关于数据挖掘:线性回归和时间序列分析北京房价影响因素可视化案例附代码数据

全文链接：http://tecdat.cn/?p=21467

最近咱们被客户要求撰写对于北京房价的钻研报告，包含一些图形和统计输入。

在本文中，房价无关的数据可能反映了中国近年来的变动

目标

• 人们失去更多的资源（薪水），冀望有更好的房子
• 人口众多
• 独生子女政策：如何影响房子的几何构造？更多的卧室，更多的空间

我外围的想法是预测房价。然而，我不打算应用任何 arima 模型；相同，我将应用数据的个性逐年拟合回归。

构造如下：

• 数据筹备：将数值特色转换为分类；缺失值
• EDA: 对于数值特色和分类特色: 平均价格与这些特色的体现
• 建模：
• • 宰割训练 / 测试给定年份的数据：例如，在 2000 年宰割数据；依据这些数据训练回归模型
  • 而后，在 2016 年之前的所有新年里，预测每套房子的价值。
  • 用于验证的度量将是屋宇的平均价格（即每年从测试样本中取得平均价格和预测值）

数据筹备

咱们对特色有了十分残缺的形容：

• url：获取数据（字符）的 url
• id:id（字符）
• Lng：和 Lat 坐标，应用 BD09 协定。（数字）
• Cid：社区 id（数字）
• 交易工夫：交易工夫（字符）
• DOM：市场沉闷日。（数字）
• 关注者：交易后的人数。（数字）
• 总价：（数值）
• 价格：按平方计算的平均价格（数值）
• 面积：屋宇的平方（数字）
• 起居室` 数（字符）`
• 客厅` 数（字符）`
• 厨房：厨房数量（数字）
• 浴室数量（字符）
• 房子高度
• 修建类型：包含塔楼（1）、平房（2）、板塔组合（3）、板（4）（数值）
• 施工工夫
• 装修：包含其余（1）、粗（2）、简略（3）、简装（4）（数值）
• 修建构造：包含未清（1）、混合（2）、砖和木（3）、砖混凝土（4）、钢（5）和钢 - 混凝土复合材料（6）（数值）
• 梯梯比：同层居民数与电梯数量的比例。
• 电梯有（1）或没有电梯（0）（数值）
• 五年期：业主领有不到 5 年的财产（数字）

数据清理、特色创立

从最后的数据看：

• 从网址上，我发现它有地位信息，如 chengjiao/101084782030。同样，一个简略的 regexp 进行省特征提取。
• 另一个大的数据筹备工作是转换一些数字特色，比方地铁，地铁站左近的房子编码为 1，相同的状况编码为 0。
• 还有很大一部分 DOM 缺失。我既不能在建模中应用这个个性，也不能删除 NA，但它也会减小数据帧的大小。

 #从网址中提取省份
  sapply(df$url, function(x) strsplit(x,'/')[[1]][4])

查看缺失

# 缺失数据图
 
  ggplot(data = .,aes(x = V2, y = V1)) + geom_tile(aes(fill = value)) +

• 如上所述，DOM 的很大一部分失落了。我决定先保留这个个性，而后用两头值来填充缺失的值（散布是十分歪斜的）
• 否则，buildingType 和 communityAverage（pop.）中只有几个短少的值，我决定简略地删除这些值。事实上，它们只占了约 30 行，而整个数据集的数据量为 300k+，因而损失不会太大。
• 上面我简略地删除了我当前不打算应用的特色。

ifelse(is.na(df$DOM),median(df$DOM,na.rm=T),df$DOM)

点击题目查阅往期内容

数据分享 | R 语言逻辑回归、Naive Bayes 贝叶斯、决策树、随机森林算法预测心脏病

左右滑动查看更多

01

02

03

04

用于将数字转换为类别的自定义函数

对于某些特色，须要一个函数来解决多个标签，对于其余一些特色（客厅、客厅和浴室），转换非常简单。

df2$livingRoom <- as.numeric(df2$livingRoom)

仿佛 buildingType 具备谬误的编码数字值：

因为谬误的编码值和 NA 的数量很少，因而我将再次抛弃这些行

 df2$renovationCondition <- sapply(df2$renovationCondition, ionCondition)

df2$buildingStructure <- sapply(df2$buildingStructure, makeStructure)
df2$elevator <- ifelse(df2$elevator==1,'has_elevator','no_elevator')

