- 当前位置：首页 >域名 >最近租房有点烦！技术人如何用Python找到称心如意的“小窝”？
最近租房有点烦！技术人如何用Python找到称心如意的“小窝”？
发布时间：2025-11-05 03:58:22 来源：云智核 作者：人工智能
【.com原创稿件】11 月 18 日，小窝北京西红门镇新建二村“聚福缘公寓”突发火灾。最近租房找火灾后，有点意随之而来的烦技是一场全北京市的“安全隐患大排查大清理大整治”风暴。
聚集着几万外来务工人员的术人新建村在几天之内被清理一空。很多人正面临着要重新找房子或是何用离开北京的问题。
违建的称心公寓正在消失，危房出租正在被拆，小窝这些被“风暴”涉及到的最近租房找外来上班族怎么办？只有接受现实，勇敢面对。有点意
为了生存，烦技为了能留在帝都，术人为了改变人生、何用出人头地，称心再贵的小窝房子他们都要租，或者他们可以再寻找一处稍远点的房子。
租房的烦恼，相信大家或多或少都有过。独自一人在大都市打拼，找个温暖的小窝实属不易，租个称心又价格公道的房子是企商汇件重要的事儿。
站在技术人的角度，今天我就如何从各大租房网的房源里面，找到最称心如意的小窝做些分享，供大家参考。
在找房子的过程中我们最关心是价格和通勤距离这两个因素。关于价格方面，现在很多租房网站都有，但是这些租房网站上没有关于通勤距离的衡量。
对于我这种对帝都不是很熟的人，对各个区域的位置更是一脸懵逼。所以我就想着能不能自己计算距离呢，后来查了查还真可以。
实现思路就是：先抓取房源信息，然后获取房源的经纬度，***根据经纬度计算公司与具体房源之间的距离。
我们在获取经纬度之前，首先需要获取各个出租房所在地的源码下载名称，这里获取的方法是用爬虫爬取链家网上的信息。
Xpath 介绍
在爬取链家网的信息的时候用的是 Xpath 库，这里对 Xpath 库做一个简单的介绍。
Xpath 是什么
Xpath 是一门在 XML 文档中查找信息的语言。Xpath 可用来在 XML 文档中对元素和属性进行遍历。
Xpath 在查找信息的时候，需要先对 requests.get() 得到的内容进行解析，这里是用 lxml 库中的 etree.HTML(html) 进行解析得到一个对象 dom_tree，然后利用 dom_tree.Xpath() 方法获取对应的信息。
Xpath 怎么用
Xpath 最常用的几个符号就是“/”、“//”这两个符号，“/”表示该标签的直接子节点，就比如说一个人的高防服务器众多子女，而“//”表示该标签的后代，就比如说是一个人的众多后代(包括儿女、外甥、孙子之类的辈分)。
更多详细内容这里就不 Ctrl C/V了。
数据抓取
我们本次抓取数据的流程是先获得目标网页 url，然后利用 requests.get() 获得 html，然后再利用 lxml 库中的 etree.HTML(html) 进行解析得到一个对象 dom_tree，然后利用 dom_tree.Xpath() 方法获取对应的信息。
先分析目标网页 url 的构造，链家网的 url 构造还是很简单的，页码就是 pg 后面的数字，在租房这个栏目下一共有 100 页，所以我们循环 100 次就好啦。
还有就是明确我们要获取的信息，在前面我们说了目标是要研究公司附近的出租房信息，但是我们在租房的时候也不是仅仅考虑距离这一个因素。
这里我准备获取标题、价格、区域(大概在哪一块)、看房人数（说明该房的受欢迎程度），楼层情况（高楼层还是低楼层），房租建筑时间等等。（就是你能看到的信息差不多都要弄下来哈哈）。
开始代码部分：
#导入相关库 from lxml import etree import requests from requests.exceptions import ConnectionError import pandas as pd #获取目标网页的url def get_page_index(): base="https://bj.lianjia.com/zufang/pg" for i in range(1,101,1): url=base+str(i)+"/" yield url#yield为列表生成器得到目标网页的 url 后，对其进行解析，采用的方法是先用 lxml 库的 etree 对 response 部分进行解析，然后利用 Xpath 进行信息获取。
#请求目标网页，得到response def get_page_detail(url): try: response=requests.get(url) if response.status_code==200: return etree.HTML(response.content.decode("utf-8")) #lxml.etree.HTML处理网页源代码会默认修改编码 return None except ConnectionError: print ("Error occured") return None #解析目标网页 #title为房屋标题；name为小区名称；catogery为房屋类别(几室几厅) #size为房屋大小；region为区域；PV为看房人数； #second_feature为高低楼层；third_feature为房屋建筑时间 def parse_page_detail(dom_tree): try: