1.下载厦门房价信息源文件

下载链接： 密码：e1fg

2.新建一个ipynb文件

下载成功后，在源文件所在的文件夹中下图所标示的位置中输入cmd，确定命令正确后运行。

出现的cmd如下图所示 在cmd中输入命令 jypyter notebook 将ipynb文件重命名为 dataProcessing

3.导入数据并查看数据字段

从上图可以看出原有共15列，分别为：标题title、价格price、首付downPayment、户型sizeType、面积size、单价unitPrice、朝向orientation、楼层floor、装修decoration、社区community、区域region、学校school、房屋详情houseDetail、核心卖点keySellingPoint、配套设施equipment。

4.数据处理

因为这次实验不用到文本识别和语义分析，去除标题title、核心卖点keySellingPoint、配套设置equipment三个字段。

在数据处理过程中，需要多次查看DataFrame的字段，所以定义一个函数。

def printField(df):    for x,y in enumerate(list(df.iloc[0].keys()),start=1):        print(x,y)

观察数据源，发现首付downPayment字段与价格price字段成线性关系，所以要去除这个字段。

从事实的角度出发，因为我们要预测房子的房价，即 单价unitPrice，在不知道单价的情况下不知道总价，所以删除 总价price这个字段。 现在第一个字段是sizeType，有一部分行的值为 暂无，删除这个字段值为 暂无的行。 从上图看出DataFrame的行数从26332行变为了25887行。

---

把户型拆分成3个字段：室、厅、卫，以下一段代码新产生一个DataFrame保存新产生的3个字段

import pandas as pdimport resizeType_list = []def findNumber(reStr,sourceStr):    result_list = re.findall(reStr,sourceStr)    if len(result_list):        return result_list[0]    else:        return 0for i in range(len(df)):    sizeType = df['sizeType'].iloc[i]    sizeType_dict = dict(        room = findNumber('([0-9]*)室',sizeType),        hall = findNumber('([0-9]*)厅',sizeType),        restroom =findNumber('([0-9]*)卫',sizeType)    )    sizeType_list.append(sizeType_dict)df1 = pd.DataFrame(sizeType_list,columns=sizeType_list[0].keys())

下面的图把3个字段赋值给原来的DataFrame，并显示一下前面10行

---

删除size字段中的平米，使该字段内容变为数字内容

---

删除unitPrice字段中的元/平米，使该字段内容变为数字内容

将房屋的朝向转换为0-1矩阵，使用pd.get_dummies方法发现有不规则值 ???和 请选择朝向。

删除这两个异常值

---

作者发现后面一些字段的处理相对来说比较麻烦，所以经过一段时间的抉择，统一用函数产生新的DataFrame，然后把新的DataFrame用pd.concat方法连接起来，这样编写代码时逻辑更清晰。所以前面的篇幅可以用作思路的参考，最终数据处理只需要复制下面一段代码就可以完成。

