AI 助理
备案控制台
开发者社区 大数据 文章 正文

深圳二手房数据可视化

2023-10-16 336
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 深圳二手房数据可视化

该案例可以使用和鲸社区线分析工具ModelWhale在线使用

https://www.heywhale.com/mw/project/60d67d0fee16460017a2ca51

导入相关库

import pandas as pd
from pyecharts.charts import *
from pyecharts import options as opts
from pyecharts.commons.utils import JsCode

pandas读取数据

df = pd.read_csv('/home/mw/input/house4500/二手房数据-sz.csv', encoding='GBK')
df['参考单价'] = df['参考单价'].str.replace('元/平米', '').astype('int')
df['建筑面积'] = df['建筑面积'].str.replace('㎡', '').astype('float')
df['参考总价'] = df['参考总价'].str.replace('万', '').astype('float')
df['抵押信息'] = df['抵押信息'].str.extract('(.+?抵押)')
df['所在楼层'] = df['所在楼层'].str.extract('(.+?楼层)')
df['房屋朝向'] = df['房屋朝向'].str.extract('(.+?) ')
df.head()

房源分布

统计深圳各区域/小区二手房数量；

df_t = df.groupby(['行政区', '区域', '小区名称'])['编号'].count().reset_index()
data = []
area, county = [], []
for idx, row in df_t.iterrows():
    if row['行政区'] in county:
        pass
        if row['区域'] in area:
            data[-1]['children'][-1]['children'].append(dict(name=row['小区名称'], value=row['编号']))
        else:
            data[-1]['children'].append(dict(name=row['区域'], children=[dict(name=row['小区名称'], value=row['编号'])]))
    else:
        data.append(dict(name=row['行政区'], children=[dict(name=row['区域'], children=[dict(name=row['小区名称'], value=row['编号'])])]))
    area.append(row['区域'])
    county.append(row['行政区'])
tree = TreeMap(    
    init_opts=opts.InitOpts(
        theme='chalk',
        width='1000px',
        height='600px'
        ))
tree.add(
    "房源分布", 
    data,
    leaf_depth=2,
    label_opts=opts.LabelOpts(position="inside", formatter='{b}: {c}套'),
    levels=[
            opts.TreeMapLevelsOpts(
                treemap_itemstyle_opts=opts.TreeMapItemStyleOpts(
                    border_color="#555", border_width=4, gap_width=4
                )
            ),
            opts.TreeMapLevelsOpts(
                color_saturation=[0.3, 0.6],
                treemap_itemstyle_opts=opts.TreeMapItemStyleOpts(
                    border_color_saturation=0.7, gap_width=2, border_width=2
                ),
            ),
            opts.TreeMapLevelsOpts(
                color_saturation=[0.3, 0.5],
                treemap_itemstyle_opts=opts.TreeMapItemStyleOpts(
                    border_color_saturation=0.6, gap_width=1
                ),
            ),
        ],
    )
tree.set_global_opts(
    title_opts=opts.TitleOpts(title="深圳二手房房源分布", pos_left='center', pos_top='2%', title_textstyle_opts=opts.TextStyleOpts(color='#00BFFF', font_size=20)),
    legend_opts=opts.LegendOpts(is_show=False)
    )
tree.render_notebook()

