搜索

蛋壳公寓可视化

一行数据

共 6829字，需浏览 14分钟

 ·

2020-11-25 09:07

图片来源：蛋壳公寓官网
大家好，我是一行
最近蛋壳公寓频频暴雷，这篇文章将深圳蛋壳的住房数据的爬取下来进行实战分析

前言

2020年以来，受疫情冲击、政策监管收紧等多重因素影响，长租公寓可谓路途坎坷。根据中国房地产报不完全统计，今年最近几个月时间里，暴雷的长租公寓累计达到20多家，数十万租客受到影响。

蛋壳公寓，凭借着长租公寓风口，用5年时间，做到了分散式长租公寓第二，仅次于自如。于2020年1月17日在纽约证券交易所正式挂牌上市，成为2020年登陆纽交所的中国第一股。然而，风口退去，加之突如其来的疫情，于近日暴雷，已有很多文章对蛋壳公寓的商业模式、租金贷、管理方式等进行了深入分析。

本文仅从数据角度出发，爬取了蛋壳公寓深圳区域所有在租公寓信息，清洗数据，并进行可视化分析，为大家了解蛋壳公寓提供一个新的视角。后台回复「蛋壳」可获取本文数据分析代码和数据集。

可视化分析

区域分布

通过绘制深圳市蛋壳公寓分布地图，我们可以很直观的看出，蛋壳公寓主要分布在深圳的发展中心以及轴线上，前海中心与福田罗湖中心的公寓租金价格明显高于其他区域。轴线基于便捷的轨道交通串联，周边配套较为齐全，满足了广大年轻白领的租住需求。具体从行政区分布来看，龙岗区虽然整体公寓租金相对更低，但公寓数量高于福田和南山区。蛋壳公寓的分布与贝壳找房较为类似，但贝壳在租房源数量上远高于蛋壳。从小区分布来看，位于龙岗区的锦荟PARK在租公寓最多，共有83个房源。锦荟PARK周边配套齐全，地铁上盖，靠近大生体育公园，1公里内产业配套有金辉工业园、志华工业园、中和盛世珠宝文化创意创新产业园等，对劳动力具有一定吸引力。同时还有医院、文体广场等，可以满足都市白领生活一站式服务需求。

租金分布

深圳蛋壳公寓平均租金为1911元/月，第一、第二、第三四分位数分别为1530，1870，2192，说明房租还是比较集中的。对深圳蛋壳公寓租金进行分段，我们发现公寓的价格主要集中在1000-2000元/月之间，共计2995个，占比59.71%。其次是2000-3000元/月，数量为1798，占比35.84%。

面积分布

深圳蛋壳公寓面积集中在10㎡以下和10-20㎡，10-20㎡的公寓共有2415个，占比达48.14%，10㎡以下的公寓也不少，数量为2206个，占比43.98%。

户型分布

深圳蛋壳公寓在租的房屋户型大部分为4室1卫，占比高达58.64%，其次是5室1卫，占比18.72%。

楼层分布

从深圳蛋壳公寓所在楼层分布来看，其南山区和福田区的公寓所在楼层相对更高。大多数的公寓分布在10层以下，占比58.59%，40层以上的公寓仅有 42个，占比0.84%。

周边地铁

深圳蛋壳公寓普遍距离地铁较近，平均距离为592米，距离地铁最远的公寓也不到2公里，完全可以步行解决轨道出行问题。

相关性分析

从相关系数表可以看出，深圳蛋壳公寓的面积、周边地铁数对公寓的价格有较大的的影响，相关系数分别为0.54和0.22。蛋壳公寓在进行房屋定价时，对公寓的面积以及公寓的地铁配套有较大权重的考虑。由于深圳蛋壳所有的公寓距离地铁都不到2公里，距离的远近对公寓的价格影响有限。另外，所在楼层也不是蛋壳主要考虑的定价因素。

