【机器学习 | 基于Lasso回归和随机森林的上海链家二手房房价预测】

文章目录

[🏳️‍🌈 1. 导入模块](#🏳️‍🌈 1. 导入模块)
[🏳️‍🌈 2. Pandas数据处理](#🏳️‍🌈 2. Pandas数据处理)
- [2.1 读取数据](#2.1 读取数据)
- [2.2 查看数据信息](#2.2 查看数据信息)
- [2.3 去除重复数据](#2.3 去除重复数据)
- [2.4 去除缺失数据](#2.4 去除缺失数据)
- [2.5 面积、价格、单价、楼层、建筑时间数据提取](#2.5 面积、价格、单价、楼层、建筑时间数据提取)
- [2.6 朝向数据处理](#2.6 朝向数据处理)
[🏳️‍🌈 3. 特征分析](#🏳️‍🌈 3. 特征分析)
- [3.1 二手房面积分析](#3.1 二手房面积分析)
- [3.2 二手房建筑时间分析](#3.2 二手房建筑时间分析)
- [3.3 二手房楼层分析](#3.3 二手房楼层分析)
- [3.4 二手房价格分析](#3.4 二手房价格分析)
[🏳️‍🌈 4. 模型分析](#🏳️‍🌈 4. 模型分析)
- [4.1 Lasso回归](#4.1 Lasso回归)
- [4.2 随机森林](#4.2 随机森林)
- [4.3 总结](#4.3 总结)
[🏳️‍🌈 5. 可视化项目源码+数据](#🏳️‍🌈 5. 可视化项目源码+数据)

本期将利用Lasso回归和随机森林模型对上海链家二手房数据进行分析与预测看看哪些特征对上海二手房房价影响比较大、不同算法模型对房价预测准确度如何等，希望对大家有所帮助，如有疑问或者需要改进的地方可以联系小编。

涉及到的库：

Pandas --- 数据处理
Matplotlib/Seaborn --- 数据可视化
Sklearn --- 机器学习

🏳️‍🌈 1. 导入模块

python 复制代码

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.linear_model import Lasso
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

🏳️‍🌈 2. Pandas数据处理

2.1 读取数据

python 复制代码

df = pd.read_excel('./上海链家二手房数据.xlsx')

2.2 查看数据信息

python 复制代码

df.info()

一共有 28201 条数据

包含小区名称、户型、面积、区域、楼层、朝向、价格、单价、建筑时间等字段

2.3 去除重复数据

python 复制代码

df1 = df.drop_duplicates()

2.4 去除缺失数据

python 复制代码

df1 = df1.dropna()

2.5 面积、价格、单价、楼层、建筑时间数据提取

python 复制代码

df1['面积'] = pd.to_numeric(df1['面积'].str.extract(r'(\d+\.?\d+)', expand=False))
df1['价格'] = pd.to_numeric(df1['价格'].str.extract(r'(\d+)', expand=False))
df1['单价'] = pd.to_numeric(df1['单价'].str.extract(r'(\d+)', expand=False))
df1['楼层'] = pd.to_numeric(df1['楼层'].str.extract(r'(\d+)', expand=False))
df1['建筑时间'] = pd.to_numeric(df1['建筑时间'].str.replace('年建',''))

2.6 朝向数据处理

python 复制代码

df1['朝向'] = df1['朝向'].str.replace('朝','')
df1['朝向'] = df1['朝向'].str.replace('(进门) ','')
df1['朝向'] = df1['朝向'].str.replace('(进门)','')
df1 = df1[df1['朝向'] != '']

🏳️‍🌈 3. 特征分析

3.1 二手房面积分析

python 复制代码

def get_area_analyze():
    plt.figure(figsize=(12, 6), dpi=80)
    plt.subplot(1, 2, 1)
    sns.boxplot(df1['面积'],color=range_color[0])
    plt.title('面积分布箱线图')
    plt.xlabel('面积(㎡)')
    plt.ylabel('数量')
    plt.grid(True, which='both', linestyle='--', linewidth=0.5)
    plt.subplot(1, 2, 2)
    sns.histplot(df1['面积'], kde=True, bins=50,color=range_color[1])
    plt.title('面积分布直方图')
    plt.xlabel('面积(㎡)')
    plt.ylabel('数量')
    plt.grid(True, which='both', linestyle='--', linewidth=0.5)

