Ergebnisauszug

Gleichzeitig im Blog gepostet: https://leoluistudio.com/blog/42/python%e3%82%92%e4%bd%bf%e3%81%a3%e3%81%a6%e6%9d%b1%e4%ba%ac%e9%83%bd%e5%ae%b6%e8%b3%83%e3%81%ab%e3%81%a4%e3%81%84%e3%81%a6%e3%81%ae%e7%a0%94%e7%a9%b6-4%e3%81%ae3/

Statistische Methode 2

Programme und Ergebnisse

Berechnen Sie den Median für jedes Gebäude

Der Grund ist, dass die Anzahl der Immobilien im Gebäude unterschiedlich ist. Wenn beispielsweise 50 Objekte pro Gebäude vorhanden sind, beträgt das Gewicht bei der Berechnung der Verteilung das 50-fache des Gewichts von 1 Objekt pro Gebäude. Nehmen Sie für jedes Gebäude einen Medianwert, damit dieser gleichmäßig berechnet wird.

conn = sqlite3.connect(‘info.db’)
df = pd.read_sql_query(“SELECT pid,price,area FROM price”, conn)
conn.close()

df[‘municipal’] = df.apply(municipal, axis=1)
dfmedian = df.groupby([‘pid’, ‘municipal’])[‘price’, ‘area’, ‘average’].median()
dfmedian_reset = dfmedian.reset_index(level=’municipal’)

Preisverteilung nach Stationen (23 Stationen)

#Graph
fig = go.Figure()
for i in m23_list:
    dfgroup = dfmedian_reset[dfmedian_reset[‘municipal’] == i]
    fig.add_trace(go.Box(x=dfgroup[‘price’], y=dfgroup[‘municipal’], boxpoints=False))
fig.update_traces(orientation=’h’, showlegend=False)
fig.update_xaxes(range=[0, 500000])

Flächenverteilung für jede Station (23 Stationen)

#Graph
fig = go.Figure()
for i in m23_list:
    dfgroup = dfmedian_reset[dfmedian_reset[‘municipal’] == i]
    fig.add_trace(go.Box(x=dfgroup[‘area’], y=dfgroup[‘municipal’], boxpoints=False))
fig.update_traces(orientation=’h’, showlegend=False)
fig.update_xaxes(range=[0, 100])

Durchschnittspreis berechnen (Preis / Fläche)

def average(df):
    return int(df[‘price’] / df[‘area’])

df[‘average’] = df.apply(average, axis=1)

Verteilung des Durchschnittspreises für jede Station (23 Stationen)

#Graph
fig = go.Figure()
for i in m23_list:
    dfgroup = dfmedian_reset[dfmedian_reset[‘municipal’] == i]
    fig.add_trace(go.Box(x=dfgroup[‘average’], y=dfgroup[‘municipal’], boxpoints=False))
fig.update_traces(orientation=’h’, showlegend=False)

Verhältnis zwischen Durchschnittspreis und Gehzeit zum Bahnhof

#Datenrahmenverarbeitung
dfmedian_reset = dfmedian.reset_index(level=’pid’)
dfmedian_reset[‘train’] = dfmedian_reset.apply(trainminute, axis=1)

#Graph
fig = px.scatter(dfmedian_reset, x=’train’, y=’average’, height=500, width=1000)

Verhältnis zwischen Durchschnittspreis und Gebäudetyp

dfmedian_reset = dfmedian.reset_index(level=’pid’)
dfmedian_reset[‘type’] = dfmedian_reset.apply(buildtype, axis=1)
fig = go.Figure()
for i in (['Wohnung','Wohnung']):
    dfgroup = dfmedian_reset[dfmedian_reset[‘type’] == i]
    fig.add_trace(go.Box(x=dfgroup[‘price’], y=dfgroup[‘type’], boxpoints=False))
fig.update_traces(orientation=’h’, showlegend=False)
fig.update_xaxes(range=[0, 500000])
fig.update_layout(height=500, width=1000)