title=dom_tree.xpath(//li/div[2]/h2/a/text()) name=dom_tree.xpath(//li/div[2]//div/a/span/text()) catogery=dom_tree.xpath(//li/div[2]//div//span[1]//span/text()) size=dom_tree.xpath(//li/div[2]//div//span[2]/text()) region=dom_tree.xpath(//li/div[2]//div[1]//div[2]//div/a/text()) PV=dom_tree.xpath("//li/div[2]//div[3]//span[@class=num]/text()") price=dom_tree.xpath("//li/div[2]//div[2]//span[@class=num]/text()") date=dom_tree.xpath("//li/div[2]//div[2]//div[@class=price-pre]/text()") first_feature=dom_tree.xpath(//li/div[2]//div[1]//div[3]//span[@class="fang-subway-ex"]/span/text()) other=dom_tree.xpath(//li/div[2]//div[1]//div[2]//div/text()) name1=[] catogery1=[] size1=[] second_feature=[] third_feature=[] for n in name: name2=n[0:-2] name1.append(name2) for c in catogery: catogery2=c[0:-2] catogery1.append(catogery2) for s in range(0,59,2): size2=size[s][0:-2] size1.append(size2) second_feature1=other[s] second_feature.append(second_feature1) for m in range(1,60,2): third_feature1=other[m] third_feature.append(third_feature1) return { "title":title, "name":name1, "catogery":catogery1, "size":size1, "region":region, "price":price, "PV":PV, "second_feature":second_feature, "third_feature":third_feature, "other":other } except: pass #对获得目标内容进行整理导出 #建立一个空的DataFrame df1=pd.DataFrame(columns=["title","name","catogery", "size","region","price","PV", "second_feature","third_feature","other" ]) i=0 if __name__=="__main__": urls=get_page_index() for url in urls: dom_tree=get_page_detail(url) result=parse_page_detail(dom_tree) df2=pd.DataFrame(result) df1=df1.append(df2,ignore_index=False,verify_integrity=False) i=i+1 print(i) #打印出目前爬取的页数 #保存数据到本地 df1.to_csv("D:\\Data-Science\\Exercisedata\\lianjia\\result.csv") df1.info#打印出爬虫结果的基本信息
通过上图可以看出，我们一共抓取到 2970 条房屋信息，9columns。
df1.head(3)#预览前3行
经纬度的获取
我们刚刚只是获取了一些出租房的基本信息，但是我们要想计算距离还需要获得这些出租房所在的地理位置，即经纬度信息。
这里的经纬度是获取的区域层级的，即大概属于哪一个片区，本次爬取的 2970 条房屋信息分布在北京的 208 个区域/区域。
关于如何获取对应地点的经纬度信息，这里利用的 XGeocoding_v2 工具：
获取经纬度信息的地址如下：http://www.gpsspg.com/maps.htm
得到如下的结果(LATB 表示维度，LNGB 表示经度)：
距离的计算
#经纬度的计算函数 # input Lat_A 纬度A # input Lng_A 经度A # input Lat_B 纬度B # input Lng_B 经度B # output distance 距离(km) def calcDistance(Lat_A, Lng_A, Lat_B, Lng_B): ra = 6378.140 # 赤道半径 (km) rb = 6356.755 # 极半径 (km) flatten = (ra - rb) / ra # 地球扁率 rad_lat_A = radians(Lat_A) rad_lng_A = radians(Lng_A) rad_lat_B = radians(Lat_B) rad_lng_B = radians(Lng_B) pA = atan(rb / ra * tan(rad_lat_A)) pB = atan(rb / ra * tan(rad_lat_B)) xx = acos(sin(pA) * sin(pB) + cos(pA) * cos(pB) * cos(rad_lng_A - rad_lng_B)) c1 = (sin(xx) - xx) * (sin(pA) + sin(pB)) ** 2 / cos(xx / 2) ** 2 c2 = (sin(xx) + xx) * (sin(pA) - sin(pB)) ** 2 / sin(xx / 2) ** 2 dr = flatten / 8 * (c1 - c2) distance = ra * (xx + dr) return distance #具体的计算 #Lat_A,Lng_A为你公司地址，这里以望京为例， #你可以输入你公司所在地 Lat_A=40.0011422082; Lng_A=116.4871328088 Distance0=[]#用于存放各个区域到公司的距离 region=[] for r in range(0,208,1): Lat_B=df3.loc[r][1];Lng_B=df3.loc[r][2] distance=calcDistance(Lat_A, Lng_A, Lat_B, Lng_B) Distance1={0:10.3f} km.format(distance) region0=df3.loc[r][0] Distance0.append(Distance1);region.append(region0) date={"region":region,"Distance":Distance0} Distance_result=pd.DataFrame(date,columns=["region","Distance"])***将距离以及区域与对应的小区拼接在一起，得到下面的结果。
进一步分析
#导入相关库 % matplotlib inline import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.style.use("ggplot") #导入合并后的文件 df=pd.read_csv("D:\\Data-Science\\Exercisedata\\lianjia\\lianjia-rental.csv",encoding="gbk",index_col="name") df.head()
通过 df.info() 可以看出，总共有 2454 条数据，这是在爬虫获取的 2970 条数据去重以后得到的。
在这些项中，size（房屋面积）、second_feature 以及 third_feature 均带有单位，为了后续分析方便，这里统一进行去单位（后缀）操作。
df["size"]=[i[0:-2] for i in df["size"]] df["Distance"]=[i[0:-2] for i in df["Distance"]] df["second_feature"]=[i[0:3] for i in df["second_feature"]] df["third_feature"]=[i[0:4] for i in df["third_feature"]] df.head()
我们把后缀去掉了，Size、third_feature 和 Distance 看上去是数字，但是通过 df.info() 看出，这两个指标类型依然是 Object。为了进一步分析，我们要对它们继续进行处理。
df["size"]=df["size"].astype(np.int32) df["Distance"]=df["Distance"].astype(np.float64) df["price"]=df["price"].astype(np.int32) df["third_feature"]=df["third_feature"].astype(np.int32) df.info()
再次通过 df.info() 看出，该是数字类型的指标全部变成了 int/float 了，可以进行下一步了。
在文章刚开头就说过，一般租房最看重的两个因素就是距离&价格，价格可以直接在那些租房网上看到，肯定是越低越好，没啥好说的。
主要是距离，关于距离，有两种选择方式，一种是先选出离你上班地最近的几个区域，然后再在该区域内具体选择；另一个是可以设定你可以接受的通勤距离，然后以这个距离作为条件，在小于等于这个距离内进行筛选。
我们这里着重以***种为主，先选择距离最近的几个区域，然后在这几个区域内进行选择。
因为距离是按 Region 来进行计算的，而表是按 Name 来统计的，所以要想计算出距离最近的 Region，需要先把 Region 和 Distance 部分提取出来，并合并成一个 DataFrame。
region=list(df.region) Distance=list(df.Distance) Distance_result_data={"region":region,"Distance":Distance} Distance_result=pd.DataFrame(Distance_result_data) Distance_result1=Distance_result.drop_duplicates() Distance_result1.head()
#距离最近的Top10区域 Distance_result1.sort_values(by="Distance").head(10)
可以看到，Region=“望京”距离最近，所以我们重点在该区域内选择，接下来具体看看该区域内租房情况。
Top1=df[df.region=="望京租房"]#将望京的租房信息筛选出来 Top1.info()
通过上表可以看到在望京区域总共有 101 套房源，接下来对这 101 套房源进行深入分析。
plt.subplot(131) ax1=Top1.boxplot("price") ax1.set_ylim(0,90000) plt.subplot(132) ax2=Top1.boxplot("size") ax2.set_ylim(0,270) plt.subplot(133) ax3=Top1.boxplot("PV") ax3.set_ylim(-5,100)
