自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

作者：徐麟
大數(shù)據(jù) 數(shù)據(jù)分析
本文主要分為兩部分：Python爬取趕集網(wǎng)北京二手房數(shù)據(jù)，R對(duì)爬取的二手房房?jī)r(jià)做線性回歸分析，適合剛剛接觸Python&R的同學(xué)們學(xué)習(xí)參考。

房?jī)r(jià)高是北漂們一直關(guān)心的話題，本文就對(duì)北京的二手房數(shù)據(jù)進(jìn)行了分析。

本文主要分為兩部分：Python爬取趕集網(wǎng)北京二手房數(shù)據(jù)，R對(duì)爬取的二手房房?jī)r(jià)做線性回歸分析，適合剛剛接觸Python&R的同學(xué)們學(xué)習(xí)參考。

01、Python爬取趕集網(wǎng)北京二手房數(shù)據(jù)

[[240927]]

入門爬蟲(chóng)一個(gè)月，所以對(duì)每一個(gè)網(wǎng)站都使用了Xpath、Beautiful Soup、正則三種方法分別爬取，用于練習(xí)鞏固。數(shù)據(jù)來(lái)源如下：

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

Xpath爬?。?/strong>

這里主要解決運(yùn)用Xpath如何判斷某些元素是否存在的問(wèn)題，比如如果房屋沒(méi)有裝修信息，不加上判斷，某些元素不存在就會(huì)導(dǎo)致爬取中斷。

  1. import requests 
  2. from lxml import etree 
  3. from requests.exceptions import RequestException 
  4. import multiprocessing 
  5. import time 
  6.  
  7. headers = { 
  8.     'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} 
  9.  
  10. def get_one_page(url): 
  11.     try: 
  12.         response = requests.get(url, headers=headers) 
  13.         if response.status_code == 200: 
  14.             return response.text 
  15.         return None 
  16.     except RequestException: 
  17.         return None 
  18.  
  19. def parse_one_page(content): 
  20.     try: 
  21.         selector = etree.HTML(content) 
  22.         ALL = selector.xpath('//*[@id="f_mew_list"]/div[6]/div[1]/div[3]/div[1]/div') 
  23.         for div in ALL: 
  24.             yield { 
  25.                 'Name': div.xpath('dl/dd[1]/a/text()')[0], 
  26.                 'Type': div.xpath('dl/dd[2]/span[1]/text()')[0], 
  27.                 'Area': div.xpath('dl/dd[2]/span[3]/text()')[0], 
  28.                 'Towards': div.xpath('dl/dd[2]/span[5]/text()')[0], 
  29.                 'Floor': div.xpath('dl/dd[2]/span[7]/text()')[0].strip().replace('\n', ""), 
  30.                 'Decorate': div.xpath('dl/dd[2]/span[9]/text()')[0], 
  31.                 #地址需要特殊處理一下 
  32.                 'Address': div.xpath('dl/dd[3]//text()')[1]+div.xpath('dl/dd[3]//text()')[3].replace('\n','')+div.xpath('dl/dd[3]//text()')[4].strip(), 
  33.                 'TotalPrice': div.xpath('dl/dd[5]/div[1]/span[1]/text()')[0] + div.xpath('dl/dd[5]/div[1]/span[2]/text()')[0], 
  34.                 'Price': div.xpath('dl/dd[5]/div[2]/text()')[0] 
  35.             } 
  36.         if div['Name','Type','Area','Towards','Floor','Decorate','Address','TotalPrice','Price'] == None:##這里加上判斷，如果其中一個(gè)元素為空，則輸出None 
  37.             return None 
  38.     except Exception: 
  39.         return None 
  40.  
  41. def main(): 
  42.     for i in range(1, 500):#這里設(shè)置爬取500頁(yè)數(shù)據(jù)，在數(shù)據(jù)范圍內(nèi)，大家可以自設(shè)置爬取的量 
  43.         url = 'http://bj.ganji.com/fang5/o{}/'.format(i) 
  44.         content = get_one_page(url) 
  45.         print('第{}頁(yè)抓取完畢'.format(i)) 
  46.         for div in parse_one_page(content): 
  47.             print(div) 
  48.  
  49. if __name__ == '__main__': 
  50.     main() 