各区域二手房数据总览

tool_js = """function (param) {return
            '<div style="border-bottom: 1px solid rgba(255,255,255,.3); font-size: 18px;padding-bottom: 7px;margin-bottom: 7px">'
            +param.data[3] + '-' +param.data[2]+'<br/>'
            + '</div>'
            +'平均面积： '+param.data[1]+' ㎡<br/>'
            +'平均单价： '+param.data[0]+' 元/㎡<br/>'
            +'房源数量： '+param.data[4]+' 套';}"""
st = Scatter(
    init_opts=opts.InitOpts(
        theme='chalk',
        width='1000px',
        height='600px')
        )
st.set_global_opts(
    xaxis_opts=opts.AxisOpts(name='平均单价', type_="value", is_scale=True),
    yaxis_opts=opts.AxisOpts(is_scale=True, name='平均建筑面积', type_="value"),
    tooltip_opts=opts.TooltipOpts(formatter=JsCode(tool_js)),
    legend_opts=opts.LegendOpts(is_show=True, pos_right=10, pos_top='10%', orient='vertical'),
    visualmap_opts=opts.VisualMapOpts(is_show=True,
                                      type_='size',
                                      min_=0,
                                      max_=2500,
                                      pos_top='55%',
                                      pos_right='1%',
                                      orient='vertical',
                                      range_text=['房源数量\n', ''],
                                      range_size=[10, 50],
                                      textstyle_opts=opts.TextStyleOpts(color='#fff')),
    title_opts=opts.TitleOpts(title="各区域二手房数据总览",
                              pos_left='center',
                              title_textstyle_opts=opts.TextStyleOpts(color='#1E90FF'))
                              )
df_t = df.groupby(['行政区', '区域']).agg(
    {'参考单价': 'mean', '建筑面积': 'mean', '编号': 'count'}).reset_index()
for area in df_t['行政区'].unique():
    data_x, data_y = [], []
    d = df_t[df_t['行政区'] == area]
    for idx, row in d.iterrows():
        data_x.append(int(row['参考单价']))
        data_y.append([int(row['建筑面积']), row['区域'], area, row['编号']])
    s = Scatter()
    s.add_xaxis(data_x)
    s.add_yaxis(area,
                data_y,
                label_opts=opts.LabelOpts(is_show=False),
                itemstyle_opts={'shadowBlur': 2,
                                'shadowColor': 'rgba(0, 0, 0, 0.9)',
                                'shadowOffsetY': 2,
                                'shadowOffsetX': 3,
                                'opacity': 0.9,
                                'borderColor': '#fff',
                                'boderWidth': 1}
                )
    st.overlap(s)
st.render_notebook()

房屋属性分布

def cate_stat(col):
    data_pair = []
    else_v = 0
    for k, v in dict(df[col].value_counts()).items():
        if len(data_pair) < 5:
            data_pair.append([k, int(v)])
        else:
            else_v += int(v)
    if else_v:
        data_pair.append(['其他', else_v])
    return data_pair
pie = Pie(
    init_opts=opts.InitOpts(
        theme='chalk',
        width='1000px',
        height='600px'
    )
)
pie.add(
    "",
    cate_stat('房屋朝向'),
    # 指定饼图中心位置
    center=["20%", "35%"],
    # 将饼图尺寸相应缩小，不然饼图会重叠
    radius=["10%", "15%"],
    label_opts=opts.LabelOpts(formatter='{b}\n{d}%')
)
pie.add(
    "",
    cate_stat('建筑结构'),
    # 指定饼图中心位置
    center=["50%", "35%"],
    # 将饼图尺寸相应缩小，不然饼图会重叠
    radius=["10%", "15%"],
    label_opts=opts.LabelOpts(formatter='{b}\n{d}%')
)
pie.add(
    "",
    cate_stat('装修情况'),
    # 指定饼图中心位置
    center=["80%", "35%"],
    # 将饼图尺寸相应缩小，不然饼图会重叠
    radius=["10%", "15%"],
    label_opts=opts.LabelOpts(formatter='{b}\n{d}%')
)
pie.add(
    "",
    cate_stat('所在楼层'),
    # 指定饼图中心位置
    center=["20%", "70%"],
    # 将饼图尺寸相应缩小，不然饼图会重叠
    radius=["10%", "15%"],
    label_opts=opts.LabelOpts(formatter='{b}\n{d}%')
)
pie.add(
    "",
    cate_stat('房屋年限'),
    # 指定饼图中心位置
    center=["50%", "70%"],
    # 将饼图尺寸相应缩小，不然饼图会重叠
    radius=["10%", "15%"],
    label_opts=opts.LabelOpts(formatter='{b}\n{d}%')
)
pie.add(
    "",
    cate_stat('抵押信息'),
    # 指定饼图中心位置
    center=["80%", "70%"],
    # 将饼图尺寸相应缩小，不然饼图会重叠
    radius=["10%", "15%"],
    label_opts=opts.LabelOpts(formatter='{b}\n{d}%'),
)
pie.set_series_opts(
    itemstyle_opts={'shadowBlur': 2,
                    'shadowColor': 'rgba(0, 0, 0, 0.5)',
                    'shadowOffsetY': 2,
                    'shadowOffsetX': 3,
                    'opacity': 1}
)
pie.set_global_opts(
    legend_opts=opts.LegendOpts(is_show=False),
    title_opts=[
        dict(
            text='房屋属性分布',
            left='2%',
            top='1%',
            textStyle=dict(
                color='#00BFFF',
                fontSize=20)),
        dict(
            text='朝向 ',
            left='20%',
            top='33%',
            textAlign='center',
            textStyle=dict(
                color='#fff',
                fontWeight='normal',
                fontSize=15)),
        dict(
            text='结构 ',
            left='50%',
            top='33%',
            textAlign='center',
            textStyle=dict(
                color='#fff',
                fontWeight='normal',
                fontSize=15)),
        dict(
            text='装修 ',
            left='80%',
            top='33%',
            textAlign='center',
            textStyle=dict(
                color='#fff',
                fontWeight='normal',
                fontSize=15)),
        dict(
            text='楼层 ',
            left='20%',
            top='68%',
            textAlign='center',
            textStyle=dict(
                color='#fff',
                fontWeight='normal',
                fontSize=15)),
        dict(
            text='年限 ',
            left='50%',
            top='68%',
            textAlign='center',
            textStyle=dict(
                color='#fff',
                fontWeight='normal',
                fontSize=15)),
        dict(
            text='抵押 ',
            left='80%',
            top='68%',
            textAlign='center',
            textStyle=dict(
                color='#fff',
                fontWeight='normal',
                fontSize=15))
    ],
    graphic_opts=[
        opts.GraphicGroup(
            graphic_item=opts.GraphicItem(
                id_='2', left="center", top="40px"),
            children=[
                opts.GraphicRect(
                    graphic_item=opts.GraphicItem(
                        left="center", top="center", z=1
                    ),
                    graphic_shape_opts=opts.GraphicShapeOpts(
                        width=950, height=520
                    ),
                    graphic_basicstyle_opts=opts.GraphicBasicStyleOpts(
                        fill="rgba(0,0,0,0)",
                        line_width=5,
                        stroke="#fff",
                    ),
                )
            ],
        )
    ]
)
pie.render_notebook()