数据概览，先对该区域的租房整体情况有个认识，看到 Price 指标的下界为 5000 左右，上界接近于 30000，中位数为 10000 出头（有没有感觉到好贵哈哈哈哈），但是我们也看到有一个大于 80000 的超级异常值，我们利用截尾均值对他进行替代。
关于房屋大小，中位数为 100 平，这与 Price 中位数正好可以对应，折算下来相当于 1 平 100 大洋，在与那些 10 平左右的合租房需要 2000+ 大洋比一比，是不是觉得还是 100 平 10000 大洋便宜哈。
所以论一平米的价格的话还是整租更便宜。
先找出那个大于 80000 的异常值具体值是多少，然后进行值替换。
Top1[Top1.price>80000]#通过图表可以看出，异常值是大于80000，但是看不到具体是多少
这是将 Price 异常值处理以后得到的箱型图，看起来就比较规范了哈。
plt.rcParams["font.sans-serif"]=SimHei plt.subplot(311) grouped=Top1.groupby("second_feature")["price"] ax4=grouped.count().plot.bar() plt.subplot(312) grouped2=Top1.groupby("third_feature")["price"] ax5=grouped2.count().plot.bar() plt.subplot(313) grouped3=Top1.groupby("catogery")["price"] ax6=grouped3.count().plot.bar() plt.tight_layout()
通过上图可以看出：中楼层和高楼层的房源绝对数量基本持平，高出低楼层数量一半。
房屋修建时间也是 2003 年以后的居多，这就和前面的楼层类型可以对应上了，在刚开始的时候（2003 年以前）大部分房子都是低楼层，随着时代的进步，科技的发展，人员的增多，楼层的数量和房屋的数量也随之增加。
房屋类型上的 Top3 类型分别为：2 室 1 厅、3 室 2 厅和 1 室 1 厅。
#房屋修建时间与价格的散点图 Top1.plot.scatter(x="third_feature",y="price")
通过上图可以看出，随着时间的推移，2003 年以后的房子的 Price 要明显高于 2003 年以前的，如果要是对价格比较敏感，可以考虑 2003 年以前的房子。
Top1.boxplot(column=["price"],by="catogery") plt.tight_layout()
随着房屋类型的升级，价格也是随之升高，但是我们也发现，有一些三室房子的价格（下边界）要低于两室的价格的，如果对房间数量和价格都有要求的可以考虑这部分房源。
Top1.boxplot(column=["price"],by="second_feature")
通过上图可以看到三个楼层的价格下界基本持平，但是中楼层的中位数和上界价格是要明显高于其他两个房型的，这也很正常，中楼层相比于其他两个楼层的房屋是最宜居的啦，价格贵也正常。
当然了，对于现在租房都很困难的环境下，哪还考虑什么宜居，当然是挑价格低的房型。
Top1_PV=Top1.sort_values(by="PV",ascending=False).head(20) Top1_PV.head()
按 PV 进行降序，我们可以看出哪些房源是比较受欢迎，这些房源都有啥特征。
plt.rcParams["font.sans-serif"]=SimHei plt.subplot(311) grouped4=Top1_PV.groupby("second_feature")["price"] ax7=grouped4.count().plot.bar() plt.subplot(312) grouped5=Top1_PV.groupby("third_feature")["price"] ax8=grouped5.count().plot.bar() plt.subplot(313) grouped6=Top1_PV.groupby("catogery")["price"] ax9=grouped6.count().plot.bar() plt.subplots_adjust(left=0.2,right=1.0,top=1.6,bottom=0.2,hspace=0.5)
从图中可以看到，低楼层的房源数量不是最多的，但是看房次数却是最多的（***的），可能是低楼层价格低的原因吧。
2003 年和 2007 的房源 PV ***，这和该年代的房源绝对数量基本维持一致；两室一厅的户型最为火爆；在价格方面 10000 以下的房源比较受欢迎。
Top1_PV.plot.scatter(y="PV",x="price")
结论
通过上面的分析我们可以得出一些参考：
2003 年以前的房源的价格是要低于 2003 年之后的，对价格敏感的可以考虑 2003 年以前的房源。 有一些三室的房子价格是低于两室的，如果对房间数量和价格都有要求的可以考虑这部分。 中楼层的价格整体上是要高于低楼层的，但是还有一部分是要比低楼层低，而且通过从 PV ***的楼层来看，低楼层的火爆程度要比中楼层高，所以可以寻找那些不那么火爆但是价格还低的中楼层。 如果希望单位面积价格***，还是整租比较合适。注：本次的数据为链家网的整租房源信息，非合租信息，所以你会看到价格都很高。
张俊红，中国统计网专栏作者，个人公众号ID：zhangjunhong0428，数据分析路上的学习者与实践者，与你分享我的所见、所学、所想。
【原创稿件，合作站点转载请注明原文作者和出处为.com】
- Copyright © 2025 Powered by 最近租房有点烦！技术人如何用Python找到称心如意的“小窝”？,云智核 滇ICP备2023006006号-28sitemap