数据分析案例：用数据研究房地产，买到理想的房源

买房，可以说是很多人一辈子最大的投资，几百万的代价那得慎之又慎，否则买到烂尾的、有质量问题、设施问题的房子那就实在不值了。另外，现在的市场房子楼盘还是很多的，房源数量也不少，如何从众多房源中买到理想的房子呢？这次就以一篇案例做详细的说明。

一、获取数据

先明确确定房子价格的因素主要在房屋本身的属性、房屋的空间地理位置、周边的其他设施，例如户型、区位、交通、价格、品牌、配套设施等。

首先可以通过某个地区房源网站上爬取相关信息，例如价格、面积、户型、位置经纬度等字段：

接下来可以爬取美团等团购网站的餐饮设施信息，包括餐饮类型、价格、区域、评价、位置经纬度信息：

也可以爬取周边区域设施的poi数据：包括经纬度信息、分布区域等字段。

二、数据整理：

在这一步对爬取的数据做初步的整理，这里我们需要整理的是房源距离市中心的距离、房源的基本信息、方愿周边1公里内的服务设施数量数据和分布数据。

这里使用ArcGIS分析系统对地理数据做整理将上述的数据放进ArcGIS里，以房源为基点做缓冲区，缓冲区半径为1KM。然后使用缓冲区与餐饮POI进行空间关联，这样就可以统计出一个房源1KM半径范围内餐饮POI的数量，价格，评论数等等信息，以便接下来建模使用：

然后计算每个房源点距离市中心的距离，在arcgis内导出投影后的经纬度，并在excel里计算出每个房源点距离市中心的距离：

三、建模分析

接下来我们要做的是分别查看各个变量和房价之间的关系，清洗数据后使用Rython和R制作矩阵散点图查看大概情况：

理解几个关键点：

1、图中的直方图为每个维度的数据分布；

2、散点图中圆越完美表明相关度越低，椭圆形状表明相关度显著；

3、图中的线条是查看线性关系的，可以体现自变量和因变量之间的关系；

4、相关性系数，绝对值越接近1表明相关性越显著，比如房价和面积相关度为0.77；

从上图中可以看到，某些因素明显有更高的相关性。于是使用全部属性构建一个回归模型，精确预估房价。

最终模型结果如下：Estimate为回归系数，std.error为标准误差，t.value为t值，pr.t为P值，显然所有变量P值均小于0.05，非常显著。

最后，来使用这个模型，来给房源定价。输入房源的信息，就能预测出结果。比如108平米，3房2卫，1KM半径缓冲区内有228家餐厅，平均价格114.2，平均评论数247.36，评论综合56399条，距离市中心6.438KM：

这样便能拿到预估价格，再和实际价格对比就可以作为一种购房参考：从左往右分别是：估价-最低估价-最高估价：

以上只是数据在房地产领域里头运用的一个案例，事实上，数据在房地产应用还是非常对的，包括房产产品规划、区域位置价值分析、拓客区域定位、客户人群价值判断、客户画像写真、精准营销、成本分析等等。

另外，需要说明的是，虽然我做过很多类似的项目，但是因为涉密的问题暂时无法公开。本文是大鹏的文章，并非我原创，我觉得思路基本就是类似的，希望对数据的有一个深入的认识。