房价数据转换和清洗

1.下载厦门房价信息源文件

下载链接：https://pan.baidu.com/s/16D5hw-XBEQnwtsf4fDJ8xw 密码：e1fg

2.新建一个ipynb文件

下载成功后，在源文件所在的文件夹中下图所标示的位置中输入cmd，确定命令正确后运行。

打开cmd.png
出现的cmd如下图所示
cmd打开后图示.png
在cmd中输入命令jypyter notebook
运行命令成功图示.png
新建一个ipynb文件.png
对新建的ipynb文件重命名1.png
将ipynb文件重命名为dataProcessing
对新建的ipynb文件重命名2.png

3.导入数据并查看数据字段

导入数据.png

从上图可以看出原有共15列，分别为：标题title、价格price、首付downPayment、户型sizeType、面积size、单价unitPrice、朝向orientation、楼层floor、装修decoration、社区community、区域region、学校school、房屋详情houseDetail、核心卖点keySellingPoint、配套设施equipment。

4.数据处理

因为这次实验不用到文本识别和语义分析，去除标题title、核心卖点keySellingPoint、配套设置equipment三个字段。

数据处理1.png

在数据处理过程中，需要多次查看DataFrame的字段，所以定义一个函数。

def printField(df):
    for x,y in enumerate(list(df.iloc[0].keys()),start=1):
        print(x,y)

观察数据源，发现首付downPayment字段与价格price字段成线性关系，所以要去除这个字段。

数据处理2.png
从事实的角度出发，因为我们要预测房子的房价，即单价unitPrice，在不知道单价的情况下不知道总价，所以删除总价price这个字段。
数据处理3.png
现在第一个字段是sizeType，有一部分行的值为暂无，删除这个字段值为暂无的行。
选出满足条件的行.png
数据处理4.png
从上图看出DataFrame的行数从26332行变为了25887行。

---

把户型拆分成3个字段：室、厅、卫，以下一段代码新产生一个DataFrame保存新产生的3个字段

import pandas as pd
import re
sizeType_list = []
def findNumber(reStr,sourceStr):
    result_list = re.findall(reStr,sourceStr)
    if len(result_list):
        return result_list[0]
    else:
        return 0
for i in range(len(df)):
    sizeType = df['sizeType'].iloc[i]
    sizeType_dict = dict(
        room = findNumber('([0-9]*)室',sizeType),
        hall = findNumber('([0-9]*)厅',sizeType),
        restroom =findNumber('([0-9]*)卫',sizeType)
    )
    sizeType_list.append(sizeType_dict)
df1 = pd.DataFrame(sizeType_list,columns=sizeType_list[0].keys())

下面的图把3个字段赋值给原来的DataFrame，并显示一下前面10行

增加3个字段.png
删除sizeType字段.png

---

删除size字段中的平米，使该字段内容变为数字内容

处理数据6.png

---

删除unitPrice字段中的元/平米，使该字段内容变为数字内容

处理数据7.png
将房屋的朝向转换为0-1矩阵，使用pd.get_dummies方法发现有不规则值???和请选择朝向。 查看是否有异常值.png
查看异常值情况.png

删除这两个异常值

删除这两个异常值.png
处理数据8.png

---

作者发现后面一些字段的处理相对来说比较麻烦，所以经过一段时间的抉择，统一用函数产生新的DataFrame，然后把新的DataFrame用pd.concat方法连接起来，这样编写代码时逻辑更清晰。所以前面的篇幅可以用作思路的参考，最终数据处理只需要复制下面一段代码就可以完成。

'''
原来的数据总共有15列：分别为：标题title、价格price、首付downPayment、
户型sizeType、面积size、单价unitPrice、朝向orientation、楼层floor、
装修decoration、社区community、区域region、学校school、房屋详情houseDetail、
核心卖点keySellingPoint、配套设施equipment
'''
'''
进行简单的房价预测不需要用到文本识别和语义分析，因此不需要用到title、
keySellingPoint、equipment,根据现实的情况来说因为先有单价才有总房价，
而进行预测的正是单价，所以用不到price、downPayment。观察房屋详情，发现
其中的数据有错误，有的20多层的楼房却显示没有电梯，这不符合高层住房电梯
规定，7层及以上住房必须安装电梯，不符合实际，所有房产有无电梯根据总楼层数判断
'''
import pandas as pd
import re
import time