Beautiful Soup爬取：

  1. import requests 
  2. import re 
  3. from requests.exceptions import RequestException 
  4. from bs4 import BeautifulSoup 
  5. import csv 
  6. import time 
  7.  
  8. headers = {'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'} 
  9.  
  10. def get_one_page(url): 
  11.     try: 
  12.         response = requests.get(url,headers = headers) 
  13.         if response.status_code == 200: 
  14.             return response.text 
  15.         return None 
  16.     except RequestException: 
  17.         return None 
  18.  
  19. def parse_one_page(content): 
  20.     try: 
  21.         soup = BeautifulSoup(content,'html.parser') 
  22.         items = soup.find('div',class_=re.compile('js-tips-list')) 
  23.         for div in items.find_all('div',class_=re.compile('ershoufang-list')): 
  24.             yield { 
  25.                 'Name':div.find('a',class_=re.compile('js-title')).text, 
  26.                 'Type': div.find('dd', class_=re.compile('size')).contents[1].text,#tag的 .contents 屬性可以將tag的子節(jié)點(diǎn)以列表的方式輸出 
  27.                 'Area':div.find('dd',class_=re.compile('size')).contents[5].text, 
  28.                 'Towards':div.find('dd',class_=re.compile('size')).contents[9].text, 
  29.                 'Floor':div.find('dd',class_=re.compile('size')).contents[13].text.replace('\n',''), 
  30.                 'Decorate':div.find('dd',class_=re.compile('size')).contents[17].text, 
  31.                 'Address':div.find('span',class_=re.compile('area')).text.strip().replace(' ','').replace('\n',''), 
  32.                 'TotalPrice':div.find('span',class_=re.compile('js-price')).text+div.find('span',class_=re.compile('yue')).text, 
  33.                 'Price':div.find('div',class_=re.compile('time')).text 
  34.             } 
  35.         #有一些二手房信息缺少部分信息，如：缺少裝修信息，或者缺少樓層信息，這時(shí)候需要加個(gè)判斷，不然爬取就會(huì)中斷。 
  36.         if div['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] == None: 
  37.                 return None 
  38.     except Exception: 
  39.         return None 
  40.  
  41. def main(): 
  42.     for i in range(1,50): 
  43.         url = 'http://bj.ganji.com/fang5/o{}/'.format(i) 
  44.         content = get_one_page(url) 
  45.         print('第{}頁(yè)抓取完畢'.format(i)) 
  46.         for div in parse_one_page(content): 
  47.             print(div) 
  48.         with open('Data.csv', 'a', newline='') as f:  # Data.csv 文件存儲(chǔ)的路徑,如果默認(rèn)路徑就直接寫(xiě)文件名即可。 
  49.             fieldnames = ['Name', 'Type', 'Area', 'Towards', 'Floor', 'Decorate', 'Address', 'TotalPrice', 'Price'] 
  50.             writer = csv.DictWriter(f, fieldnames=fieldnames) 
  51.             writer.writeheader() 
  52.             for item in parse_one_page(content): 
  53.                 writer.writerow(item) 
  54.         time.sleep(3)#設(shè)置爬取頻率，一開(kāi)始我就是爬取的太猛，導(dǎo)致網(wǎng)頁(yè)需要驗(yàn)證。 
  55.  
  56. if __name__=='__main__': 
  57.     main() 

正則爬?。何已芯苛撕镁茫€是沒(méi)有解決。

這一過(guò)程中容易遇見(jiàn)的問(wèn)題有：

  • 有一些房屋缺少部分信息，如缺少裝修信息，這個(gè)時(shí)候需要加一個(gè)判斷，如果不加判斷，爬取就會(huì)自動(dòng)終止(我在這里跌了很大的坑)。

Data.csv知識(shí)點(diǎn)存儲(chǔ)文件路徑默認(rèn)是工作目錄，關(guān)于Python中如何查看工作目錄：

  1. import os  
  2.  
  3. #查看pyhton 的默認(rèn)工作目錄 
  4. print(os.getcwd()) 
  5.  
  6. #修改時(shí)工作目錄 
  7. os.chdir('e:\\workpython') 
  8. print(os.getcwd()) 
  9. #輸出工作目錄 
  10. e:\workpython 
  • 爬蟲(chóng)打印的是字典形式，每個(gè)房屋信息都是一個(gè)字典，由于Python中excel相關(guān)庫(kù)是知識(shí)盲點(diǎn)，所以爬蟲(chóng)的時(shí)候?qū)⒆值溲h(huán)直接寫(xiě)入了CSV。