缺失值检察

# 缺失数据图
df2 %>% is.na %>% melt %>% 
  ggplot(data = .,aes(x = Var2, y = Var1)) + geom_tile(aes(fill = value)) +
  scale_fill_manual(values = c("grey20","white")) + theme_minimal(14) +

kable(df %>% group_by(constructionTime) %>% summarise(count=n()) %>% arrange(-count) %>% head(5))

df3 <- data.frame(df2 %>% na.omit())

插补后的最终查看

any(is.na(df3))

## [1] FALSE

探索性剖析

因为有数字和分类特色，我将应用的 EDA 技术有：

• 数值：相关矩阵
• 分类：箱线图和地图

咱们必须关注价格（单位价格 / 单位价格）以及总价格（百万元）
totalPrice 将是回归模型的指标变量。

数值特色

corrplot(cor(
  df3  ,
  tl.col='black')

评论

• totalPrice 与 communityAverage 有很强的正相干关系，即人口密集区的房价较高
• totalPrice 与客厅、卫浴室数量有肯定的正相干关系。
• 至于面积变量，咱们看到它与上述变量也有很强的相关性：这是有情理的，因为如果房子的面积大，能够建造更多的房间（不言而喻）。
• 其余一些乏味的相关性：communityAverage 与修建工夫呈负相关，这意味着在人口密集区建房所需的工夫更短

分类特色

地图

• 中国三级（省）地图
• 我看了看城郊，它位于北京左近，所以我过滤了那个特定省份的地图

ggplot() + 
  geom_polygon(data = shapefile_test,aes(x = long, y = lat, group = group), 

BeijingLoc <- data.frame('Long'=116.4075,'Lat' = 39.904)

修建构造

makeEDA('buildingStructure')

砖木结构的屋宇是最低廉的，简直是其余类型屋宇的两倍

`
`

点击题目查阅往期内容

R 语言用线性回归模型预测空气质量臭氧数据

左右滑动查看更多

01

02

03

04

`
`

`
`

修建类型

makeEDA('buildingType')

• 平房是最低廉的

装修条件

电梯

• 价格对电梯的依赖性十分小
• 住宅的散布与这一特色是绝对相等的。

地铁

• 价格对地铁站左近的依赖性十分小。
• 住宅的散布与这一特色是绝对相等的。

是否满_五年_

makeFeatureCatEDA('fiveYearsProperty', length(unique(df3$fiveYearsProperty)))

• 对于是否领有不到 5 年房产来说，价格的依赖性的确很小
• 就这一特色而言，房子的散布是绝对平等的

区域

回归模型

策略

• 从 tradeTime 中提取年份和月份
• 按年度和月份分组，失去屋宇的数量和均价
• 拆分数据集：
• • 对于年[2010-2017]= 在这组年上训练并运行回归模型
  • 对于 >2017 年：逐月对测试样本并预测平均价格

平均价格总览

首先咱们须要看看咱们想要预测什么

df3$year <- year(df3$tradeTimeTs)
df3$month <- month(df3$tradeTimeTs)

df3 %>% filter(year>2009) %>% group_by(monthlyTrad) %>% 
  summarise(count=n(), mean = mean(price)) %>% 
  ggplot(aes(x=monthlyTradeTS, y= mean)) +

• 均匀价格上涨至 2017 年中期，而后迅速降落
• 同时，屋宇数量随着价格的上涨而减少，而且当初房屋交易的数量也随着价格的上涨而缩小。

筹备训练 / 测试样本

我在 2017-01-01 拆分数据。对于所有样本，我须要把分类特色变成伪变量。

df_train <- data.frame(df  %>% filter(year>2009 & year<2017))
df_test <- data.frame(df %>% filter(year>=2017))
as.data.frame(cbind(df_train %>% select_if(is.numeric) %>% select(-Lng, -Lat, -year, -month),
  'bldgType'= dummy.code(df_train$buildingType),
  'bldgStruc'= dummy.code(df_train$buildingStructure),
  'renovation'= dummy.code(df_train$renovationCondition),
  'hasElevator'= dummy.code(df_train$elevator),

在这一步中，我只训练一个线性模型

regressors<-c('lm')
 
