目的
房价有关的数据可能反映了中国近年来的变化：
- 人们得到更多的资源（薪水），期望有更好的房子
- 人口众多
- 独生子女政策：如何影响房子的几何结构？更多的卧室，更多的空间
我核心的想法是预测房价。然而，我不打算使用任何arima模型；相反，我将使用数据的特性逐年拟合回归。
结构如下：
- 数据准备：将数值特征转换为分类；缺失值
- EDA:对于数值特征和分类特征:平均价格与这些特征的表现
- 建模：
- 分割训练/测试给定年份的数据：例如，在2000年分割数据；根据这些数据训练回归模型
- 然后，在2016年之前的所有新年里，预测每套房子的价值。
- 用于验证的度量将是房屋的平均价格（即每年从测试样本中获得平均价格和预测值）
数据准备
我们对特征有了非常完整的描述：
url：获取数据（字符）的urlid:id（字符）Lng：和Lat坐标，使用BD09协议。（数字）Cid：社区id（数字）交易时间：交易时间（字符）DOM：市场活跃日。（数字）关注者：交易后的人数。（数字）总价：（数值）价格：按平方计算的平均价格（数值）面积：房屋的平方（数字）起居室数（字符）客厅数（字符）厨房：厨房数量（数字）浴室数量（字符）房子高度建筑类型：包括塔楼（1）、平房（2）、板塔组合（3）、板（4）（数值）施工时间装修：包括其他（1）、粗（2）、简单（3）、精装（4）（数值）建筑结构：包括未清（1）、混合（2）、砖和木（3）、砖混凝土（4）、钢（5）和钢-混凝土复合材料（6）（数值）梯梯比：同层居民数与电梯数量的比例。电梯有（1）或没有电梯（0）（数值）五年期：业主拥有不到5年的财产（数字）
数据清理、特征创建
从最初的数据看：
- 从网址上，我发现它有位置信息，如chengjiao/101084782030。同样，一个简单的regexp进行省特征提取。
- 另一个大的数据准备工作是转换一些数字特征，比如地铁，地铁站附近的房子编码为1，相反的情况编码为0。
- 还有很大一部分DOM缺失。我既不能在建模中使用这个特性，也不能删除NA，但它也会减小数据帧的大小。
#从网址中提取省份 sapply(df$url, function(x) strsplit(x,'/')[[1]][4])
检查缺失
#缺失数据图 ggplot(data = .,aes(x = V2, y = V1)) + geom_tile(aes(fill = value )) +
- 如上所述，DOM的很大一部分丢失了。我决定先保留这个特性，然后用中间值来填充缺失的值（分布是非常倾斜的）
- 否则，buildingType和communityAverage（pop.）中只有几个缺少的值，我决定简单地删除这些值。事实上，它们只占了约30行，而整个数据集的数据量为300k+，因此损失不会太大。
- 下面我简单地删除了我以后不打算使用的特征。
ifelse(is.na(df$DOM),median(df$DOM,na.rm=T),df$DOM)
用于将数字转换为类别的自定义函数
对于某些特征，需要一个函数来处理多个标签，对于其他一些特征（客厅、客厅和浴室），转换非常简单。
df2$livingRoom <- as.numeric(df2$livingRoom)
似乎buildingType具有错误的编码数字值：
| buildingType | count |
| 0.048 | 4 |
| 0.125 | 3 |
| 0.250 | 2 |
| 0.333 | 5 |
| 0.375 | 1 |
| 0.429 | 1 |
| 0.500 | 15 |
| 0.667 | 1 |
| 1.000 | 84541 |
| 2.000 | 137 |
| 3.000 | 59715 |
| 4.000 | 172405 |
| NaN | 2021 |
由于错误的编码值和NA的数量很少，因此我将再次丢弃这些行
df2$renovationCondition <- sapply(df2$renovationCondition, ionCondition) df2$buildingStructure <- sapply(df2$buildingStructure, makeStructure) df2$elevator <- ifelse(df2$elevator==1,'has_elevator','no_elevator')
缺失值检察
# 缺失数据图 df2 %>% is.na %>% melt %>% ggplot(data = .,aes(x = Var2, y = Var1)) + geom_tile(aes(fill = value)) + scale_fill_manual(values = c("grey20","white")) + theme_minimal(14) +
kable(df %>% group_by(constructionTime) %>% summarise(count=n()) %>% arrange(-count) %>% head(5))
| constructionTime | count |
| 2004 | 21145 |
| 2003 | 19409 |
| NA | 19283 |
| 2005 | 18924 |
| 2006 | 14854 |
df3 <- data.frame(df2 %>% na.omit())
插补后的最终检查
any(is.na(df3))
## [1] FALSE
探索性分析
由于有数字和分类特征，我将使用的EDA技术有：
- 数值：相关矩阵
- 分类：箱线图和地图
我们必须关注价格（单位价格/单位价格）以及总价格（百万元）
totalPrice将是回归模型的目标变量。
数值特征
corrplot(cor( df3 , tl.col='black')
评论
- totalPrice与communityAverage有很强的正相关关系，即人口密集区的房价较高
- totalPrice与客厅、卫浴室数量有一定的正相关关系。
- 至于面积变量，我们看到它与上述变量也有很强的相关性：这是有道理的，因为如果房子的面积大，可以建造更多的房间（显而易见）。
- 其他一些有趣的相关性：communityAverage与建筑时间呈负相关，这意味着在人口密集区建房所需的时间更短
分类特征
地图
- 中国三级（省）地图
- 我看了看城郊，它位于北京附近，所以我过滤了那个特定省份的地图
ggplot() + geom_polygon(data = shapefile_test,aes(x = long, y = lat, group = group), BeijingLoc <- data.frame('Long'=116.4075,'Lat' = 39.904)
建筑结构
makeEDA('buildingStructure' )
砖木结构的房屋是最昂贵的，几乎是其他类型房屋的两倍
建筑类型
makeEDA('buildingType' )
平房是最昂贵的
装修条件
电梯
- 价格对电梯的依赖性非常小
- 住宅的分布与这一特征是相对相等的。
地铁
- 价格对地铁站附近的依赖性非常小。
- 住宅的分布与这一特征是相对相等的。
是否满_五年_
makeFeatureCatEDA('fiveYearsProperty', length(unique(df3$fiveYearsProperty)))
- 对于是否拥有不到5年房产来说，价格的依赖性确实很小
- 就这一特征而言，房子的分布是相对平等的
区域
