数据来源
数据页面: 链家网南京（https://nj.lianjia.com/chengjiao/）
链家网数据量很大，这里只用南京的二手房成交数据。
如下图：
数据采集
链家网的页面数据比较整齐，采集很简单，为了避免影响别人使用，只采集的南京的二手房成交数据， 采集频率也很低，总共花了一下午才采集完所有数据。
我主要采集以下 9 个数据，没有采集房屋的图片。
- 小区名称和房屋概要
- 房屋朝向和装修情况
- 成交日期
- 成交价格(单位: 万元)
- 楼层等信息
- 成交单价
- 房屋优势
- 挂牌价格
- 成交周期
爬虫技术争议比较多，详细的过程就不多说了，采集完的数据我放在以下地址：https://databook.top/data/b2b49fff-ede4-4ce5-9d96-08c616d1e481/detail
已经整理成 csv 格式，需要的可以下载了用来做数据分析实验。（数据截止到 2021/03/30)
数据采集的注意点
链家网的数据采集有个注意的地方，虽然打开这个网页（https://nj.lianjia.com/chengjiao/）， 我们看到目前共找到 8 万多套成交房源，
但是链家网只显示 100 页的数据，每页 30 条，也就是最多一次查询出 3000 条数据。
所以，为了采集所有的数据，需要设置多种检索条件，保证每次搜索的数据不超过 3000 条。 8 万多条数据大概要设置 30 来种不同的搜索条件。
如下图，我主要根据区域，售价和户型来检索的，也就是按区域如果超过 3000，再按售价，售价还超出再按户型。 用这 3 个条件基本就够了。
数据清理
合并和去重
采集的数据是根据不同搜索条件来的，所以有很多个 csv 文件。 csv 格式是统一的，先用 shell 脚本进行数据的合并和去重，我是按照南京的不同的区来合并数据的。
采集的时候我已经按照不同的区把数据放在不同的文件夹了。合并数据脚本示例是如下：
d="merged-files"
sed "" 建邺区/*.csv > ${d}/建邺区.csv
这里合并用的 sed 命令，没有用如下 cat 命令：
d="merged-files"
cat 建邺区/*.csv > ${d}/建邺区.csv
用 cat 命令有个问题，前一个文件的最后一行会和下一个文件的第一行合并成一行。
合并之后就是去重：假设第一步合并后的文件都在 merged-files 文件夹下
d="merged-files"
for f in `ls ${d}/`
do
sort -u ${d}/${f} -o uniq-${f}
done
格式化
采集到的原始数据是如下格式：
一品骊城 2室1厅 71平米,南 | 精装,2020.09.05,78,中楼层(共5层) 板楼,10916元/平,,挂牌82万,成交周期134天
可以看出，除了成交价（78）是正常的数字，单价（10916 元/平），挂牌价（挂牌 82 万），成交周期（成交周期 134 天）等都是数字和文字混合。 这些字段需要将数字剥离出来才能进行后续的分析。
我是通过一个简单的 golang 程序来格式化原始数据，然后生成新的 csv。
func handleData(line []string) TradedHouse {
var houseData TradedHouse
fmt.Printf("record: %v
", line)
// 1. 小区名称和房屋概要
var arr = strings.Split(line[0], " ")
houseData.Name = arr[0]
houseData.HouseType = arr[1]
if len(arr) > 2 {
houseData.HouseArea = gutils.ParseFloat64WithDefault(strings.TrimRight(arr[2], "平米"), 0.0)
}
// 2. 房屋朝向和装修情况
arr = strings.Split(line[1], " | ")
houseData.HouseDirection = arr[0]
houseData.HouseDecoration = arr[1]
// 3. 成交日期
houseData.TradingTime = line[2]
// 4. 成交价格(单位: 万元)
houseData.TradingPrice = gutils.ParseFloat64WithDefault(line[3], 0.0)
// 5. 楼层等信息
houseData.FloorInfo = line[4]
// 6. 成交单价
houseData.UnitPrice = gutils.ParseFloat64WithDefault(strings.TrimRight(line[5], "元/平"), 0.0)
// 7. 房屋优势
houseData.Advance = line[6]
// 8. 挂牌价格
if len(line) > 7 {
houseData.ListedPrice = gutils.ParseFloat64WithDefault(strings.TrimRight(strings.TrimLeft(line[7], "挂牌"), "万"), 0.0)
}
// 9. 成交周期
if len(line) > 8 {
houseData.SellingTime, _ = strconv.Atoi(strings.TrimRight(strings.TrimLeft(line[8], "成交周期"), "天"))
}
return houseData
}
转换后的 csv 格式如下：
一品骊城,2室1厅,精装,中楼层(共5层) 板楼,71,10916,82,78,134,2020.09.05,南,
数值部分都分离出来了，可以进入数据分析的步骤了。
数据分析
最后的分析步骤使用的 python 脚本，主要使用 python 的 numpy 和 pandas 库。
下面分析了 2019~2020 南京各区二手房的每个月的销售套数，成交总额以及成交单价。
销售套数
# -*- coding: utf-8 -*-
import os
import numpy as np
import pandas as pd
def read_csv(fp):
# 读取2列 col9: 成交时间
# 其中成交时间进行处理：从 2020.01.01 ==> 2020.01
data = pd.read_csv(
fp,
usecols=[9],
header=None,
names=["time"],
converters={"time": lambda s: s[:7]},
)
data_mask = data["time"].str.contains("2019|2020")
data = data[data_mask]
data["count"] = 1
return data.groupby("time")
def write_csv(fp, data):
data.to_csv(fp)
def main():
