光棍節之夜，用數據分析幫女神學姐選婚房

（本文成文於2015年11月12日，爲做者原創，發佈在博客園方便諸君閱讀）

前段時間發了一篇分析房價的文章，因而這兩天在微信上諮詢個人朋友絡繹不絕。今天是光棍節，我什麼都沒搶到。下午，有一位學姐在微信上找我，懷着激動的心情打開微信。

學姐說，「看到你以前發的文章了，能不能幫我在北京選一套婚房啊？」

學姐求我，焉有不該。因而，咱們約了今天晚上在北郵校園的零一咖啡廳見面。學姐是咱們實驗室比我大兩級的女神，追求者衆，聽說要找男友只找BAT三家的高富帥，據說後來找了個360的男友。畢業兩年，就準備買婚房了，太使人羨慕了。看看我能不能幫忙吧！

坐在咖啡廳，我從新運行了數據採集程序，抓取光棍節當天全部的二手房數據，這個過程要花15分鐘。趁着這個時候，我開始詢問學姐對婚房具體需求。

學姐說，她但願能找面積在70平以上，130平如下的比較新的房子。至於預算，如今兩家人拿出了180萬的首付，我當時就震驚了。我幫她算了一下，她男朋友的工資一個月兩萬，按照貸款三十年，每月還款不超過收入的51%計算，總共能貸大概140萬。所以，預算在320萬左右。

正好15分鐘過去，數據採完了，總共10W套左右，基本上包括了絕大多數北京二手房。大概是下面這個樣子（省略了一部分信息）：

可選數量：10W套

我按照學姐的要求，選擇了70到130平，價格在350萬如下的全部房子，總共3W套。看來可選擇的還挺多的啊。平均面積93平，單價2.34萬。

按面積和價格篩選：30498套

她忽然又說，不喜歡太老的房子。

確實如此，房子不能太老，不然水暖電和房子的質量都會比較差，之後也很難出手。因而，我用正則表達式，從每一個房子的所有信息裏，抽取房子的年份，並選擇1997年之後的房子。97年之後，大戶型開始多了起來。看了看，還有2.5萬套左右。

選擇1997年以後：2.5W套

學姐又說，她不想上班太遠，位置也不想太偏。

我心想，恩，要離老公近一點，但是，怎麼定義不遠呢？我打開了地圖，告訴她，你來選一個區域範圍吧！

學姐用纖纖手指，在屏幕上畫了一個框，我仔細看了一下，大概是這個樣子：

這個區域，西至玉泉路，東到東五環，南到長安街，北到立水橋。我以爲頗有意思，問學姐，長安街以南有好多單價較低的東西城區的房子，爲何不考慮呢？

她說，「男友在北邊，這樣上班方便。再說，寧要北邊一張牀，不要南邊一間房，因此固然要買長安街以北的房子啦！」

她選的其實還挺有道理，北邊過了立水橋，就是昌平的天通苑了，連我都據說過天通苑國的傳言，天天出入境極其困難，她男友怎麼捨得讓她早高峯在天通苑地鐵站擠地鐵呢，那個情景，大概是下面這個樣子（男默女淚）。

我分析了一下座標，這個矩形範圍大約在東經116.25到116.53度，北緯39.91到40.059度之間。一個表達式跑下來，總共只剩下2400套左右的房子了。

選定地圖區域：2400套

按照不一樣區域進行劃分，就能看到下面的柱狀圖：

看來基本上只能在朝陽，海淀，燕郊三個地方買房子了。學姐不會考慮燕郊。她說，竟然還有西城區的房子！

我也深感奇怪，1998年後，竟然還有單價在5W之內的西城區的房子？看了一下，西城有18套，東城有17套。

若是能買到西城的房子，學姐真是賺大了！因而我趕忙檢索那些西城的房子出來：

單價才三萬八！這怎麼可能，隨便找了兩個仔細一看，原來一個是地下室，另一個是商住兩用的房子。

學姐問我，什麼是商住兩用？我告訴她，所謂商住兩用就是商水商電，小產權，不能落戶口。

學姐說，堅定不要地下室，並且必定能落戶口。

這個也難不倒我，中介固然不會傻到在標題上標註地下室和商住兩用。但一般商住兩用，會標明「不限購」，各類「大廈」，「中心」，「投資」的，確定都是沒法落戶的，用關鍵字篩掉它們！

keywords = re.compile(u'商|地下|限購|大廈|中心|投資');