根据面积分布可以看出，大部分面积在200㎡以下，少部分在200㎡以上，所以过滤面积200㎡以下的数据。

3.2 二手房建筑时间分析

根据建筑时间分布可以看出，大部分二手房建筑时间在1980年以后，所以过滤建筑时间1980年以后的数据。

3.3 二手房楼层分析

python 复制代码

def get_floor_analyze():
    plt.figure(figsize=(12, 6), dpi=80)
    plt.subplot(1, 2, 1)
    sns.boxplot(df1['楼层'],color=range_color[2])
    plt.title('楼层分布箱线图')
    plt.xlabel('楼层')
    plt.ylabel('数量')
    plt.grid(True, which='both', linestyle='--', linewidth=0.5)
    plt.subplot(1, 2, 2)
    sns.histplot(df1['楼层'], kde=True, bins=50,color=range_color[3])
    plt.title('楼层分布直方图')
    plt.xlabel('楼层')
    plt.ylabel('数量')
    plt.grid(True, which='both', linestyle='--', linewidth=0.5)

根据楼层分布可以看出，大部分二手房楼层在30层以下，所以过滤楼层30层以下的数据。

3.4 二手房价格分析

根据二手房价格分布可以看出，大部分二手房价格在1000万以下，所以过滤价格1000万以下的数据。

🏳️‍🌈 4. 模型分析

筛选需要用到的列数据：

python 复制代码

df_model = df1[['面积', '区域', '楼层', '朝向', '建筑时间', '室', '厅', '价格']]

各特征相关性：

python 复制代码

corrdf = df_model.corr()
plt.figure(figsize=(12, 12), dpi=80)
sns.heatmap(corrdf, annot=True,cmap="rainbow", linewidths=0.05,square=True,annot_kws={"size":8}, cbar_kws={'shrink': 0.8})
plt.title("各特征相关性热图",size=16)

4.1 Lasso回归

python 复制代码

# 建立模型
model = Lasso()
# 训练模型
model.fit(X_train, y_train)
print(f'训练集得分：{round(model.score(X_train, y_train), 2)}')
print(f'测试集得分：{round(model.score(X_test, y_test), 2)}')
# 预测
y_predict = model.predict(X_test)
# 评估
R_square = model.score(X_test, y_test)
print('模型决定系数: ', round(R_square,2))

训练集得分：0.77

测试集得分：0.77

模型决定系数：0.77

真实值预测值对比图

Loss预测：

python 复制代码

# 特征参数
mj = 99     # 面积（㎡）
lc = 3      # 楼层
sj = 1999   # 建筑时间
ws = 3      # 卧室数量
kt = 3      # 客厅数量
xzq = '闵行区'# 行政区
cx = '南北'   # 朝向
get_price()

闵行区、1999年、南北朝向、3室3厅、3层、99平米二手房预测价格：535万

4.2 随机森林

训练集得分：0.98

测试集得分：0.84

模型决定系数：0.84

真实值预测值对比图

随机森林预测：

python 复制代码

# 特征参数
mj = 99     # 面积（㎡）
lc = 3      # 楼层
sj = 1999   # 建筑时间
ws = 3      # 卧室数量
kt = 3      # 客厅数量
xzq = '闵行区'# 行政区
cx = '南北'   # 朝向
get_price()

闵行区、1999年、南北朝向、3室3厅、3层、99平米二手房预测价格：458万

4.3 总结

Loss回归与随机森林模型相比，随机森林在测试集和训练集上的表现均优于Loss回归。
Loss回归与随机森林预测的结果相差比较大，可采用多组数据进行预测对比。

🏳️‍🌈 5. 可视化项目源码+数据

点击跳转：【全部可视化项目源码+数据】

以上就是本期为大家整理的全部内容了，赶快练习起来吧，原创不易，喜欢的朋友可以点赞、收藏 也可以分享（注明出处）让更多人知道。