Pycharm中打印如下：

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

將字典循環(huán)直接寫(xiě)入CSV效果如下：

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

  • 很多初學(xué)者對(duì)于Address不知如何處理，這里強(qiáng)調(diào)一下Beautiful Soup 中.contents的用法，親身體會(huì)，我在這里花了好多時(shí)間才找到答案。

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

02、R對(duì)爬取的二手房房?jī)r(jià)做一般線性回歸分析

下面我們用R對(duì)抓取的趕集網(wǎng)北京二手房數(shù)據(jù)做一些簡(jiǎn)單的分析。

數(shù)據(jù)的說(shuō)明

  • Name：主要是商家的醒目標(biāo)題，不具備分析參考意義
  • Type：臥室數(shù)、客廳數(shù)、衛(wèi)生間數(shù)
  • Area：面積(平方米)
  • Towards：朝向
  • Floor：樓層
  • Decorate：裝修情況，如精裝修、簡(jiǎn)單裝修、毛坯房
  • Address：二手房的地址
  • TotalPrice：總價(jià)
  • Price：均價(jià)(元/平方米)

數(shù)據(jù)清洗

  1. data<-read.csv("E://Data For R/RData/data.csv") 
  2. DATA<-data[,-c(1,7)]#將Name和Address兩列去掉 
  3. DATA[sample(1:nrow(DATA),size=10),] 

 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

  1. #在爬取的時(shí)候加入了判斷，所以不知道爬取的數(shù)據(jù)中是否存在缺失值，這里檢查一下 
  2. colSums(is.na(DATA)) 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

  1. #這里將Type的臥室客廳和衛(wèi)生間分為三個(gè)不同的列 
  2. ##這里需要注意，有一些房屋沒(méi)有客廳如：1室1衛(wèi)這時(shí)候需要單獨(dú)處理，還有一些沒(méi)有廁所信息。 
  3. library(tidyr) 
  4. library(stringr) 
  5. DATA=separate(data=DATA,col=Type,into = c("Bedrooms","Halls"),sep="室") 
  6. DATA=separate(data=DATA,col=Halls,into = c("Halls","Toilet"),sep="廳") 
  7. ##將衛(wèi)生間后面的漢字去掉 
  8. DATA$Toilet<-str_replace(DATA$Toilet,"衛(wèi)","") 
  9. ###如圖六，將Halls中帶有漢字去掉，因?yàn)橛幸恍┓课菪畔](méi)有客廳，如：1室1廳，在分成臥室和客廳時(shí)，會(huì)將衛(wèi)生間分到客廳一列。 
  10. DATA$Halls<-str_replace(DATA$Halls,"衛(wèi)","") 
  11. ##取出沒(méi)有客廳信息的數(shù)據(jù)，這些數(shù)據(jù)被separate到Halls列 
  12. newdata<-DATA[which(DATA$Toilet %in% NA),2] 
  13. newdata 
  14. ##將沒(méi)有客廳的房屋信息Halls列填充為0 
  15. DATA[which(DATA$Toilet %in% NA),2]<-0 
  16. DATA[which(DATA$Toilet %in% NA),3]<-newdata 
  17. colSums(DATA=="") 
  18.   Bedrooms      Halls     Toilet       Area    Towards      Floor   Decorate  
  19.          0          0          2          0          0          0          0  
  20. TotalPrice      Price  
  21.          0          0  
  22.  
  23. ##發(fā)現(xiàn)有2個(gè)廁所沒(méi)有信息,將其填寫(xiě)為0。 
  24. DATA$Toilet[DATA$Toilet == ""]<-0 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