學姐眉頭一皺，「忘了告訴你了，我要兩室或者三室的房子，必定要帶客廳」。我想了幾秒鐘，看來還得正則表達式出馬：

housetype = re.compile(u'(2|3)室(1|2)廳');

這樣，西城東城的房子完全乾掉了，一套都沒有。我告訴學姐，你如今只能選擇朝陽和海淀的房子了。此時，可選的房子數量共計1000套左右，只佔總數的不到1%。

不要小產權，商住兩用和地下室，兩室/三室帶客廳：1000套

接下來按照區域選房子。咱們按照區域排序分組並求數量，獲得了下面這張表：

學姐問道，這麼多商圈，不少地方聽都沒聽過，怎麼選？我把數據導出成文件，導入到基於百度地圖的可視化工具工具裏，匯出了這樣的一張圖，每一個地方有多少套房子，一目瞭然。按照大區來劃分，可選項主要集中在北苑，清河，望京和十里堡附近。

學姐想了想，說，男友所在的科技公司在東邊，我在中關村上班，因此北苑應該是個不錯的選擇，正好是兩我的的上班的中點，酒仙橋地鐵並不方便，因此暫時先不考慮。

啊，學姐好贊！ 如今應該比較明確了。

咱們來重點考察一下北苑，按照小區來劃分(PID是數量，year爲小區平均年份，單價爲平均單價)

咱們將地圖縮放到北苑，每一個小區有多少套合適的房子，即可一目瞭然。

學姐說，這價格差異仍是挺大的，從2.7W到3.9W都有。爲何區別這麼大呢？

我說，這可能和房子年份有關，越新的小區，房子確定會越貴，爲了證實個人猜想，我作了以下的線性迴歸曲線：

通過計算，皮爾遜相關係數在0.63左右，可見，對於比較新的非學區房來講，建造年份和價格強相關。

爲何天怡家園和茉藜園只有一條秋實街相隔，二手房可選擇性（天怡家園6套，茉藜園51套）卻差異這麼大呢？仔細對比了兩個小區的基本信息，可能緣由有兩個，茉藜園（3559戶）比天怡家園（690戶）的規模大了不少，並且天怡家園是部委聯合建房，因此相對來講多一些。總體交易活躍度不高。

選擇具備性價比的房子

學姐說，如今硬性條件都知足了，怎麼來選擇最有性價比的房子呢？

先說價格，學姐忽然問我，成交價就是中介網上標明的價格嗎？ 我偷笑了一下，心想，「看來學姐是徹底不懂啊」。中介固然要收中介費的啊，某著名中介通常是成交價的2.7%。下面是商品普通住宅的額外支出狀況：

我接着說道，這是普通商品房的稅率，若是是經濟適用房，須要交納10%的綜合地價款，若是是公房，還須要交納土地出讓金…

學姐打斷我，這個太複雜了！

確實啊，這些政策足夠寫好幾張紙，我本身也不是很清楚。咱們先考慮那個表裏的狀況吧。

修正實際交易價格

 

其實仔細觀察中介的標籤就能發現，若是是滿五年惟一或滿兩年惟一，必定會標上。若是不惟一，就什麼都不標。從這些特徵，可以計算出每套房子的實際成交額，這個步驟可能會出錯，。

我回答，這看你怎麼定義性價比了。基本上，一分價錢一分貨，能從下面幾個角度來考慮：

• 戶型：僅次於位置的最重要因素
• 採光：即便作不到明廚明衛，也最少作到明室明廳。
• 學區：旁邊是否有不算太差的幼兒園和小學
• 升值空間：房子將來是否好出手。