房价统计—行政区域

df_t = df.groupby(['行政区']).agg({'参考单价': 'mean'}).reset_index()
data_pair=[]
for idx, row in df_t.iterrows():
    data_pair.append([row['行政区'], int(row['参考单价'])])
chart = Map(
    init_opts=opts.InitOpts(
        width='1000px',
        height='600px',
        theme='chalk',
        )
)
chart.add(
    "",
    data_pair=data_pair,
    maptype="深圳",
    is_map_symbol_show=False,
    label_opts=opts.LabelOpts(is_show=True)
)
chart.set_global_opts(
    visualmap_opts=opts.VisualMapOpts(
        is_show=False,
        type_='color',
        min_=3e4,
        max_=8e4,
        range_color=[
            '#313695',
            '#4575b4',
            '#74add1',
            '#abd9e9',
            '#e0f3f8',
            '#ffffbf',
            '#fee090',
            '#fdae61',
            '#f46d43',
            '#d73027',
            '#a50026']
    ),
    title_opts=opts.TitleOpts(
        title="深圳各行政区二手房房价统计",
        subtitle='单位：元/平方米',
        pos_left="center",
        pos_top='1%',
        title_textstyle_opts=opts.TextStyleOpts(color='#00BFFF', font_size=20)
    ),
    tooltip_opts=opts.TooltipOpts(is_show=True, formatter='{b}:{c}元/平方米'),
    legend_opts=opts.LegendOpts(is_show=False),
)
chart.render_notebook()

