利用pandas对在链家网爬取的租房数据进行清洗

Posted 2022-04-04 treacherousfly

爬虫代码可以参考这篇文章，全是干货，在此不再赘述。

爬下来的数据就可以进行数据清洗啦！首先确定需要处理的字段。因为后续准备做回归，所以我的变量设置是这样的：

清洗前的数据如下所示：

 

结合模型的变量、数据的字段，可以总结出数据清洗阶段需要完成的任务：

1. house_address中的区级行政区、街道和小区通过连字符连接，需要将其拆分
2. house_rental_area中的面积是字符串格式，需要删掉面积符号再将其转换为数字格式
3. house_layout包含了三个变量，需要将其切片
4. house_floor中的变量分为地下室、低楼层、中楼层、高楼层，需要将其转换为定序变量
5. house_rental_price中的价格是字符串格式，需要删掉单位再将其转换为数字格式
6. house_tag中只需要提取出是否精装、是否临近地铁两个定性变量
7. house_elevator、house_heating、house_electricity同属定性变量，需要将其分类为0和1。house_water与house_electricity都是反映房屋是否商用，故只保留house_electricity

需要注意的是：

1. house_layout字段中存在“x室x厅x卫”和“x房间x卫”两种表述方式，分析发现“x房间x卫”意味着没有living room，所以处理时现将“房间”换为“'室0厅”，以便后续切片
2. 有些变量中存在“暂无数据”字段，需要将这列数据删除
3. 爬下来的数据是有中文字符的，需要注意encoding的方式！总之utf_8_sig或者gbk都可以试试

需要用到的函数主要有：

1. df1['house_tag'].str.contains('精装')注意该函数返回的是布尔值
2. df1['room_num'] = df1['house_ayout'].str[0:1] 统计房间数量
3. df1['house_heating']=df1['house_heating'].repace(['自采暖','集中供暖'],[0,1])将‘自采暖’repace成0（int）；‘集中采暖’换成1
4. df1 = pd.concat([df,df['house_address'].str.spit('-',expand=True)],axis=1).drop('house_address',axis=1)按照‘-’分割得到三列再弃掉['house_address']列
5. df1.rename(coumns=0: 'house_district', 1: 'house_street',2: 'house_apartment_compexes', inpace=True)分割字符串得到的新的三列重命名
6. df1.drop(df1[df1["house_water"]=='暂无数据'].index,inpace = True)删除无效数据

 代码如下：

import pandas as pd
import numpy as np
df = pd.DataFrame(pd.read_excel("D:\\filename.xlsx"))
df.shape
df.info()
df.describe()

df1 = pd.concat([df,df['house_address'].str.split('-',expand=True)],axis=1).drop('house_address',axis=1) #按照’-‘切割
df1.rename(columns=0: 'house_district', 1: 'house_street',2: 'house_apartment_complexes', inplace=True) #重命名
df1['house_layout']=df1['house_layout'].str.replace('房间', '室0厅')
print('--------')
#print(df1['house_layout'].str[2:4])
df1.drop(df1[df1["house_water"]=='暂无数据'].index,inplace = True) #删除无效数据
df1.drop(df1[df1["house_electricity"]=='暂无数据'].index,inplace = True)
df1.drop(df1[df1["house_heating"]=='暂无数据'].index,inplace = True)
df1['room_num'] = df1['house_layout'].str[0:1]    #只需要统计房间、客厅、卫生间数量
df1['living_room_num'] = df1['house_layout'].str[2:3]
df1['bath_room_num'] = df1['house_layout'].str[4:5]
df1['subway'] = df1['house_tag'].str.contains('近地铁') #若house_tag中含有'近地铁'的描述，则新增的subway列中填上布尔值true
df1['refine'] = df1['house_tag'].str.contains('精装')
df1['house_heating']=df1['house_heating'].replace(['自采暖','集中供暖'],[0,1])
df1['house_gas']=df1['house_gas'].replace(['无','有'],[0,1])
df1['house_electricity'] = df1['house_electricity'].replace(['商电','民电'],[0,1])
df1['house_rental_area']=df1['house_rental_area'].str.rstrip('㎡')
df1['house_rental_price']=df1['house_rental_price'].str.rstrip('元/月')
df1['house_rental_area']= pd.to_numeric(df1['house_rental_area']) #字符串转换为数字
df1['house_rental_price']= pd.to_numeric(df1['house_rental_price'])
df1['house_floor1'] = df1['house_floor'].str[0:1] #只需要切第一个字就可以完成分类
df1['house_floor1'] = df1['house_floor1'].replace(['地','低','中','高'],[0,1,2,3])
#print("Datatype of Cost column after type conversion:")
#print(df1['house_rental_area'].dtypes)
df1=df1.replace([True,False],[1,0])  #将前面的布尔值换成0、1以便回归
df1.to_csv("D:\\filename.csv",encoding="utf_8_sig")

清洗后的数据的部分字段如下所示：

总之数据清洗要结合手上的数据进行具体的字段、数据类型的分析，然后多翻阅一下pandas手册就可以啦！