【.com原创稿件】11 月 18 日，小窝北京西红门镇新建二村“聚福缘公寓”突发火灾。最近租房找火灾后，有点意随之而来的烦技是一场全北京市的“安全隐患大排查大清理大整治”风暴。

聚集着几万外来务工人员的术人新建村在几天之内被清理一空。很多人正面临着要重新找房子或是何用离开北京的问题。

违建的称心公寓正在消失，危房出租正在被拆，小窝这些被“风暴”涉及到的最近租房找外来上班族怎么办？只有接受现实，勇敢面对。有点意

为了生存，烦技为了能留在帝都，术人为了改变人生、何用出人头地，称心再贵的小窝房子他们都要租，或者他们可以再寻找一处稍远点的房子。

租房的烦恼，相信大家或多或少都有过。独自一人在大都市打拼，找个温暖的小窝实属不易，租个称心又价格公道的房子是源码库件重要的事儿。

站在技术人的角度，今天我就如何从各大租房网的房源里面，找到最称心如意的小窝做些分享，供大家参考。

在找房子的过程中我们最关心是价格和通勤距离这两个因素。关于价格方面，现在很多租房网站都有，但是这些租房网站上没有关于通勤距离的衡量。

对于我这种对帝都不是很熟的人，对各个区域的位置更是一脸懵逼。所以我就想着能不能自己计算距离呢，后来查了查还真可以。

实现思路就是：先抓取房源信息，然后获取房源的经纬度，***根据经纬度计算公司与具体房源之间的距离。

我们在获取经纬度之前，首先需要获取各个出租房所在地的高防服务器名称，这里获取的方法是用爬虫爬取链家网上的信息。

Xpath 介绍

在爬取链家网的信息的时候用的是 Xpath 库，这里对 Xpath 库做一个简单的介绍。

Xpath 是什么

Xpath 是一门在 XML 文档中查找信息的语言。Xpath 可用来在 XML 文档中对元素和属性进行遍历。

Xpath 在查找信息的时候，需要先对 requests.get() 得到的内容进行解析，这里是用 lxml 库中的 etree.HTML(html) 进行解析得到一个对象 dom_tree，然后利用 dom_tree.Xpath() 方法获取对应的信息。

Xpath 怎么用

Xpath 最常用的几个符号就是“/”、“//”这两个符号，“/”表示该标签的直接子节点，就比如说一个人的源码下载众多子女，而“//”表示该标签的后代，就比如说是一个人的众多后代(包括儿女、外甥、孙子之类的辈分)。

更多详细内容这里就不 Ctrl C/V了。

数据抓取

我们本次抓取数据的流程是先获得目标网页 url，然后利用 requests.get() 获得 html，然后再利用 lxml 库中的 etree.HTML(html) 进行解析得到一个对象 dom_tree，然后利用 dom_tree.Xpath() 方法获取对应的信息。

先分析目标网页 url 的构造，链家网的 url 构造还是很简单的，页码就是 pg 后面的数字，在租房这个栏目下一共有 100 页，所以我们循环 100 次就好啦。

还有就是明确我们要获取的信息，在前面我们说了目标是要研究公司附近的出租房信息，但是我们在租房的时候也不是仅仅考虑距离这一个因素。

这里我准备获取标题、价格、区域(大概在哪一块)、看房人数（说明该房的受欢迎程度），楼层情况（高楼层还是低楼层），房租建筑时间等等。（就是你能看到的信息差不多都要弄下来哈哈）。

开始代码部分：

#导入相关库 from lxml import etree import requests from requests.exceptions import ConnectionError import pandas as pd #获取目标网页的url def get_page_index():     base="https://bj.lianjia.com/zufang/pg"     for i in range(1,101,1):         url=base+str(i)+"/"         yield url#yield为列表生成器 

