R语言线性回归和时间序列分析北京房价影响因素可视化案例
原文链接：http://tecdat.cn/?p=21467目的房价有关的数据可能反映了中国近年来的变化：人们得到更多的资源（薪水），期望有更好的房子人口众多独生子女政策：如何影响家庭的几何结构？更多的卧室，更多的空间我核心的想法是预测房价。然而，我不打算使用任何arima模型；相反，我将使用数据的特性逐年拟合回归。结构如下：数据准备：将数值特征转换为分类；缺失值EDA:对于数值特征和分类特征:平均价格与这些特征的表现建模：分割训练/测试给定年份的数据：例如，在2000年分割数据；根据这些数据训练回归模型然后，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房屋的平均价格（即每年从测试样本中获得平均价格和预测值）数据准备我们对特征有了非常完整的描述：url：获取数据（字符）的urlid:id（字符）Lng：和Lat坐标，使用BD09协议。（数字）Cid：社区id（数字）交易时间：交易时间（字符）DOM：市场活跃日。（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：房屋的平方（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）房子高度建筑类型：包括塔楼（1）、平房（2）、板塔组合（3）、板（4）（数值）施工时间装修：包括其他（1）、粗（2）、简单（3）、精装（4）（数值）建筑结构：包括未清（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：业主拥有不到5年的财产（数字）数据清理、特征创建从最初的数据看：从网址上，我发现它有位置信息，如chengjiao/101084782030。同样，一个简单的regexp进行省特征提取。另一个大的数据准备工作是转换一些数字特征，比如地铁，地铁站附近的家庭编码为1，相反的情况编码为0。还有很大一部分DOM缺失。我既不能在建模中使用这个特性，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$url, function(x) strsplit(x,'/')[[1]][4])检查缺失#缺失数据图ggplot(data = .,aes(x = V2, y = V1)) + geom_tile(aes(fill = value )) +
如上所述，DOM的很大一部分丢失了。我决定先保留这个特性，然后用中间值来填充缺失的值（分布是非常倾斜的）否则，buildingType和communityAverage（pop.）中只有几个缺少的值，我决定简单地删除这些值。事实上，它们只占了约30行，而整个数据集的数据量为300k+，因此损失不会太大。下面我简单地删除了我以后不打算使用的特征。ifelse(is.na(df$DOM),median(df$DOM,na.rm=T),df$DOM)用于将数字转换为类别的自定义函数对于某些特征，需要一个函数来处理多个标签，对于其他一些特征（客厅、客厅和浴室），转换非常简单。df2$livingRoom <- as.numeric(df2$livingRoom)似乎buildingType具有错误的编码数字值：buildingTypecount0.04840.12530.25020.33350.37510.42910.500150.66711.000845412.0001373.000597154.000172405NaN2021由于错误的编码值和NA的数量很少，因此我将再次丢弃这些行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))constructionTimecount200421145200319409NA19283200518924200614854df3 <- data.frame(df2 %>% na.omit())插补后的最终检查any(is.na(df3))## [1] FALSE探索性分析由于有数字和分类特征，我将使用的EDA技术有：数值：相关矩阵分类：箱线图和地图我们必须关注价格（单位价格/单位价格）以及总价格（百万元）totalPrice将是回归模型的目标变量。数值特征corrplot(cor(df3 ,tl.col='black')
评论totalPrice与communityAverage有很强的正相关关系，即人口密集区的房价较高totalPrice与客厅、卫浴室数量有一定的正相关关系。至于面积变量，我们看到它与上述变量也有很强的相关性：这是有道理的，因为如果房子的面积大，可以建造更多的房间（显而易见）。其他一些有趣的相关性：communityAverage与建筑时间呈负相关，这意味着在人口密集区建房所需的时间更短分类特征地图中国三级（省）地图我看了看城郊，它位于北京附近，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)建筑结构makeEDA('buildingStructure' )
砖木结构的房屋是最昂贵的，几乎是其他类型房屋的两倍建筑类型makeEDA('buildingType' )
平房是最昂贵的装修条件
电梯
价格对电梯的依赖性非常小住宅的分布与这一特征是相对相等的。地铁
价格对地铁站附近的依赖性非常小。住宅的分布与这一特征是相对相等的。是否满_五年_makeFeatureCatEDA('fiveYearsProperty', length(unique(df3$fiveYearsProperty)))
对于是否拥有不到5年房产来说，价格的依赖性确实很小就这一特征而言，家庭的分布是相对平等的区域
回归模型策略从tradeTime中提取年份和月份按年度和月份分组，得到房屋的数量和均价拆分数据集：对于年[2010-2017]=在这组年上训练并运行回归模型对于>2017年：逐月对测试样本并预测平均价格平均价格总览首先我们需要看看我们想要预测什么df3$year <- year(df3$tradeTimeTs)df3$month <- month(df3$tradeTimeTs)df3 %>% filter(year>2009) %>% group_by(monthlyTrad) %>%summarise(count=n(), mean = mean(price)) %>%ggplot(aes(x=monthlyTradeTS, y= mean)) +
平均价格上涨至2017年中期，然后迅速下降同时，房屋数量随着价格的上涨而增加，而且现在房屋交易的数量也随着价格的上涨而减少。准备训练/测试样本我在2017-01-01拆分数据。对于所有样本，我需要把分类特征变成伪变量。df_train <- data.frame(df %>% filter(year>2009 & year<2017))df_test <- data.frame(df %>% filter(year>=2017))as.data.frame(cbind(df_train %>% select_if(is.numeric) %>% select(-Lng, -Lat, -year, -month),'bldgType'= dummy.code(df_train$buildingType),'bldgStruc'= dummy.code(df_train$buildingStructure),'renovation'= dummy.code(df_train$renovationCondition),'hasElevator'= dummy.code(df_train$elevator),在这一步中，我只训练一个线性模型regressors<-c('lm')Control <- trainControl(method = "cv",number = 5, repeats=3)for(r in regressors){cnt<-cnt+1res[[cnt]]<-train(totalPrice ~., data = train ,method=r,trControl = Control)
r^2在0.88左右，不错。让我们看看细节。训练精度g1<-ggplot(data=PRED,aes(x=Prediction,y=True)) + geom_jitter() + geom_smooth(method='lm',size=.5) +#计算指标mse <- mean((PRED$True-PRED$Prediction)^2)rmse<-mse^0.5SSE = sum((PRED$Pred - PR
## [1] "MSE: 15952.845934 RMSE : 126.304576 R2 :0.795874"所以看起来残差还不错（分布是正态的，以0为中心），但对于低价格来说似乎失败了。训练和测试样本的预测与时间的关系基本上与上述相同，但我将重复预测所有月份的训练数据我的目标指标是平均房价。训练是在10多年的训练样本中完成的，因此逐月查看预测将非常有趣。# 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年之后的数据确实非常好，这可能与有足够数据的月份相对应改进地理位置作为特征下面是一个有趣的图；它显示了每个位置的总价格。在二维分布的中心，价格更高。这个想法是计算每个房子到中心的距离，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') +