

使用Seaborn进行房价数据可视化

CDA数据分析师

2019-10-16

导读：Seaborn 是一个数据可视化库，可帮助在Python中创建有趣的数据可视化。大多数数据分析需要识别趋势和建立模型。本文将帮助您开始使用 Seaborn库创建数据可视化。

Seaborn 是一个数据可视化库，可帮助在Python中创建有趣的数据可视化。大多数数据分析需要识别趋势和建立模型。本文将帮助您开始使用 Seaborn库创建数据可视化。

Seaborn 是一个出色的数据可视化库，它让我们的生活变得轻松。首先，您应该在编辑器中键入以下命令：

import seaborn as sns

本文我们选取了一份北京二手房房价数据集，包含字段有：

区域、卧室数、客厅数、面积、楼层、靠近地铁、靠近学校、房屋价格（单价）、经度、纬度、位置等信息。

我们想使用可视化方法初步探索各种因素是如何影响北京房价的。

一、房屋单价/房屋面积整体分布情况

—使用图形：直方图（Distplot）

sns.distplot（）结合直方图并绘制核密度估计图。这里 bin 区间大小是自动计算的。

现在，由于我们已经加载了数据集df，我们将使用 “price” 变量创建第一个图。让我们从房价数据集创建“price” 变量的 distplot。

sns.distplot(df['price'], bins=20, color='purple')

我们推测 — “price”变量本质上是倾斜的，大多数房屋单价都在4万～7万之间的范围内。

再看一下房屋面积：

sns.distplot(df['AREA'], bins=20,color='purple');

可以看到，“AREA”变量也呈现右偏的状态，大多数房屋面积都在 60～110平米之间的范围内。

二、探究房屋面积对房屋单价的影响

—使用图形：联合分布图（Jointplot）

联合分布图（Jointplot）采用两个变量并一起创建直方图和散点图。

让我们从房价数据集创建 AREA 和 price 变量的联合分布图。通常，让我们看看这个情景下是什么样的。代码如下：

如上所述，散点图似乎显示房屋单价和面积之间并没有显著的相关关系。在它的顶部，我们可以看到各个变量的直方图。

Jointplot :: kind =”hex”

当设置这个参数，直方图的双变量类比称为“hexbin”图，因为它显示了六边形区间内的观察计数。此图对于相对较大的数据集最有效。也称为Hexbin Plots。

有几种类型的值可以放在 sns.jointplot 中来创建不同的图。默认情况下，联合分布图显示散点图。现在，在上面的情节图中，它显示了六边形。六边形的深色表示数据点的高密度，其中较浅的颜色表示较少的点。

kind 参数值可以是以下取值：

kind : {"scatter" | "reg" | "resid" | "kde" |"hex" }

三、各地区、地铁房、学区房分布和房屋单价

使用图形-条形图（Barplot）

条形图用于绘制分类列和数字列。它在可视化中创建了条形。让我们用“CATE”和“subway”创建一个“price”的条形图，让我们看看哪类房屋单价高。

数据显示，西城区的房屋平均单价最高，石景山地区的房屋平均单价最低。

可以看到，靠近地铁和靠近学区的房屋单价有更高的表现。

箱形图也可以形象地展示这种关系，（Boxplot）是给定数据集的五点汇总统计的直观表示。五个数字摘要包括：

Minimum 最小值

First Quartile 1/4 值

Median (SecondQuartile) 中位数

Third Quartile 3/4 值

Maximum 最大值

此外，值得注意的一点是，为分类 - 连续变量创建了一个箱线图，这意味着如果x轴是分类的并且y轴是连续的，则应创建箱线图或小提琴图。

比如，让我们从df数据集创建一个 “floor” 和 “price” 的箱线图。

想学习更多的可视化技巧？

CDA数据分析师「Python数据分析师周末集训」课程，课程内容以CDA数据分析师标准大纲要求，包含Python基础 – Pandas数据清洗 - Python爬虫 - Python数据可视化（Matplotlib、Seaborn、Pyecharts） - Python机器学习算法等内容，并结合互联网金融、电信、银行、医疗、交通等行业实际案例来帮助学员建立整套的数据分析和机器学习思路，案例涉及营销优化、风险控制、用户研究、商业部署等领域，使学员所学更符合企业要求。

一、课程信息

时间：2019.11.30日开课（三个月周末集训）

地点：北京现场&广州远程&成都远程&深圳远程全国直播

授课安排：现场班13800元远程班10800元

二、如何报名？

1. 在线填写报名信息

电脑端：

https://www.cda.cn/kecheng/83.html

微信端（扫码访问）：