技术实现

数据来源

蛋壳公寓网页结构相对简单，数据结构统一，简单的url翻页构造即可。本文用request请求到数据，用xpath对返回的数据进行解析，最后以追加模式将数据存储为csv文件。爬虫核心代码如下：

def get_danke(href):
    time.sleep(random.uniform(0, 1))  #设置延时，避免对服务器产生压力
    response = requests.get(url=href, headers=headers)
    if response.status_code == 200:  #部分网页会跳转404，需要做判断
        res = response.content.decode('utf-8')
        div = etree.HTML(res)
        items = div.xpath("/html/body/div[3]/div[1]/div[2]/div[2]")
        for item in items:
            house_price=item.xpath("./div[3]/div[2]/div/span/div/text()")[0]
            house_area=item.xpath("./div[4]/div[1]/div[1]/label/text()")[0].replace('建筑面积：约','').replace('㎡（以现场勘察为准）','')
            house_id=item.xpath("./div[4]/div[1]/div[2]/label/text()")[0].replace('编号：','')
            house_type=item.xpath("./div[4]/div[1]/div[3]/label/text()")[0].replace('\n','').replace(' ','').replace('户型：','')
            house_floor=item.xpath("./div[4]/div[2]/div[3]/label/text()")[0].replace('楼层：','')
            house_postion_1=item.xpath("./div[4]/div[2]/div[4]/label/div/a[1]/text()")[0]
            house_postion_2=item.xpath("./div[4]/div[2]/div[4]/label/div/a[2]/text()")[0]
            house_postion_3=item.xpath("./div[4]/div[2]/div[4]/label/div/a[3]/text()")[0]
            house_subway=item.xpath("./div[4]/div[2]/div[5]/label/text()")[0]
    else:
        house_price = ""
        house_area = ""
        house_id = ""
        house_type = ""
        house_floor = ""
        house_postion_1 = ""
        house_postion_2 = ""
        house_postion_3 = ""
        house_subway = ""

数据清洗

导入数据

import pandas as pd
import re
df = pd.read_csv('/菜J学Python/数据分析/蛋壳公寓/sz_danke.csv')
df.sample(10)
数据预览

查看数据信息

df.info()
数据信息

数据切分

#租金分段
df['租金分段'] = pd.cut(df['价格'],[0,1000,2000,3000,4000,1000000],labels=['1000元以下','1000-2000元','2000-3000元','3000-4000元','4000元以上'],right=False)
#面积分段
df['面积分段'] = pd.cut(df['面积'],[0,10,20,30,40,1000000],labels=['10㎡以下','10-20㎡','20-30㎡','30-40㎡','40㎡以上'],right=False)
#楼层分段
df['所在楼层']=df['楼层'].apply(lambda x:x.split('/')[0])
df['所在楼层'] = df['所在楼层'].astype("int")
df['楼层分段'] = pd.cut(df['所在楼层'],[0,10,20,30,40,1000000],labels=['10层以下','10-20层','20-30层','30-40层','40层以上'],right=False)

地铁字段清洗

def get_subway_num(row):
    subway_num=row.count('号线')
    return subway_num

def get_subway_distance(row):
    distance=re.search(r'\d+(?=米)',row)
    if distance==None:
        return -1
    else:
        return distance.group()
df['地铁数']=df['地铁'].apply(get_subway_num)
df['距离地铁距离']=df['地铁'].apply(get_subway_distance)
df['距离地铁距离']=df['距离地铁距离'].astype("int")

数据可视化

各行政区公寓数量

#柱状图
df3 = df["位置1"].value_counts()
df3 = df3.sort_values(ascending=False) 
df3 = df3.round(2)
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.WALDEN))
    .add_xaxis(df3.index.to_list())
    .add_yaxis("",df3.to_list())
    .set_global_opts(title_opts=opts.TitleOpts(title="各行政区公寓数量",subtitle="数据来源：蛋壳公寓 \t制图：菜J学Python",pos_left = 'left'),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=14)), #更改横坐标字体大小
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=14)), #更改纵坐标字体大小
                       )
    .set_series_opts(label_opts=opts.LabelOpts(font_size=16))
    )
c.render_notebook()