房价统计—各区域

df_t = df.groupby(['区域']).agg(
    {'参考单价': 'mean', '经度': 'mean', '纬度': 'mean'}).reset_index()
data_pair=[]
for idx, row in df_t.iterrows():
    data_pair.append([row['区域'], [row['经度'], row['纬度'], int(row['参考单价'])]])
chart = Map3D(
    init_opts=opts.InitOpts(
        width='1000px',
        height='600px',
        theme='chalk',
        )
)
# 引用添加的地图
chart.add_schema(
    maptype="深圳",
    ground_color='#999',
    shading="lambert",
    emphasis_label_opts=opts.LabelOpts(is_show=True),
    itemstyle_opts=opts.ItemStyleOpts(
            border_width=0.2,
            border_color="rgb(0,0,0)",
    ),
    light_opts=opts.Map3DLightOpts(
        main_shadow_quality='high',
        is_main_shadow=True,
        main_intensity=1,
        main_alpha=30,
        ambient_cubemap_texture='https://echarts.apache.org/examples/data-gl/asset/canyon.hdr',
        ambient_cubemap_diffuse_intensity=0.5,
        ambient_cubemap_specular_intensity=0.5
    ),
    post_effect_opts=opts.Map3DPostEffectOpts(
        is_enable=True,
        is_ssao_enable=True,
        ssao_radius=1,
        ssao_intensity=1
    )
)
chart.add(
    "",
    data_pair=data_pair,
    type_="bar3D",
    bar_size=1.5,
    min_height=3,
    shading="lambert",
    label_opts=opts.LabelOpts(
            is_show=False,
            formatter=JsCode(
                "function(data){return data.name + ': ' + data.value[2];}"),
    )
)
chart.set_global_opts(
    visualmap_opts=opts.VisualMapOpts(
        is_show=False,
        type_='color',
        dimension=2,
        min_=3e4,
        max_=1e5,
        range_color=[
            '#313695',
            '#4575b4',
            '#74add1',
            '#abd9e9',
            '#e0f3f8',
            '#ffffbf',
            '#fee090',
            '#fdae61',
            '#f46d43',
            '#d73027',
            '#a50026']
    ),
    title_opts=opts.TitleOpts(
        title="深圳各区域二手房房价统计",
        subtitle='单位：元/平方米',
        pos_left="center",
        pos_top='1%',
        title_textstyle_opts=opts.TextStyleOpts(color='#00BFFF', font_size=20)
    ),
    tooltip_opts=opts.TooltipOpts(is_show=False),
    legend_opts=opts.LegendOpts(is_show=False),
)
chart.render_notebook()

BMap热力图

Bmap需要前往百度地区申请app key，各位可以Fork后替换成自己的ak；可视化代码已注释掉～

# from pyecharts.globals import BMapType, ChartType
# data = []
# for idx, row in df.iterrows():
#     data.append([row['房协编码'], [row['经度'], row['纬度'], 1]])
# bmp = BMap(init_opts=opts.InitOpts(width="1000px", height="800px"))
# bmp.add_schema(
#     # 替换自己的AK
#     baidu_ak="AK",
#     center=[114.058196, 22.650279],
#     zoom=12,
#     is_roam=True,
# )
# bmp.add(
#     series_name="",
#     type_='heatmap',
#     data_pair=data,
#     is_large=True,
#     blur_size=5,
#     point_size=1,
# )
# bmp.add_control_panel(
#         copyright_control_opts=opts.BMapCopyrightTypeOpts(position=3),
#         maptype_control_opts=opts.BMapTypeControlOpts(
#             type_=BMapType.MAPTYPE_CONTROL_DROPDOWN
#         ),
#         scale_control_opts=opts.BMapScaleControlOpts(),
#         overview_map_opts=opts.BMapOverviewMapControlOpts(is_open=True),
#         navigation_control_opts=opts.BMapNavigationControlOpts(),
#         geo_location_control_opts=opts.BMapGeoLocationControlOpts(),
#     )
# bmp.set_global_opts(
#     visualmap_opts=opts.VisualMapOpts(
#         is_show=False,
#         max_=1000,
#         series_index=0,
#         range_color=['blue', 'blue', 'green', 'yellow', 'red']
#     ),
# )
# bmp.render_notebook()

