因?yàn)閷糜寻峒业脑颍瑢χ楹７孔猱a(chǎn)生一定的興趣，想要研究分析一下珠海的房租情況。
首先需要寫一個(gè)收集數(shù)據(jù)的函數(shù)，從租房網(wǎng)站上爬去房源房租信息。將爬取下來的數(shù)據(jù)進(jìn)行清洗，整合，然后再進(jìn)行分析。
本次分析使用Python，用到的庫有pandas庫,numpy庫，re庫，BeautifulSoup庫，requests庫。
1、收集房源鏈接
設(shè)計(jì)函數(shù)makepage(n1,n2)。makepage(n1,n2)函數(shù)的功能是輸入n1,n2，收集從第n1頁到第n2頁的房源鏈接，返回有房源連接的列表。
2、收集房源的具體信息
設(shè)計(jì)getHouse(url)函數(shù)，主要是將從makepage(n1,n2)函數(shù)收集到的房源鏈接上，獲取房源的詳細(xì)信息，例如房租，房子所在區(qū)域，房子面積等信息。
然后通過for循環(huán)，將makepage(n1,n2)函數(shù)收集到的房源鏈接一個(gè)個(gè)提取出來，使用getHouse(url)函數(shù)獲取房子信息，然后將獲取的信息放到一個(gè)空列表(houselist)里，然后用pandas庫的pandas.DataFrame(houselist)，將數(shù)據(jù)表格化呈現(xiàn)。
3、清洗數(shù)據(jù)
數(shù)據(jù)被我們采集下來是非?；靵y的，有些字段的的數(shù)據(jù)有著很多的空缺值，根據(jù)我們采集下來的數(shù)據(jù)字段，有65個(gè)字段，其中有很多樓層字段，例如：樓層（共10層）、樓層（共12層）。同時(shí)由于標(biāo)題是不可能出現(xiàn)缺失值的，如果標(biāo)題出現(xiàn)了缺失值，那就證明表格這一行數(shù)據(jù)都出現(xiàn)了缺失了。
使用df['標(biāo)題'].notnull()，排除整行的缺失值。
4、將樓層數(shù)據(jù)匯集成一列，刪掉關(guān)于樓層的多余列，從數(shù)據(jù)的缺失度，以及重要性來看，小區(qū)介紹，戶型介紹，服務(wù)介紹,房源亮點(diǎn)，周邊配套所在小區(qū)可以清洗掉,然后將床、空調(diào)、寬帶、暖氣、冰箱、電視、洗衣機(jī)、熱水器合并成一列，再清洗相關(guān)字段
5、盡管將數(shù)據(jù)清洗了，但是數(shù)據(jù)里仍然包含了部分不需要的字段，而且數(shù)據(jù)排列很雜亂和不美觀，而且想把建筑面積數(shù)值、所在區(qū)域和抵押方式提取出來。這里使用到strip(),split()以及正則表達(dá)式，來提取數(shù)據(jù)。
6、數(shù)據(jù)清洗完后，我們就來進(jìn)行數(shù)據(jù)分析。
首先進(jìn)行描述性分析
根據(jù)描述分析，中位數(shù)和均值，出現(xiàn)較大差距，證明租金和建筑面積都有極值出現(xiàn)，而且標(biāo)準(zhǔn)差和均值的差距較大，說明數(shù)據(jù)比較離散，存在極值。通過散點(diǎn)圖、租金和建筑面積直方圖得出，租金出現(xiàn)一個(gè)極值25000元，建筑面積出現(xiàn)2個(gè)極值300平米。
7、現(xiàn)在來看一下各個(gè)區(qū)域的房源數(shù)量和平均數(shù)據(jù)分別是多少，從圖中可以看出平均房租租金收費(fèi)高的前五地區(qū)是南屏、吉大、新香洲、唐家灣和蘭埔，同時(shí)房源數(shù)量 前五的區(qū)域分別是南屏、新香洲、吉大、唐家灣和前山
8、建立箱形圖，圖像化每個(gè)區(qū)域的房租分布。根據(jù)圖中顯示，分布比較均衡的區(qū)域是紅旗、老香洲，三灶、唐家灣、南屏、夏灣、新香洲、灣仔、白藤頭以及吉大房租租金都有極值出現(xiàn)，吉大甚至出現(xiàn)了整個(gè)數(shù)據(jù)極值25000塊.
9、根據(jù)文章標(biāo)題，建立詞云圖。詞云圖根據(jù)詞語在標(biāo)題中出現(xiàn)的頻率，對詞語進(jìn)行統(tǒng)計(jì)描繪，字體大小決定該詞匯在整個(gè)文本的權(quán)重。從圖中可知，權(quán)重前3的詞語分別是“精裝”、“家電 齊全”和“家私 家電”。
由于采集的數(shù)據(jù)量較少，只有500多條，不能代表珠海整體的租房情況，僅供參考。