得到目标网页的 url 后，对其进行解析，采用的方法是先用 lxml 库的 etree 对 response 部分进行解析，然后利用 Xpath 进行信息获取。

#请求目标网页，得到response def get_page_detail(url):     try:         response=requests.get(url)         if response.status_code==200:             return etree.HTML(response.content.decode("utf-8"))             #lxml.etree.HTML处理网页源代码会默认修改编码         return None     except ConnectionError:         print ("Error occured")         return None  #解析目标网页 #title为房屋标题；name为小区名称；catogery为房屋类别(几室几厅) #size为房屋大小；region为区域；PV为看房人数； #second_feature为高低楼层；third_feature为房屋建筑时间 def parse_page_detail(dom_tree):     try:         title=dom_tree.xpath(//li/div[2]/h2/a/text())         name=dom_tree.xpath(//li/div[2]//div/a/span/text())         catogery=dom_tree.xpath(//li/div[2]//div//span[1]//span/text())         size=dom_tree.xpath(//li/div[2]//div//span[2]/text())         region=dom_tree.xpath(//li/div[2]//div[1]//div[2]//div/a/text())         PV=dom_tree.xpath("//li/div[2]//div[3]//span[@class=num]/text()")         price=dom_tree.xpath("//li/div[2]//div[2]//span[@class=num]/text()")         date=dom_tree.xpath("//li/div[2]//div[2]//div[@class=price-pre]/text()")         first_feature=dom_tree.xpath(//li/div[2]//div[1]//div[3]//span[@class="fang-subway-ex"]/span/text())         other=dom_tree.xpath(//li/div[2]//div[1]//div[2]//div/text())         name1=[]         catogery1=[]         size1=[]         second_feature=[]         third_feature=[]         for n in name:             name2=n[0:-2]             name1.append(name2)         for c in catogery:             catogery2=c[0:-2]             catogery1.append(catogery2)         for s in range(0,59,2):             size2=size[s][0:-2]             size1.append(size2)             second_feature1=other[s]             second_feature.append(second_feature1)         for m in range(1,60,2):             third_feature1=other[m]             third_feature.append(third_feature1)         return {              "title":title,             "name":name1,             "catogery":catogery1,             "size":size1,             "region":region,             "price":price,             "PV":PV,             "second_feature":second_feature,             "third_feature":third_feature,             "other":other               }     except:         pass  #对获得目标内容进行整理导出 #建立一个空的DataFrame df1=pd.DataFrame(columns=["title","name","catogery", "size","region","price","PV",         "second_feature","third_feature","other" ]) i=0 if __name__=="__main__":     urls=get_page_index() for url in urls:     dom_tree=get_page_detail(url)     result=parse_page_detail(dom_tree)     df2=pd.DataFrame(result)     df1=df1.append(df2,ignore_index=False,verify_integrity=False)     i=i+1     print(i) #打印出目前爬取的页数   #保存数据到本地 df1.to_csv("D:\\Data-Science\\Exercisedata\\lianjia\\result.csv") df1.info#打印出爬虫结果的基本信息  

通过上图可以看出，我们一共抓取到 2970 条房屋信息，9columns。

df1.head(3)#预览前3行 

经纬度的获取

我们刚刚只是获取了一些出租房的基本信息，但是我们要想计算距离还需要获得这些出租房所在的地理位置，即经纬度信息。

这里的经纬度是获取的区域层级的，即大概属于哪一个片区，本次爬取的 2970 条房屋信息分布在北京的 208 个区域/区域。

关于如何获取对应地点的经纬度信息，这里利用的 XGeocoding_v2 工具：

获取经纬度信息的地址如下：http://www.gpsspg.com/maps.htm

得到如下的结果(LATB 表示维度，LNGB 表示经度)：

距离的计算

#经纬度的计算函数 # input Lat_A 纬度A # input Lng_A 经度A # input Lat_B 纬度B # input Lng_B 经度B # output distance 距离(km) def calcDistance(Lat_A, Lng_A, Lat_B, Lng_B):     ra = 6378.140  # 赤道半径 (km)     rb = 6356.755  # 极半径 (km)     flatten = (ra - rb) / ra  # 地球扁率     rad_lat_A = radians(Lat_A)     rad_lng_A = radians(Lng_A)     rad_lat_B = radians(Lat_B)     rad_lng_B = radians(Lng_B)     pA = atan(rb / ra * tan(rad_lat_A))     pB = atan(rb / ra * tan(rad_lat_B))     xx = acos(sin(pA) * sin(pB) + cos(pA) * cos(pB) * cos(rad_lng_A - rad_lng_B))     c1 = (sin(xx) - xx) * (sin(pA) + sin(pB)) ** 2 / cos(xx / 2) ** 2     c2 = (sin(xx) + xx) * (sin(pA) - sin(pB)) ** 2 / sin(xx / 2) ** 2     dr = flatten / 8 * (c1 - c2)     distance = ra * (xx + dr)     return distance  #具体的计算 #Lat_A,Lng_A为你公司地址，这里以望京为例， #你可以输入你公司所在地 Lat_A=40.0011422082; Lng_A=116.4871328088 Distance0=[]#用于存放各个区域到公司的距离 region=[] for r in range(0,208,1):     Lat_B=df3.loc[r][1];Lng_B=df3.loc[r][2]     distance=calcDistance(Lat_A, Lng_A, Lat_B, Lng_B)     Distance1={ 0:10.3f} km.format(distance)     region0=df3.loc[r][0]     Distance0.append(Distance1);region.append(region0) date={ "region":region,"Distance":Distance0}     Distance_result=pd.DataFrame(date,columns=["region","Distance"]) 