# 读取csv数据
csv_path = "../liangjia-go/output/converter"
output_path = "./成交数量统计.csv"
files = list(
map(
lambda f: os.path.join(csv_path, f + ".csv"),
[
"南京鼓楼区",
"南京建邺区",
"南京江宁区",
"南京溧水区",
"南京六合区",
"南京浦口区",
"南京栖霞区",
"南京秦淮区",
"南京玄武区",
"南京雨花台区",
],
)
)
allData = None
for f in files:
data = read_csv(f)
data = data.sum()
data["area"] = os.path.basename(f).strip(".csv").strip("南京")
print(data)
if allData is None:
allData = data
else:
allData = allData.append(data)
write_csv(output_path, allData)
if __name__ == "__main__":
main()
成交总额
# -*- coding: utf-8 -*-
import os
import numpy as np
import pandas as pd
def read_csv(fp):
# 读取2列 col9: 成交时间, col7: 成交价格(万元)
# 其中成交时间进行处理：从 2020.01.01 ==> 2020.01
data = pd.read_csv(
fp,
usecols=[7, 9],
header=None,
names=["value", "time"],
converters={"time": lambda s: s[:7]},
)
data_mask = data["time"].str.contains("2019|2020")
data = data[data_mask]
return data.groupby("time")
def write_csv(fp, data):
data.to_csv(fp)
def main():
# 读取csv数据，提取成交价格（col 7）
csv_path = "../liangjia-go/output/converter"
output_path = "./成交额统计.csv"
files = list(
map(
lambda f: os.path.join(csv_path, f + ".csv"),
[
"南京鼓楼区",
"南京建邺区",
"南京江宁区",
"南京溧水区",
"南京六合区",
"南京浦口区",
"南京栖霞区",
"南京秦淮区",
"南京玄武区",
"南京雨花台区",
],
)
)
allData = None
for f in files:
data = read_csv(f)
data = data.sum()
data["area"] = os.path.basename(f).strip(".csv").strip("南京")
print(data)
if allData is None:
allData = data
else:
allData = allData.append(data)
# 万元 => 元
allData["value"] = allData["value"] * 10000
write_csv(output_path, allData)
if __name__ == "__main__":
main()
成交单价
# -*- coding: utf-8 -*-
import os
import numpy as np
import pandas as pd
def read_csv(fp):
# 读取2列 col9: 成交时间, col5: 成交单价(元/平米)
# 其中成交时间进行处理：从 2020.01.01 ==> 2020.01
data = pd.read_csv(
fp,
usecols=[5, 9],
header=None,
names=["value", "time"],
converters={"time": lambda s: s[:7]},
)
data_mask = data["time"].str.contains("2019|2020")
data = data[data_mask]
return data.groupby("time")
def write_csv(fp, data):
data.to_csv(fp)
def main():
# 读取csv数据，提取成交价格（col 7）
csv_path = "../liangjia-go/output/converter"
output_path = "./成交单价统计.csv"
files = list(
map(
lambda f: os.path.join(csv_path, f + ".csv"),
[
"南京鼓楼区",
"南京建邺区",
"南京江宁区",
"南京溧水区",
"南京六合区",
"南京浦口区",
"南京栖霞区",
"南京秦淮区",
"南京玄武区",
"南京雨花台区",
],
)
)
allData = None
for f in files:
data = read_csv(f)
data = data.mean()
data["area"] = os.path.basename(f).strip(".csv").strip("南京")
print(data)
if allData is None:
allData = data
else:
allData = allData.append(data)
write_csv(output_path, allData)
if __name__ == "__main__":
main()
分析结果展示
分析后生成的 csv，我写了另外一个工具，可以直接转换成小视频。
工具是基于 antv G2 和 ffmpeg 做的，还不是很成熟，以后会发布到官网上，同时在博客中详细介绍。
生成的视频已经放在我的视频号了，感兴趣可以看看。
总结
虽然上面的数据量不是很大，但这是我平时做一次数据分析的的整个过程（从数据采集到可视化展示）。
- 采集的部分使用的方式比较杂，根据具体情况看，有时我用 python 或者 golang 写爬虫，有时用现成的工具，比如八爪鱼之类的。
- 采集之后对数据的初步整理，我基本上是用 shell，强大的 shell 命令可以极大的减少代码的编写。
- 对数据的精细化整理，我一般用 golang，开发效率和执行效率都高且便于对接各种存储（上面的例子只是简单的生成 csv）。
- 数据的分析我一般用 python，这个不用多说了，现成的分析库实在太强大。建议安装 miniconda，我另一个博客有介绍：debian10下miniconda环境配置
- 最后的分析结果展示，也有很多现成的工具，我选择了用 antv 家族的库来自己实现（主要是想试试能不能做一些差异化的展示）。