def getSizeType(df):
    def findNumber(reStr,sourceStr):
        result_list = re.findall(reStr,sourceStr)
        if len(result_list):
            return result_list[0]
        else:
            return 0
    sizeType_list = []
    for i in range(len(df)):
        sizeType = df['sizeType'].iloc[i]
        sizeType_dict = dict(
            room = findNumber('([0-9]*)室',sizeType),
            hall = findNumber('([0-9]*)厅',sizeType),
            restroom =findNumber('([0-9]*)卫',sizeType)
        ) 
        sizeType_list.append(sizeType_dict)
    return pd.DataFrame(sizeType_list,columns=sizeType_list[0].keys())

def getSize(df):
    df1 = df['size'].copy()
    for i in range(len(df)):
        size = float(df['size'].iloc[i].strip("平米"))
        if size < 50:
            df1.iloc[i] = 'size1'
        elif size < 100:
            df1.iloc[i] = 'size2'
        elif size < 150:
            df1.iloc[i] = 'size3'
        elif size < 200:
            df1.iloc[i] = 'size4'
        else:
            df1.iloc[i] = 'size5'
    return pd.get_dummies(df1)

def getUnitPrice(df):
    df1 = df['unitPrice'].copy()
    for i in range(len(df)):
        df1.iloc[i] = df['unitPrice'].iloc[i].strip("元/平米")
    return df1

def getOrientation(df):
    return pd.get_dummies(df['orientation'])

def getHeight(df):
    df1 = df['floor'].copy()
    for i in range(len(df)):
        
        df1.iloc[i] = df['floor'].iloc[i].split(' ')[0][0]
    return pd.get_dummies(df1)

def getElevator(df):
    ele_list = []
    for i in range(len(df)):
        str1 = df['floor'].iloc[i].split(' ')[1]
        allFloor = int(re.findall("共(.*)层",str1)[0])
        elevator = 1 if allFloor >= 8 else 0
        ele_dict = {'elevator':elevator}
        ele_list.append(ele_dict)
    df1 = pd.DataFrame(ele_list)
    return df1

def getDecoration(df):
    df1 = df['decoration'].copy()
    for i in range(len(df)):
        df1.iloc[i] = df['decoration'].iloc[i].strip('修')
    return pd.get_dummies(df1)

def getCommunity(df):
    df1 = df['community'].copy()
    for i in range(len(df)):
        df1.iloc[i] = 1 if df['community'].iloc[i] == \
        df['community'].iloc[i] else 0
    return df1

def getDistrict(df):
    df1 = df['region'].copy()
    for i in range(len(df)):
        df1.iloc[i] = df['region'].iloc[i].split('-')[0]
    return pd.get_dummies(df1)

def getRegion(df):
    df1 = df['region'].copy()
    for i in range(len(df)):
        region = df['region'].iloc[i].split('-')[1]
        df1.iloc[i] = region.strip('(').strip(')')
    return pd.get_dummies(df1)
    
def getSchool(df):
    df1 = df['school'].copy()
    for i in range(len(df)):
        df1.iloc[i] = 1 if df['region'].iloc[i] == \
        df['region'].iloc[i] else 0
    return df1

def cleanFloor(df):
    for i in range(len(df)):
        if '共' not in df['floor'].loc[i]:
            df = df.drop([i])
    df = df.reset_index(drop=True)
    return df

def cleanSizeType(df):
    for i in range(len(df)):
        if '室' not in df['sizeType'].loc[i]:
            df = df.drop([i])
    df = df.reset_index(drop=True)
    return df

def cleanCommunity(df):
    df = df[df['community'] == df['community']]
    df = df.reset_index(drop=True)
    return df

if __name__ == "__main__":
    startTime = time.time()
    df = pd.read_excel("厦门房价数据(房天下版).xlsx")
    df = cleanCommunity(df)
    df = cleanFloor(df)
    df = cleanSizeType(df)
    #下面几个字段是列数较少的字段
    unitPrice = getUnitPrice(df)
    sizeType = getSizeType(df)
    elevator = getElevator(df)
    community = getCommunity(df)
    school = getSchool(df)
    #下面的字段是通过get_dummies方法产生的9-1矩阵，列数较多
    orientaion = getOrientation(df)
    height = getHeight(df)
    size = getSize(df)
    decoration = getDecoration(df)
    district = getDistrict(df)
    region = getRegion(df)

    df_new = pd.concat([unitPrice,sizeType,elevator,community,school,\
                        orientaion,height,size,decoration,district,region],\
            axis=1)

    df_new.to_excel("数据处理结果.xlsx",columns = df_new.iloc[0].keys())
    print("数据处理共花费%.2f秒" %(time.time()-startTime))    

数据处理结果图示.png