没想到传了那么久的三孩生育政策真的来了！

刚说完，拥有三孩的大S和汪小菲就被传言闹离婚？

这几天，三孩生育政策一直是热门话题，网友们纷纷表示需要早早购置一下床铺：

图源网络

三个孩子的重担必然对房子的需求变得更大，如何选择一个合适的房子是一个大难题了。

然而对于未婚未育的黄帮主来说，暂时还考虑不到这个问题。

但是，没有孩子不代表没有房子问题。

现在，租房才是黄帮主最头疼的问题，又想便宜又想靠谱，最好离家近，地铁四通八达，房子阳光好。

这样的房子上哪儿去找呢？

这里给大家推荐一个好方法：提高预算（不是。

我们打工仔本来房租就是占每月支出的很大一部分了，那自然是不降低生活幸福感的情况下能省则省。

刚巧最近黄帮主准备换房子，自己利用python分析了一波南京的租房信息。

今天我们把黄帮主的租房攻略分享给大家，教大家如何用 Python自己分析房源。

不管租房，还是为了买大房子（羡慕），都非常适用哦！

01

数据获取

首先，必然是需要获取租房信息，没有信息的数据分析就仿佛苍蝇趴在玻璃上——前途一片光明，却走投无路。

下面我们来看看怎么获取数据吧。

本文数据来源为安居客，用python的requests和bs4库进行爬取页面，并解析，将结果写入csv文件中。

import requests,time,random

from bs4 import BeautifulSoup

import csv

defget_content(url):

headers = {"user-agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/72.0.3626.119 Safari/537.36"

}

response = requests.get(url,headers= headers)

soup = BeautifulSoup(response.text, "lxml")

zu_soups = soup.find_all("div",class_="zu-itemmod")

zufang_info = {}

with open("njzf.csv", "a", newline="", encoding="utf-8") as f:

for zu_soup in zu_soups:

zu_infos = zu_soup.find_all("div",class_="zu-info")

price = zu_soup.find("div",class_="zu-side").text.strip()

for zu_info in zu_infos:

title = zu_info.find("h3").text.strip()

layout = zu_info.find("p",class_="details-item tag").text.split("|")[0].strip()

area = zu_info.find("p", class_="details-item tag").text.split("|")[1].strip()

floor = zu_info.find("p", class_="details-item tag").text.split("|")[2].split("层")[0]

address = zu_info.find("address").text.strip()

address =" ".join(address.split())

rent_type = zu_info.find("p",class_="details-item bot-tag").find_all("span")[0].text

direction = zu_info.find("p", class_="details-item bot-tag").find_all("span")[1].text

try:

subway = zu_info.find("p", class_="details-item bot-tag").find("span", class_="cls-3").text

except:

subway =""

zufang_info["标题"] = title

zufang_info["布局"] = layout

zufang_info["面积"] = area

zufang_info["楼层"] = floor

zufang_info["地址"] = address

zufang_info["出租方式"] = rent_type

zufang_info["朝向"] = direction

zufang_info["地铁"] = subway

zufang_info["租金"] = price

table_row = [title,layout,area,floor,address,rent_type,direction,subway,price]

writer = csv.writer(f)

writer.writerow(table_row)

print(zufang_info)

return

if __name__=="__main__":

with open("njzf.csv", "a",newline="", encoding="utf-8") as f:

writer = csv.writer(f)

table_head = ["标题","布局","面积","楼层","地址","出租方式","朝向","地铁","租金"]

writer.writerow(table_head)

for i in range(0,50):

url ="https://nj.zu.anjuke.com/fangyuan/p{}/".format(i +1)

time.sleep(random.randint(1, 6))

get_content(url)

上下滑动

一直爬啊爬，共爬取了3000条有效租房数据，如下图所示，一看这个数量，心里是不是美滋滋，然而看了看自己的钱包，立马哭了，筛选下来没几条符合条件的。

02整体租房价格情况

大家一定是希望找到一个便宜的房子，黄帮主也是这么想的，那我们就统计下价格，筛选下自己心仪的价格；

def draw_histogram(x):

x_label = x.name

x = x.dropna()

x = np.array(x)

mu =round(x.mean(), 2)

sigma =round(x.std(), 2)

bins_num =10

n, bins, patches = plt.hist(x, bins_num, density=1, facecolor="blue", alpha=0.5)

y = norm.pdf(bins, mu, sigma)

plt.plot(bins, y, "r--")

plt.xlabel(x_label)

plt.ylabel("概率密度")

plt.title(r"{}正态分布: $mu={}$,$sigma={}$".format(x_label, mu, sigma))

plt.show()

我们再来看看图，选取租金一列，进行作图

f =open("njzf.csv", encoding="utf-8")

data = pd.read_csv(f)

f.close()

price = data["租金"].str.rstrip("元/月").astype("float")

如图所示

考虑单位面积的情况，对单位面积的租金再进行分析

area = data["面积"].str.rstrip("平米").astype("float")

price_per_m = price/area

data["单位面积租金"] = price_per_m

draw_histogram(data["单位面积租金"])

如下图

单位面积租金较单纯考虑租金更具有代表意义，从图中可以看出，南京租房平均每平方米需要46元/月。

03

数据分析

了解了整体情况后，我们首先开始按地区进行分析：

district = data["地址"].str.split(" ").str[1].str.split("-").str[0]

bars = plt.bar(district.value_counts().index, district.value_counts().values, color=["r", "g", "b", "m", "k", "y", "cyan", "gold"])

values =list(district.value_counts().values)

plt.title("各区房源数量")

for bar, value inzip(bars, values):

plt.text(bar.get_x()+0.5*bar.get_width(),bar.get_height(), value, ha="center", va="bottom")

plt.show()

可以看出，各区在安居客上的租房信息条数从高到低如上图所示，建邺有着最多的租房信息，其次是浦口和江宁。

分析得出各区房源后，下面就对租房的布局进行分析：

district = data["地址"].str.split(" ").str[1].str.split("-").str[0]

bars = plt.bar(district.value_counts().index, district.value_counts().values, color=["r", "g", "b", "m", "k", "y", "cyan", "gold"])

values =list(district.value_counts().values)

plt.title("各区房源数量")

for bar, value inzip(bars, values):

plt.text(bar.get_x()+0.5*bar.get_width(),bar.get_height(), value, ha="center", va="bottom")

plt.show()

从这个花花绿绿的图上可以看到：

59.47%是属于3室1厅型，最大的可能性是三个人合租的；其次是1室1厅，基本就是一个人或者情侣、夫妻这种；

再就是3室2厅，属于家庭型居住了。

04

总结

通过这一系列的分析，我们可以清晰的从房价，区域和房型几个方面筛选，找出最适合自己的房子。

这么详细的干货，你学会了么？赶快自己也试试看，租房买房不用愁！

﹀

﹀

﹀

以上就是这周的干货分享，如果想继续看干货，还想让大佬们输出更多技巧赶快关注并转发我们吧。点击“关注”，即可第一时间阅读每周干货哦！

#用扇贝玩编程，既高效又有趣