小区公寓数量TOP10

#条形图
df7 = df["小区"].value_counts()[:10]
df7 = df7.sort_values(ascending=True)
df7 = df7.tail(10)
print(df7.index.to_list())
print(df7.to_list())
c = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.WALDEN))
    .add_xaxis(df7.index.to_list())
    .add_yaxis("",df7.to_list()).reversal_axis() #X轴与y轴调换顺序
    .set_global_opts(title_opts=opts.TitleOpts(title="小区公寓数量TOP10",subtitle="数据来源：蛋壳公寓 \t制图：菜J学Python",pos_left = 'left'),
                       xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改横坐标字体大小
                       yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13)), #更改纵坐标字体大小
                       )
    .set_series_opts(label_opts=opts.LabelOpts(font_size=16,position='right'))
    )
c.render_notebook()

蛋壳公寓租金分布

#玫瑰图
df11 = df["租金分段"].value_counts()
df11 = df11.sort_values(ascending=False)
df11 = df11.round(2)
print(df11)
c = (
        Pie(init_opts=opts.InitOpts(theme=ThemeType.WALDEN))
        .add(
            "",
            [list(z) for z in zip(df11.index.to_list(),df11.to_list())],
            radius=["30%", "70%"],   #圆环的粗细和大小
            rosetype='area'
 
        )
        .set_global_opts(legend_opts = opts.LegendOpts(is_show = False),title_opts=opts.TitleOpts(title="蛋壳公寓租金分布",subtitle="数据来源：蛋壳公寓\n制图：菜J学Python",pos_top="0.5%",pos_left = 'left'))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=16))
    )
c.render_notebook()

蛋壳公寓楼层分布

# 漏斗图 
count = df['楼层分段'].value_counts() # pd.Series
print(count)
job = list(count.index)
job_count = count.values.tolist()
from pyecharts.charts import Funnel

c = (
    Funnel(init_opts=opts.InitOpts(theme=ThemeType.WALDEN))
    .add("", [list(i) for i in zip(job,job_count)])
    .set_global_opts(
        title_opts=opts.TitleOpts(title="蛋壳公寓楼层分布",subtitle="数据来源：蛋壳公寓\n制图：菜J学Python",pos_top="0.1%",pos_left = 'left'),legend_opts = opts.LegendOpts(is_show = False))
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:{d}%",font_size=16))
)
c.render_notebook()

参考文献

1.公众号@地产一条 ：谁能拯救蛋壳？
2.公众号@Datawhale：数据项目总结--蛋壳公寓租金分析！
3.知乎@方先生：苏州市蛋壳公寓租房分析
4.天下银保@马嘉辛 ：蛋壳公寓深陷流动性危机！房东、租客、银行都慌了，租金贷成“万恶之源”？

推荐阅读
（点击标题可跳转阅读）
你知道全知乎阅读量最高的问题是什么吗？我全都爬下来了
Python 下载的 11 种姿势，一种比一种高级！
新晋流量操盘手（一行）   探索百度贴吧高阶引流玩法

点击阅读原文，积分可以免费换书

浏览 24
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
蛋壳“破碎”，深圳市蛋壳公寓租房数据分析
小詹学Python
0
北京市蛋壳公寓租房数据分析
Crossin的编程教室
0
深圳市蛋壳公寓租房数据分析
Python技术
0
数据项目总结 -- 蛋壳公寓租金分析！
Datawhale
0
用Python分析北京市蛋壳公寓租房数据
Python技术
0
用Python分析北京市蛋壳公寓租房数据
大数据DT
0
用Python分析北京市蛋壳公寓租房数据
大数据文摘
0
用Python分析北京市蛋壳公寓租房数据
恋习Python
0
用Python分析北京市蛋壳公寓租房数据
数据管道
0
北漂租的蛋壳公寓破产了，无家可归。。
全栈开发者社区
0
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报