'''原来的数据总共有15列：分别为：标题title、价格price、首付downPayment、户型sizeType、面积size、单价unitPrice、朝向orientation、楼层floor、装修decoration、社区community、区域region、学校school、房屋详情houseDetail、核心卖点keySellingPoint、配套设施equipment''''''进行简单的房价预测不需要用到文本识别和语义分析，因此不需要用到title、keySellingPoint、equipment,根据现实的情况来说因为先有单价才有总房价，而进行预测的正是单价，所以用不到price、downPayment。观察房屋详情，发现其中的数据有错误，有的20多层的楼房却显示没有电梯，这不符合高层住房电梯规定，7层及以上住房必须安装电梯，不符合实际，所有房产有无电梯根据总楼层数判断'''import pandas as pdimport reimport timedef getSizeType(df):    def findNumber(reStr,sourceStr):        result_list = re.findall(reStr,sourceStr)        if len(result_list):            return result_list[0]        else:            return 0    sizeType_list = []    for i in range(len(df)):        sizeType = df['sizeType'].iloc[i]        sizeType_dict = dict(            room = findNumber('([0-9]*)室',sizeType),            hall = findNumber('([0-9]*)厅',sizeType),            restroom =findNumber('([0-9]*)卫',sizeType)        )         sizeType_list.append(sizeType_dict)    return pd.DataFrame(sizeType_list,columns=sizeType_list[0].keys())def getSize(df):    df1 = df['size'].copy()    for i in range(len(df)):        size = float(df['size'].iloc[i].strip("平米"))        if size < 50:            df1.iloc[i] = 'size1'        elif size < 100:            df1.iloc[i] = 'size2'        elif size < 150:            df1.iloc[i] = 'size3'        elif size < 200:            df1.iloc[i] = 'size4'        else:            df1.iloc[i] = 'size5'    return pd.get_dummies(df1)def getUnitPrice(df):    df1 = df['unitPrice'].copy()    for i in range(len(df)):        df1.iloc[i] = df['unitPrice'].iloc[i].strip("元/平米")    return df1def getOrientation(df):    return pd.get_dummies(df['orientation'])def getHeight(df):    df1 = df['floor'].copy()    for i in range(len(df)):                df1.iloc[i] = df['floor'].iloc[i].split(' ')[0][0]    return pd.get_dummies(df1)def getElevator(df):    ele_list = []    for i in range(len(df)):        str1 = df['floor'].iloc[i].split(' ')[1]        allFloor = int(re.findall("共(.*)层",str1)[0])        elevator = 1 if allFloor >= 8 else 0        ele_dict = {'elevator':elevator}        ele_list.append(ele_dict)    df1 = pd.DataFrame(ele_list)    return df1def getDecoration(df):    df1 = df['decoration'].copy()    for i in range(len(df)):        df1.iloc[i] = df['decoration'].iloc[i].strip('修')    return pd.get_dummies(df1)def getCommunity(df):    df1 = df['community'].copy()    for i in range(len(df)):        df1.iloc[i] = 1 if df['community'].iloc[i] == \        df['community'].iloc[i] else 0    return df1def getDistrict(df):    df1 = df['region'].copy()    for i in range(len(df)):        df1.iloc[i] = df['region'].iloc[i].split('-')[0]    return pd.get_dummies(df1)def getRegion(df):    df1 = df['region'].copy()    for i in range(len(df)):        region = df['region'].iloc[i].split('-')[1]        df1.iloc[i] = region.strip('(').strip(')')    return pd.get_dummies(df1)    def getSchool(df):    df1 = df['school'].copy()    for i in range(len(df)):        df1.iloc[i] = 1 if df['region'].iloc[i] == \        df['region'].iloc[i] else 0    return df1def cleanFloor(df):    for i in range(len(df)):        if '共' not in df['floor'].loc[i]:            df = df.drop([i])    df = df.reset_index(drop=True)    return dfdef cleanSizeType(df):    for i in range(len(df)):        if '室' not in df['sizeType'].loc[i]:            df = df.drop([i])    df = df.reset_index(drop=True)    return dfdef cleanCommunity(df):    df = df[df['community'] == df['community']]    df = df.reset_index(drop=True)    return dfif __name__ == "__main__":    startTime = time.time()    df = pd.read_excel("厦门房价数据(房天下版).xlsx")    df = cleanCommunity(df)    df = cleanFloor(df)    df = cleanSizeType(df)    #下面几个字段是列数较少的字段    unitPrice = getUnitPrice(df)    sizeType = getSizeType(df)    elevator = getElevator(df)    community = getCommunity(df)    school = getSchool(df)    #下面的字段是通过get_dummies方法产生的9-1矩阵，列数较多    orientaion = getOrientation(df)    height = getHeight(df)    size = getSize(df)    decoration = getDecoration(df)    district = getDistrict(df)    region = getRegion(df)    df_new = pd.concat([unitPrice,sizeType,elevator,community,school,\                        orientaion,height,size,decoration,district,region],\            axis=1)    df_new.to_excel("数据处理结果.xlsx",columns = df_new.iloc[0].keys())    print("数据处理共花费%.2f秒" %(time.time()-startTime))