  1. ##這里將Area后的㎡去掉 
  2. DATA$Area<-str_replace(DATA$Area,"㎡","") 
  3.  
  4. ##查看Towards的類型 
  5. table(DATA$Towards) 
  6.  
  7. Towards    北向  東北向  東南向  東西向    東向  南北向    南向  西北向  
  8.      51      25      23      50      65      32    1901     678      38  
  9.  西南向    西向  
  10.      28      26  
  11. ##將Floor信息帶括號(hào)的全部去除 
  12. DATA$Floor<-str_replace(DATA$Floor,"[（].*[）]","")##正則表達(dá)式 
  13. #查看Floor的類別信息 
  14.  低層  地下  高層 共1層 共2層 共3層 共4層 共5層  中層  
  15.   632    32   790    36    61   101    68   130  1016  
  16.  
  17. #分別將TotalPrice和Price后面的萬(wàn)元、元/㎡去掉 
  18.  
  19. DATA$TotalPrice<-str_replace(DATA$TotalPrice,"萬(wàn)元","") 
  20. DATA$Price<-str_replace(DATA$Price,"元/㎡","") 
  21.  
  22. head(DATA) 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

  1. ##將數(shù)據(jù)轉(zhuǎn)換格式 
  2. DATA$Bedrooms<-as.factor(DATA$Bedrooms) 
  3. DATA$Halls<-as.factor(DATA$Halls) 
  4. DATA$Toilet<-as.factor(DATA$Toilet) 
  5. DATA$Area<-as.numeric(DATA$Area) 
  6. DATA$TotalPrice<-as.numeric(DATA$TotalPrice) 
  7. DATA$Price<-as.numeric(DATA$Price) 
  8. DATA$Towards<-as.factor(DATA$Towards) 
  9. DATA$Decorate<-as.factor(DATA$Decorate) 
  10. str(DATA) 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

以上數(shù)據(jù)清洗完畢。

03、描述性分析

這部分的主要思路是探究單個(gè)自變量對(duì)因變量的影響，對(duì)房?jī)r(jià)的影響因素進(jìn)行模擬探究之前，首先對(duì)各變量進(jìn)行描述性分析，以初步判斷房?jī)r(jià)的影響因素。這里探究各個(gè)因素對(duì)總價(jià)影響。

探究Bedrooms與TotalPrice的關(guān)系

  1. table(DATA$Bedrooms) 
  2.   1    2    3    4    5    6    7    9  
  3. 541 1225  779  193  102   20    5    1  
  4. ##由于擁有6、7、9個(gè)臥室數(shù)的數(shù)量較少，這里我們排出這些數(shù)據(jù)。 
  5. DATA<-DATA[-(which(DATA$Bedrooms %in% "6")),] 
  6. DATA<-DATA[-(which(DATA$Bedrooms %in% "7")),] 
  7. DATA<-DATA[-(which(DATA$Bedrooms %in% "9")),] 
  8. table(DATA$Bedrooms) 
  9.    1    2    3    4    5  
  10.  541 1225  779  193  102  
  11.  
  12. library(ggplot2) 
  13. ggplot(DATA,aes(x=Bedrooms,y=TotalPrice))+geom_boxplot(col="red") 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

  1. DATA$Bedrooms<-as.numeric(DATA$Bedrooms) 
  2. ##這里將臥室數(shù)為1、2、3命名為A，4為B，5為C 
  3. DATA$Bedrooms[DATA$Bedrooms=='1']<-"A" 
  4. DATA$Bedrooms[DATA$Bedrooms=='2']<-"A" 
  5. DATA$Bedrooms[DATA$Bedrooms=='3']<-"A" 
  6. DATA$Bedrooms[DATA$Bedrooms=='4']<-"B" 
  7. DATA$Bedrooms[DATA$Bedrooms=='5']<-"C" 

不同臥室數(shù)，TotalPrice不同。且隨著臥室數(shù)的增多，總價(jià)越高，符合大眾的認(rèn)知。

探究Halls與TotalPrice的關(guān)系

  1.  table(DATA$Halls)  
  2.    0    1    2    3    4    5    9  
  3.   20 1674 1050   77   18    1    0  
  4. ##5個(gè)客廳只有一個(gè)個(gè)體，我們這里將其排出 
  5. DATA<-DATA[-(which(DATA$Halls %in% "5")),] 
  6. table(DATA$Halls) 
  7.    0    1    2    3    4    5    9  
  8.   20 1674 1050   77   18    0    0  
  9. ggplot(DATA,aes(x=Halls,y=TotalPrice))+geom_boxplot(col="red") 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

