Étude sur Tokyo Rent en utilisant Python (3-3)

Extrait de résultat

Publié simultanément sur le blog: 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/


Méthode statistique 2

Programmes et résultats

Calculer la médiane pour chaque bâtiment

La raison en est que le nombre de propriétés dans le bâtiment est différent. Par exemple, s'il y a 50 propriétés par bâtiment, le poids sera 50 fois celui d'une propriété par bâtiment lors du calcul de la répartition. Prenez une valeur médiane pour chaque bâtiment afin qu'elle soit calculée uniformément.

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’)

Répartition des prix par quartier (23 quartiers)

#Graphique
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])

L2no2A.png


Répartition de la zone pour chaque quartier (23 quartiers)

#Graphique
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])

L2no2B.png


Calculer le prix moyen (prix / surface)

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

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

Répartition du prix moyen pour chaque quartier (23 quartiers)

#Graphique
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)

L2no2D.png


Relation entre le prix moyen et le temps de marche jusqu'à la gare

#Traitement des trames de données
dfmedian_reset = dfmedian.reset_index(level=’pid’)
dfmedian_reset[‘train’] = dfmedian_reset.apply(trainminute, axis=1)

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

L2no3.png


Relation entre le prix moyen et le type de bâtiment

dfmedian_reset = dfmedian.reset_index(level=’pid’)
dfmedian_reset[‘type’] = dfmedian_reset.apply(buildtype, axis=1)
fig = go.Figure()
for i in (['appartement','Appartement']):
    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)

L2no4.png


Autres résultats

Relation entre le prix moyen et le type de bâtiment L2no5.png


Relation entre le prix moyen et la structure du bâtiment L2no6.png


Relation entre le prix moyen et le parking L2no7.png


Relation entre le prix moyen et le parking L2no8.png


Répartition des dates d'achèvement (divisées en 23 quartiers et zones urbaines) L2no9.png


Carte thermique direction et prix du quartier, ville, village, village L3no1.png

Recommended Posts

Étude sur Tokyo Rent en utilisant Python (3-2)
Étude sur Tokyo Rent en utilisant Python (3-3)
Étude sur Tokyo Rent en utilisant Python (3-1 sur 3)
Diffusion sur LINE en utilisant python
Remarques sur l'utilisation de MeCab depuis Python
Remarques sur l'installation de Python à l'aide de PyEnv
Notes sur l'utilisation de rstrip avec python.
Installer Python sur CentOS à l'aide de Pyenv
Installez Python sur CentOS en utilisant pyenv
Remarques sur l'utilisation d'OpenCV avec Windows10 Python 3.8.3.
Exécuter du code Python sur C ++ (en utilisant Boost.Python)
Détectez la "luminosité" en utilisant python sur Raspberry Pi 3!
Installez la bibliothèque python sur Lambda à l'aide de [/ tmp]
Carte des informations de location sur une carte avec python
Exécutez un servomoteur en utilisant python sur Raspberry Pi 3
Détectez la température à l'aide de python sur Raspberry Pi 3!
Note d'apprentissage Python_002
Note d'apprentissage Python_000
Python sur Windows
twitter avec python3
Note d'apprentissage Python_004
Commencez à utiliser Python
python sur mac
Note d'apprentissage Python_003
Note d'apprentissage Python_005
Python sur Windbg
Scraping à l'aide de Python
Note d'apprentissage Python_001
Premier jour d'étude de Python
Construire l'environnement Python3.5 + matplotlib sur Ubuntu 12 en utilisant Anaconda
Remarques sur l'installation de Python3 et l'utilisation de pip sous Windows7
Installez Python 3.8.6 sur macOS BigSur à l'aide de pyenv
Python: essayez d'utiliser l'interface utilisateur sur Pythonista 3 sur iPad
Développement Python sur Ubuntu sur AWS EC2 (à l'aide de Jupyter Lab)
Détectez les commutateurs magnétiques à l'aide de python sur Raspberry Pi 3!
Remarques sur l'utilisation de dict avec python [Competition Pro]
Sonnez le buzzer en utilisant python sur Raspberry Pi 3!
Utilisez python + galbé pour générer des points uniquement à Tokyo
[Python] Remarques sur l'accélération des algorithmes génétiques à l'aide du multitraitement
Paramètres initiaux pour l'utilisation de Python3.8 et pip sur CentOS8
Conda Python avec Cygwin
Installer python sur WSL
Manipuler Redmine à l'aide de Python Redmine
Configuration de PyOpenGL sur Python 3
Installez Python sur Pidora.
Installez Scrapy sur python3
Séquence de Fibonacci utilisant Python
Installez Python sur Mac
Nettoyage des données à l'aide de Python
Vérifiez types_map lors de l'utilisation de mimetypes avec AWS Lambda (Python)
Installer des pandas sur python2.6
Utilisation des packages Python #external
python basic ② sous windows
Câblage Communication Pi-SPI avec Python
Installez python sur Windows
Calcul de l'âge à l'aide de python