學姐問，90多套房子，這個讓我怎麼選啊，能讓機器幫我選擇一下嗎？

這可以讓我犯了難，戶型圖均可以查到，但讓程序去作自動識別，並計算採光，這實在是太難了，只能讓學姐本身來選了。

採光也無法自動識別，但能經過中介給出的評論中提取關鍵詞，繪製詞圖，提升篩房效率。

學區和升值空間相對比較容易，把北苑全部的學校，幼兒園，以及將來地鐵的建設狀況繪製出來，便可做爲直接的參考。

即便在2020年，北苑的地鐵線路依舊不夠發達，只增長了勇士營一站。勇士營站的位置，靠近來春園和北京青年城，能夠認爲將來有較好的升值空間。

繪製北苑全部的幼兒園

以學姐的狀況，估計之後還會換學區房，咱們姑且將附近的幼兒園繪製出來：

（時間所限，筆者沒有標註每一個幼兒園的狀況，以後有專門的學區房專題進行分析）

提取中介點評關鍵字，作成詞雲，方便觀察

因爲中介對每套房子的評價內容特別多，所以一條一條觀察會很是浪費時間。我不得不動用天然語言處理技術，對剩餘的90多套房子，提取點評關鍵詞。

因爲中介對每套房子的評價內容特別多，所以一條一條觀察會很是浪費時間。我不得不動用天然語言處理技術，對剩餘的90多套房子，提取點評關鍵詞：

綜合評價排序表格

爲了方便學姐快速地從90套房子中選取本身中意的房子，我生成了這些房子的詞圖，座標圖和房型圖。

另外一方面，考慮對這些房源進行排序，但如何評價房子的綜合好壞呢？

通常來講，看房的人越多越火，但不排除掛出來好久都沒人看上，所以用每個月平均看房次數比較合適。另外，更好的房子會有更多的中介小哥對其進行評價，房評熱度較高。所以，使用下面的公式來計算房子的評價：

 

綜合評價=(總看房人數/已掛出時間)∗0.2+經紀人評論數量∗0.8

(獲取掛出時間的方法請參考附錄，公式的權重參數是我瞎編的)

我花了五分鐘生成了一個word文檔，能很是方便地進行對比，選擇恐懼症福音，就像下面這個樣子：

 

我接着說，接下來就靠你和你男友對戶型進行篩選，選出20-30套以爲不錯的房子，綜合地鐵商場幼兒園地圖，制定看房計劃，聯繫中介，最後肯定最合適的房子，這樣會比較有效率。

 

學姐看完之後，很是開心，說道，太棒了太棒了，這樣我選房就一目瞭然，你把你生成的這份文檔拷到我U盤上吧！

這時，學姐掏出了一個很是精緻的愛心優盤，說道「不要隨便亂看哦，這裏面有我和我男票的愛之皁片」。

心塞啊。。。我把優盤插在電腦上準備拷貝，順便問學姐，你難道不考慮酒仙橋，清河的房子嗎？好像中關村也有符合你要求的房子呢，那裏比北苑地理位置好多了。。。

學姐表情一變，啊啊啊啊，是啊，我到底該怎麼選啊，你知道我有選擇恐懼症。。。你再幫我選一下吧。。。

我：。。。。。。

這時，外面有汽車鳴了兩下笛，學姐的電話也響了，應該是她的BAT男朋友來了。

她一看手機，啊，我男友來接我了，學弟今天謝謝你！因而拿起包包轉身急匆匆地就出門了。。。

哎，準備回家吧，看看能不能趁雙十一回去搶個襪子。正要收拾電腦，

「學姐，你的優盤！」

備註：

本文成文於2015年11月12日，，請聯繫微信公衆號「沙漠之鷹」。全部數據和分析都來自真實數據，但並不保證事件和人物存在，若有雷同，純屬巧合。

1.越新的小區越貴？

爲了證實個人猜想，我根據北苑20個小區的價格和年份進行計算，皮爾遜相關係數在0.63左右，可見，對於比較新的非學區房來講，建造年份和價格強相關。

2.計算二手房稅費和手續費的方法

中介固然不會傻到真正交多少稅寫在頁面上，但仔細觀察頁面標籤就能發現，若是是滿五年惟一或滿兩年惟一，必定會標上。若是不惟一，就會標「房本滿兩年」。從這些特徵，可以計算出每套房子的實際成交額。

目前北京二手房我的所得稅的計算只要能覈實房屋原值，均要按照（出售價— 房屋原值 — 合理費用）× 20%的方法計算，不能覈實原值的，個稅以本次房屋交易價格按覈定徵收率1%計算。但因爲本次計算不能知道房屋原值，所以按1%處理。

稅費因政策更新已經修改屢次，所以網絡上說法不一，異常複雜，表格中的數據，是我按照330新政的信息校對過的。

好笑的是，同一套房，不一樣中介代理標註的信息都不同：

3.爲何要本身選好大體的區域

每一箇中介的門店只負責特定的範圍。所以雖然中介能提供一個小區裏的詳細信息，但很難也一般不會幫你介紹其餘位置的房型。所以按照需求明確本身所需的區域，再去選擇當地的門店，是很是重要的。

4. 獲取房屋在中介登記的時間

信息中並無明確提到登記時間，這對咱們計算房子綜合評價很重要。怎麼辦呢？

笨蛋！固然是獲取第一個房評人的評論時間啊，他是登記這個信息的人！

 

 

沙漠之鷹：以程序員的視角，分析數據，解構模式，發現洞見，歡迎關注微信公共號：