Halls+Toilet+Area+Towards+Floor+Decorate,data=DATA)
summary(fit)
Call:
lm(formula = TotalPrice ~ Bedrooms + Halls + Toilet + Area +
Towards + Floor + Decorate, data = DATA)
Residuals:
Min 1Q Median 3Q Max
-1330.80 -103.49 -21.41 63.88 2961.59
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -112.7633 88.3010 -1.277 0.201697
Bedrooms2 -43.5934 16.2533 -2.682 0.007359 **
Bedrooms3 -82.6565 20.7641 -3.981 7.04e-05 ***
Bedrooms4 -63.3096 34.9521 -1.811 0.070198 .
Bedrooms5 79.0618 54.0763 1.462 0.143842
Halls1 -5.0663 64.2764 -0.079 0.937182
Halls2 -53.8905 65.4427 -0.823 0.410307
Halls3 -303.9750 79.2280 -3.837 0.000127 ***
Halls4 -528.5427 104.0849 -5.078 4.07e-07 ***
Toilet2 112.9566 19.1171 5.909 3.87e-09 ***
Toilet3 543.7304 38.8056 14.012 < 2e-16 ***
Toilet4 735.1894 55.0977 13.343 < 2e-16 ***
Toilet5 338.7906 84.2851 4.020 5.98e-05 ***
Area 5.1091 0.1619 31.557 < 2e-16 ***
Towards东北向 138.9088 79.3817 1.750 0.080248 .
Towards东南向 187.1895 68.5388 2.731 0.006351 **
Towards东西向 176.3055 65.8384 2.678 0.007453 **
Towards东向 210.9435 73.2744 2.879 0.004022 **
Towards南北向 75.7831 57.1199 1.327 0.184704
Towards南向 60.1949 56.9678 1.057 0.290763
Towards西北向 75.4326 71.1415 1.060 0.289091
Towards西南向 169.8106 75.9626 2.235 0.025467 *
Towards西向 234.0816 76.5585 3.058 0.002253 **
Floor地下 -812.3578 63.3277 -12.828 < 2e-16 ***
Floor高层 12.3525 14.2466 0.867 0.385991
Floor共1层 -313.7278 52.1342 -6.018 2.00e-09 ***
Floor共2层 -453.3692 41.6829 -10.877 < 2e-16 ***
Floor共3层 -601.7032 44.3336 -13.572 < 2e-16 ***
Floor共4层 -183.7866 36.3396 -5.057 4.52e-07 ***
Floor共5层 -41.4184 25.7922 -1.606 0.108419
Floor中层 -1.7223 13.5961 -0.127 0.899204
Decorate简单装修 -63.1591 22.0584 -2.863 0.004224 **
Decorate精装修 -49.3276 19.8544 -2.484 0.013033 *
Decorate毛坯 -157.0299 24.3012 -6.462 1.22e-10 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 265.5 on 2794 degrees of freedom
Multiple R-squared: 0.6852, Adjusted R-squared: 0.6815
F-statistic: 184.3 on 33 and 2794 DF, p-value: < 2.2e-16模型的F检验拒绝原假设，说明建立的模型是显著的；Ajusted R-squared 为0.6815，模型的拟合程度尚可接受。
后面还有模型的检验，由于近期实验太多了，之后有机会会进行更深入的探讨
（作为一小白，在抓取和分析过程中遇见非常多问题，非常感谢麟哥对我的耐心指导和鼓励。由于近期实验室实验太多且实验不顺，花了太多时间在实验上耽误了写这个，写了好几天草草结束。）
如果大家周围有对数据分析&数据挖掘感兴趣的朋友，欢迎在朋友圈分享&转发我们的公众号，让更多的朋友加入数据森麟。有好的文章也可以联系我与大家分享，需要获取代码转载本公众号文章，可以直接在公众号或者文章下方留言。
往期文章：
爬虫告诉你, 互联网大数据行业有多赚钱【数据挖掘&机器学习篇】