文章标签：
数据可视化
Python
点点GIS
目录
相关文章
拓端数据部落
|
7月前
|
数据可视化 算法 大数据
电商平台数据可视化分析网红零食销量
电商平台数据可视化分析网红零食销量
拓端数据部落
128 4
python当打之年-33653
|
数据可视化 数据挖掘 大数据
Pandas+Pyecharts | 北京某平台二手房数据分析可视化
Pandas+Pyecharts | 北京某平台二手房数据分析可视化
python当打之年-33653
260 0
python编程狮
|
4月前
|
数据采集 存储 数据可视化
辽宁链家新房数据采集与可视化实现
本文介绍了利用Python网络爬虫技术从链家网爬取辽宁省大连市和沈阳市的新房数据，并通过数据清洗、统计和可视化分析，揭示房源分布和价格特征，帮助用户做出更明智的购房决策。
python编程狮
63 0
python编程狮
|
4月前
|
数据采集 JSON 数据可视化
基于Python的全国主要城市天气数据可视化大屏系统
本文介绍了一个基于Python开发的全国主要城市天气数据可视化大屏系统，该系统利用requests库进行数据采集、Pandas进行数据处理与分析，并采用Echarts和Flask实现数据的可视化展示和Web交互，以直观、实时地呈现天气变化趋势。
python编程狮
224 2
基于Python的全国主要城市天气数据可视化大屏系统
gudanhero2018
|
3月前
|
数据处理 Python
Pandas实践（续）：2023年南京地铁客运量分析
Pandas实践（续）：2023年南京地铁客运量分析
gudanhero2018
52 0
n7lskg6uuowc2
|
6月前
|
数据采集 Web App开发 数据可视化
程序员必知：对厦门二手房的数据分析与可视化分析
程序员必知：对厦门二手房的数据分析与可视化分析
n7lskg6uuowc2
80 0
IT从业者张某某
|
7月前
|
监控 数据可视化 数据挖掘
数据可视化第二版-拓展-和鲸网约车分析一等奖作品
数据可视化第二版-拓展-和鲸网约车分析一等奖作品
IT从业者张某某
66 0
漏刻有时
|
数据可视化 数据管理 大数据
漏刻有时开源框架：2019-nCov疫情防控数据可视化大屏作战室
漏刻有时开源框架：2019-nCov疫情防控数据可视化大屏作战室
漏刻有时
60 0
Crossin的编程教室
|
数据可视化 数据挖掘 定位技术
150年前，他对拿破仑做数据可视化
十九世纪初，整个欧洲大陆几乎都在拿破仑的控制之下……除了隔着天然屏障的英国。于是，拿破仑下令对英国实施经济制裁。然而，俄国皇三代亚历山大却不买这个账，因此跟科西嘉暴发户结下了梁子。
Crossin的编程教室
235 0
艾派森_
|
数据采集 数据可视化 数据挖掘
数据分析案例-四川省旅游景点数据分析
数据分析案例-四川省旅游景点数据分析
艾派森_
475 0
数据分析案例-四川省旅游景点数据分析

热门文章

最新文章

  • 1
    天猫精灵开放平台-之小百科测评
  • 2
    语义检索系统：基于Milvus 搭建召回系统抽取向量进行检索，加速索引
  • 3
    3D立方体图片切换动画
  • 4
    模态对话框和非模态对话框
  • 5
    java03
  • 6
    冒泡排序
  • 7
    Windows XP客户端加域操作手册上
  • 8
    微信 6.5.1 for iOS发布 可以在朋友圈分享相册中的视频
  • 9
    Chapter 1: Creating the GUI Form and Adding Widgets
  • 10
    【Mockplus教程】帐号和购买
  • 1
    「Mac畅玩鸿蒙与硬件42」UI互动应用篇19 - 数字键盘应用
    33
  • 2
    赋能加速AI应用交付，F5 BIG-IP Next for Kubernetes方案解读
    28
  • 3
    RAG分块策略：主流方法（递归、jina-seg）+前沿推荐（Meta-chunking、Late chunking、SLM-SFT）
    24
  • 4
    Python学习的自我理解和想法（2）
    25
  • 5
    Transformer图解
    31
  • 6
    API安全专题：如何有效应对新型Bot攻击？
    17
  • 7
    Selenium IDE：Web自动化测试的得力助手
    31
  • 8
    《docker高级篇（大厂进阶）：5.Docker-compose容器编排》包括是什么能干嘛去哪下、Compose核心概念、Compose使用三个步骤、Compose常用命令、Compose编排微服务
    47
  • 9
    24/7全时守护：AI视频监控技术的深度实现与应用分享
    38
  • 10
    《docker高级篇（大厂进阶）：6.Docker轻量级可视化工具Portainer》
    25

    • 相关课程

    更多
  • 场景实践-通过阿里云数据分析工具实现共享单车骑行分析
  • 大数据可视化 DataV 课程

    • 相关电子书

    更多
  • 实时数仓Workshop（广州站）- 史飞翔
  • 从数据看安全人才的热力图
  • 《阿里云图智能平台助力上海华瑞银行打造智慧风控》PDF
    • 下一篇
    阿里云无影云电脑免费试用，最长可试用3个月