***将距离以及区域与对应的小区拼接在一起，得到下面的结果。

进一步分析

#导入相关库 % matplotlib inline import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.style.use("ggplot") #导入合并后的文件 df=pd.read_csv("D:\\Data-Science\\Exercisedata\\lianjia\\lianjia-rental.csv",encoding="gbk",index_col="name") df.head() 

df.info() 

通过 df.info() 可以看出，总共有 2454 条数据，这是在爬虫获取的 2970 条数据去重以后得到的。

在这些项中，size（房屋面积）、second_feature 以及 third_feature 均带有单位，为了后续分析方便，这里统一进行去单位（后缀）操作。

df["size"]=[i[0:-2] for i in df["size"]]  df["Distance"]=[i[0:-2] for i in df["Distance"]]  df["second_feature"]=[i[0:3] for i in df["second_feature"]]  df["third_feature"]=[i[0:4] for i in df["third_feature"]]  df.head() 

df.info()  

我们把后缀去掉了，Size、third_feature 和 Distance 看上去是数字，但是通过 df.info() 看出，这两个指标类型依然是 Object。为了进一步分析，我们要对它们继续进行处理。

df["size"]=df["size"].astype(np.int32)  df["Distance"]=df["Distance"].astype(np.float64)  df["price"]=df["price"].astype(np.int32)  df["third_feature"]=df["third_feature"].astype(np.int32)  df.info()   

再次通过 df.info() 看出，该是数字类型的指标全部变成了 int/float 了，可以进行下一步了。

在文章刚开头就说过，一般租房最看重的两个因素就是距离&价格，价格可以直接在那些租房网上看到，肯定是越低越好，没啥好说的。

主要是距离，关于距离，有两种选择方式，一种是先选出离你上班地最近的几个区域，然后再在该区域内具体选择；另一个是可以设定你可以接受的通勤距离，然后以这个距离作为条件，在小于等于这个距离内进行筛选。

我们这里着重以***种为主，先选择距离最近的几个区域，然后在这几个区域内进行选择。

因为距离是按 Region 来进行计算的，而表是按 Name 来统计的，所以要想计算出距离最近的 Region，需要先把 Region 和 Distance 部分提取出来，并合并成一个 DataFrame。

region=list(df.region) Distance=list(df.Distance) Distance_result_data={ "region":region,"Distance":Distance} Distance_result=pd.DataFrame(Distance_result_data) Distance_result1=Distance_result.drop_duplicates() Distance_result1.head() 

#距离最近的Top10区域 Distance_result1.sort_values(by="Distance").head(10) 

#对位置进行可视化 top_region=Distance_result1.sort_values(by="Distance").head(10).region top_Distance=Distance_result1.sort_values(by="Distance").head(10).Distance #绘制雷达图 labels = np.array(top_region)#标签 dataLenth = 10#数据个数 data = np.array(top_Distance)#数据 angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False) data = np.concatenate((data, [data[0]])) # 闭合 angles = np.concatenate((angles, [angles[0]])) # 闭合 fig = plt.figure() ax = fig.add_subplot(111, polar=True)# polar参数！！ ax.plot(angles, data, ro-, linewidth=2)# 画线 #ax.fill(angles, data, facecolor=r, alpha=0.25)# 填充 ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei") ax.set_title("距离望京最近的十个区域", va=bottom, fontproperties="SimHei") ax.set_rlim(0,6) ax.grid(True) plt.show() 

可以看到，Region=“望京”距离最近，所以我们重点在该区域内选择，接下来具体看看该区域内租房情况。

Top1=df[df.region=="望京租房"]#将望京的租房信息筛选出来 Top1.info() 

通过上表可以看到在望京区域总共有 101 套房源，接下来对这 101 套房源进行深入分析。

plt.subplot(131) ax1=Top1.boxplot("price") ax1.set_ylim(0,90000) plt.subplot(132) ax2=Top1.boxplot("size") ax2.set_ylim(0,270) plt.subplot(133) ax3=Top1.boxplot("PV") ax3.set_ylim(-5,100) 

数据概览，先对该区域的租房整体情况有个认识，看到 Price 指标的下界为 5000 左右，上界接近于 30000，中位数为 10000 出头（有没有感觉到好贵哈哈哈哈），但是我们也看到有一个大于 80000 的超级异常值，我们利用截尾均值对他进行替代。

关于房屋大小，中位数为 100 平，这与 Price 中位数正好可以对应，折算下来相当于 1 平 100 大洋，在与那些 10 平左右的合租房需要 2000+ 大洋比一比，是不是觉得还是 100 平 10000 大洋便宜哈。