客廳數(shù)為3時(shí)候總價(jià)***，客廳數(shù)為0、1和2的時(shí)候總價(jià)低于客廳數(shù)3和客廳數(shù)4。

探究Toilet與TotalPrice的關(guān)系

  1. #探究衛(wèi)生間與總價(jià)的關(guān)系 
  2. table(DATA$Toilet) 
  3.    0    1    2    3    4    5    6    7    9  
  4.    2 2142  470  116   74   26    7    2    0   
  5. #這里將衛(wèi)生間數(shù)為0、6和7的去掉 
  6. DATA<-DATA[-(which(DATA$Toilet %in% "0")),] 
  7. DATA<-DATA[-(which(DATA$Toilet %in% "6")),] 
  8. DATA<-DATA[-(which(DATA$Toilet %in% "7")),] 
  9. table(DATA$Toilet) 
  10.    0    1    2    3    4    5    6    7    9  
  11.    0 2142  470  116   74   26    0    0    0  
  12. ggplot(DATA,aes(x=Toilet,y=TotalPrice))+geom_boxplot(col="red") 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

一般臥室數(shù)越多，衛(wèi)生間數(shù)也越多，即衛(wèi)生間數(shù)越多，總價(jià)越高。

探究Area與TotalPrice的關(guān)系

  1. ggplot(DATA, aes(x=Area, y=TotalPrice)) + geom_point(col='red') 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

這個(gè)完全符合住房面積越大，總價(jià)越高。

探究Towards與TotalPrice的關(guān)系

  1. ggplot(DATA,aes(x=Towards,y=TotalPrice))+geom_boxplot(col="red") 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

探究Floor與TotalPrice的關(guān)系

  1. ggplot(DATA,aes(x=Floor,y=TotalPrice))+geom_boxplot(col="red") 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

圖中信息顯示樓層一共只有1、2、3、地下的總價(jià)較高。

探究Decorate與TotalPrice的關(guān)系

  1. ggplot(DATA,aes(x=Decorate,y=TotalPrice))+geom_boxplot(col="red") 

 

