Python当打之年 | 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（二）

本文来源公众号“Python当打之年”，仅用于学术分享，侵权删，干货满满。

原文链接：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

本期利用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。

上期：

1. 导入模块

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 

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

2.2 查看数据信息

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

df1 = df.drop_duplicates()

2.4 去除缺失数据

df1 = df1.dropna()

2.5 面积、价格、单价、楼层、建筑时间数据提取

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

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'] != '']

2.7 户型数据处理

df1[['户型','室','厅']] = df1['户型'].str.extract(r'((\d+)室(\d+)厅)', expand=True)
df1['室'] = df1['室'].astype('int')
df1['厅'] = df1['厅'].astype('int')

3. 特征分析

3.1 二手房面积分析

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

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：

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：

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

# 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：

# 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：

# 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。

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。