所以论一平米的价格的话还是整租更便宜。

先找出那个大于 80000 的异常值具体值是多少，然后进行值替换。

Top1[Top1.price>80000]#通过图表可以看出，异常值是大于80000，但是看不到具体是多少 

#值替换 from scipy import stats Top1.price.replace(83000,stats.trim_mean(Top1.price,0.1),inplace=True)  Top1.boxplot("price") 

这是将 Price 异常值处理以后得到的箱型图，看起来就比较规范了哈。

plt.rcParams["font.sans-serif"]=SimHei plt.subplot(311) grouped=Top1.groupby("second_feature")["price"] ax4=grouped.count().plot.bar() plt.subplot(312) grouped2=Top1.groupby("third_feature")["price"] ax5=grouped2.count().plot.bar() plt.subplot(313) grouped3=Top1.groupby("catogery")["price"] ax6=grouped3.count().plot.bar() plt.tight_layout() 

通过上图可以看出：中楼层和高楼层的房源绝对数量基本持平，高出低楼层数量一半。

房屋修建时间也是 2003 年以后的居多，这就和前面的楼层类型可以对应上了，在刚开始的时候（2003 年以前）大部分房子都是低楼层，随着时代的进步，科技的发展，人员的增多，楼层的数量和房屋的数量也随之增加。

房屋类型上的 Top3 类型分别为：2 室 1 厅、3 室 2 厅和 1 室 1 厅。

#房屋修建时间与价格的散点图 Top1.plot.scatter(x="third_feature",y="price") 

通过上图可以看出，随着时间的推移，2003 年以后的房子的 Price 要明显高于 2003 年以前的，如果要是对价格比较敏感，可以考虑 2003 年以前的房子。

Top1.boxplot(column=["price"],by="catogery") plt.tight_layout() 

随着房屋类型的升级，价格也是随之升高，但是我们也发现，有一些三室房子的价格（下边界）要低于两室的价格的，如果对房间数量和价格都有要求的可以考虑这部分房源。

Top1.boxplot(column=["price"],by="second_feature") 

通过上图可以看到三个楼层的价格下界基本持平，但是中楼层的中位数和上界价格是要明显高于其他两个房型的，这也很正常，中楼层相比于其他两个楼层的房屋是最宜居的啦，价格贵也正常。

当然了，对于现在租房都很困难的环境下，哪还考虑什么宜居，当然是挑价格低的房型。

Top1_PV=Top1.sort_values(by="PV",ascending=False).head(20) Top1_PV.head() 

按 PV 进行降序，我们可以看出哪些房源是比较受欢迎，这些房源都有啥特征。

plt.rcParams["font.sans-serif"]=SimHei plt.subplot(311) grouped4=Top1_PV.groupby("second_feature")["price"] ax7=grouped4.count().plot.bar() plt.subplot(312) grouped5=Top1_PV.groupby("third_feature")["price"] ax8=grouped5.count().plot.bar() plt.subplot(313) grouped6=Top1_PV.groupby("catogery")["price"] ax9=grouped6.count().plot.bar() plt.subplots_adjust(left=0.2,right=1.0,top=1.6,bottom=0.2,hspace=0.5) 

Top1_PV.plot.scatter(y="PV",x="price") 

从图中可以看到，低楼层的房源数量不是最多的，但是看房次数却是最多的（***的），可能是低楼层价格低的原因吧。

2003 年和 2007 的房源 PV ***，这和该年代的房源绝对数量基本维持一致；两室一厅的户型最为火爆；在价格方面 10000 以下的房源比较受欢迎。

Top1_PV.plot.scatter(y="PV",x="price") 

结论

通过上面的分析我们可以得出一些参考：

2003 年以前的房源的价格是要低于 2003 年之后的，对价格敏感的可以考虑 2003 年以前的房源。 有一些三室的房子价格是低于两室的，如果对房间数量和价格都有要求的可以考虑这部分。 中楼层的价格整体上是要高于低楼层的，但是还有一部分是要比低楼层低，而且通过从 PV ***的楼层来看，低楼层的火爆程度要比中楼层高，所以可以寻找那些不那么火爆但是价格还低的中楼层。 如果希望单位面积价格***，还是整租比较合适。

注：本次的数据为链家网的整租房源信息，非合租信息，所以你会看到价格都很高。

张俊红，中国统计网专栏作者，个人公众号ID：zhangjunhong0428，数据分析路上的学习者与实践者，与你分享我的所见、所学、所想。

【原创稿件，合作站点转载请注明原文作者和出处为.com】