Python爬取北京二手房數(shù)據(jù)，分析北漂族買得起房嗎？ | 附完整源碼

不同裝修信息對(duì)總價(jià)影響較小。

04、模型建立

  1. fit <-lm(TotalPrice~Bedrooms+Halls+Toilet+Area+Towards+Floor+Decorate,data=DATA) 
  2. summary(fit) 
  3.  
  4. Call: 
  5. lm(formula = TotalPrice ~ Bedrooms + Halls + Toilet + Area +  
  6.     Towards + Floor + Decorate, data = DATA) 
  7.  
  8. Residuals: 
  9.      Min       1Q   Median       3Q      Max  
  10. -1330.80  -103.49   -21.41    63.88  2961.59  
  11.  
  12. Coefficients: 
  13.                   Estimate Std. Error t value Pr(>|t|)     
  14. (Intercept)      -112.7633    88.3010  -1.277 0.201697     
  15. Bedrooms2         -43.5934    16.2533  -2.682 0.007359 **  
  16. Bedrooms3         -82.6565    20.7641  -3.981 7.04e-05 *** 
  17. Bedrooms4         -63.3096    34.9521  -1.811 0.070198 .   
  18. Bedrooms5          79.0618    54.0763   1.462 0.143842     
  19. Halls1             -5.0663    64.2764  -0.079 0.937182     
  20. Halls2            -53.8905    65.4427  -0.823 0.410307     
  21. Halls3           -303.9750    79.2280  -3.837 0.000127 *** 
  22. Halls4           -528.5427   104.0849  -5.078 4.07e-07 *** 
  23. Toilet2           112.9566    19.1171   5.909 3.87e-09 *** 
  24. Toilet3           543.7304    38.8056  14.012  < 2e-16 *** 
  25. Toilet4           735.1894    55.0977  13.343  < 2e-16 *** 
  26. Toilet5           338.7906    84.2851   4.020 5.98e-05 *** 
  27. Area                5.1091     0.1619  31.557  < 2e-16 *** 
  28. Towards東北向     138.9088    79.3817   1.750 0.080248 .   
  29. Towards東南向     187.1895    68.5388   2.731 0.006351 **  
  30. Towards東西向     176.3055    65.8384   2.678 0.007453 **  
  31. Towards東向       210.9435    73.2744   2.879 0.004022 **  
  32. Towards南北向      75.7831    57.1199   1.327 0.184704     
  33. Towards南向        60.1949    56.9678   1.057 0.290763     
  34. Towards西北向      75.4326    71.1415   1.060 0.289091     
  35. Towards西南向     169.8106    75.9626   2.235 0.025467 *   
  36. Towards西向       234.0816    76.5585   3.058 0.002253 **  
  37. Floor地下        -812.3578    63.3277 -12.828  < 2e-16 *** 
  38. Floor高層          12.3525    14.2466   0.867 0.385991     
  39. Floor共1層       -313.7278    52.1342  -6.018 2.00e-09 *** 
  40. Floor共2層       -453.3692    41.6829 -10.877  < 2e-16 *** 
  41. Floor共3層       -601.7032    44.3336 -13.572  < 2e-16 *** 
  42. Floor共4層       -183.7866    36.3396  -5.057 4.52e-07 *** 
  43. Floor共5層        -41.4184    25.7922  -1.606 0.108419     
  44. Floor中層          -1.7223    13.5961  -0.127 0.899204     
  45. Decorate簡(jiǎn)單裝修  -63.1591    22.0584  -2.863 0.004224 **  
  46. Decorate精裝修    -49.3276    19.8544  -2.484 0.013033 *   
  47. Decorate毛坯     -157.0299    24.3012  -6.462 1.22e-10 *** 
  48. --- 
  49. Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
  50.  
  51. Residual standard error: 265.5 on 2794 degrees of freedom 
  52. Multiple R-squared:  0.6852,    Adjusted R-squared:  0.6815  
  53. F-statistic: 184.3 on 33 and 2794 DF,  p-value: < 2.2e-16 

模型的F檢驗(yàn)拒絕原假設(shè)，說(shuō)明建立的模型是顯著的;Ajusted R-squared為0.6815，模型的擬合程度尚可接受。

作者：徐麟，知乎同名專欄作者，目前就職于上海唯品會(huì)產(chǎn)品技術(shù)中心，哥大統(tǒng)計(jì)數(shù)據(jù)狗，從事數(shù)據(jù)挖掘&分析工作，喜歡用R&Python玩一些不一樣的數(shù)據(jù)。

責(zé)任編輯：未麗燕 來(lái)源： 數(shù)據(jù)森麟
爬蟲(chóng)Python住房分析
相關(guān)推薦

2018-10-22 13:10:43

分析Python房?jī)r(jià)

2020-05-06 15:48:24

Python數(shù)據(jù)二手房?jī)r(jià)

2020-10-27 15:18:39

央行數(shù)字人民幣穆長(zhǎng)春

2019-12-19 15:56:10

Python數(shù)據(jù)工具

2013-03-19 14:25:36

2016-12-02 17:56:15

華為雙活存儲(chǔ)

2012-07-02 09:36:10

鏈家地產(chǎn)組織與勞動(dòng)力轉(zhuǎn)型

2011-08-25 22:57:42

惠普噴墨打印機(jī)

2022-03-11 15:17:15

碼農(nóng)美國(guó)薪資

2011-12-29 16:48:26

愛(ài)普生噴墨打印機(jī)

2013-02-21 12:38:58

佳能打印機(jī)

2020-06-05 19:19:03

蘋(píng)果促銷商家

2009-08-18 16:34:12

2020-07-14 11:14:55

網(wǎng)絡(luò)安全APP技術(shù)

2011-11-28 15:07:52

寬帶

2021-08-23 13:29:44

碼農(nóng)編程開(kāi)發(fā)

2011-05-04 10:49:34

原裝硒鼓兼容硒鼓

2019-03-13 10:04:34

程序員租房架構(gòu)

2017-05-31 13:58:05

戴爾宕機(jī)服務(wù)器

2012-02-27 14:33:51

投影機(jī)推薦
點(diǎn)贊
收藏

51CTO技術(shù)棧公眾號(hào)