 Control <- trainControl(method = "cv",number = 5, repeats=3)
for(r in regressors){
    cnt<-cnt+1
     res[[cnt]]<-train(totalPrice ~., data = train ,method=r,trControl =  Control)

 r^2 在 0.88 左右，不错。让咱们看看细节。

训练精度

 g1<-ggplot(data=PRED,aes(x=Prediction,y=True)) + geom_jitter() + geom_smooth(method='lm',size=.5) +
    #计算指标
    mse <- mean((PRED$True-PRED$Prediction)^2)
    rmse<-mse^0.5
    SSE = sum((PRED$Pred - PR

## [1] "MSE: 15952.845934 RMSE : 126.304576 R2 :0.795874"

• 所以看起来残差还不错（散布是正态的，以 0 为核心），但对于低价格来说仿佛失败了。

 训练和测试样本的预测与工夫的关系

• 基本上与上述雷同，但我将反复预测所有月份的训练数据
• 我的指标指标是均匀房价。
• 训练是在 10 多年的训练样本中实现的，因而逐月查看预测将十分乏味。

 # 训练样本 -> 训练精度
 
for (i in 1:length(dates_train)){current_df <- prepareDF(current_df)
     current_pred <- mean(predict(res[[1]],current_df))
 

#运行测试样本 --> 测试精度
 
for (i in 1:length(dates_test)){current_df <- prepareDF(current_df)
    current_pred <- mean(predict(res[[1]],current_df))

 RES %>% reshape2::melt(id=c('date','split')) %>% 
  ggplot(aes(x=date,y=value)) + geom_line(aes(color=variable, lty=split),size=1) +

• 预测对于 2012 年之后的数据的确十分好，这可能与有足够数据的月份绝对应

改良

地理位置作为特色

• 上面是一个乏味的图；它显示了每个地位的总价格。在二维散布的核心，价格更高。
• 这个想法是计算每个房子到核心的间隔，并关联一个等级 / 分数

BeijingLoc <- data.frame('Long'=116.4075,'Lat' = 39.904)
df3 %>% ggplot(aes(x=Lng,y=Lat)) + geom_point(aes(color=price),size=.1,alpha=.5)  + 
  theme(legend.position = 'bottom') +

本文摘选 《 R 语言线性回归和工夫序列剖析北京房价影响因素可视化案例 》，点击“ 浏览原文”获取全文残缺材料。

点击题目查阅往期内容

向量自回归（VAR）模型剖析消费者价格指数 (CPI) 和失业率工夫序列
Matlab 用 BUGS 马尔可夫区制转换 Markov switching 随机稳定率模型、序列蒙特卡罗 SMC、M H 采样剖析工夫序列
Matlab 创立向量自回归（VAR）模型剖析消费者价格指数 (CPI) 和失业率工夫序列
Stata 狭义矩量法 GMM 面板向量自回归 VAR 模型抉择、预计、Granger 因果测验剖析投资、支出和生产数据 R 语言时变向量自回归（TV-VAR）模型剖析工夫序列和可视化
R 语言用向量自回归（VAR）进行经济数据脉冲响应钻研剖析
R 语言 arima，向量自回归（VAR），周期自回归 (PAR) 模型剖析温度工夫序列
R 语言 VAR 模型的不同类型的脉冲响应剖析
R 语言随机搜寻变量抉择 SSVS 预计贝叶斯向量自回归（BVAR）模型
R 语言时变参数 VAR 随机模型
R 语言预计时变 VAR 模型工夫序列的实证钻研剖析案例
R 语言向量自回归模型 (VAR) 及其实现
R 语言实现向量自回归 VAR 模型
R 语言预计时变 VAR 模型工夫序列的实证钻研剖析案例
Python 和 R 用 EWMA，ARIMA 模型预测工夫序列
R 语言用 LASSO，adaptive LASSO 预测通货膨胀工夫序列
Python 中的 ARIMA 模型、SARIMA 模型和 SARIMAX 模型对工夫序列预测
R 语言 arima，向量自回归（VAR），周期自回归 (PAR) 模型剖析温度工夫序列
【视频】Python 和 R 语言应用指数加权均匀(EWMA)，ARIMA 自回归挪动均匀模型预测工夫序列