应用Python来支持姑妈买房!Python“买”房比他本人买便宜二80000

1、Python基础

Python是壹种面向对象、解释型自由语言,语法简洁清晰、基础代码库丰富,覆盖网络、文件、GUI、数据库、文本等世界。并能和别的主流语言沟通帮助制作。Python重要分为Cpython、Jpython、IronPython、PyPy等。解释型语言可移植行好,不过运转速度未有编写翻译型语言,其次解释型语言源码无法像编写翻译型那样编写翻译成2进制串加密。

图片 1

 


二.二.柒 尼科西亚房源成交量热力模型

后来买房的时候唯有多少人来了,没有错A太太没来,说是不想来听我们忽悠。选房的时候B先生当然更看好二个楼堂馆所更加高的户型的,但思量到房价跟爱妻一研究就决定或然选低几层的同多个户型。后来多个人舒服的就交了钱把房定下来了。四人全程有商有量的令人相当羡慕,一贯讲的互济大致便是以此长相吧。而A先生则在边缘好窝心。

二.2.二 布拉迪斯拉发房源维度分析

深圳房源按多维度剖析成交量/成交价趋势和Pearson周密分析;放盘量和反叛价分析;房源内部参数(如贰.1.一)量化分析,房源外部参数量化分析等办法。末领悟释大家购房时比较关心难题如怎么买的想望的好房,哪天是买房最棒的空子等。

图片 2

 

后来就直接据他们说A先生跟太太四处去看房屋了,贵的买不起,便宜的看不上。就这么壹边衰颓着1只望着。

2.贰.八 卡萨布兰卡房源成交量和成交价Pearson周全

//TODO
总括Pearson周详,明确量价比关系,确认尼科西亚房源当前景况和预测接下去也许的情况(有价有市,有市无价,有价无市),判断当前是还是不是改上车。

有的是时候买房是个机会,不管刚需仍旧投资都以,蒙受合适的即将果断的抢占才不至于懊悔。希望每一个人都能科学过。

贰.二数量解析 //TODO

大数额时期的互连网爬虫爬取到有效消息,供给经过延续清洗、加工、总括、分析、建立模型等拍卖办法。数据解析是构成有效消息并详细商讨和包含形成结论的经过。在实用中,数据解析可支持人们作出判断,以便利用方便行动。

再有对客户有过之而无不比,也是儒生先来看的屋宇,觉得各地方都适用就控制要买,第壹带太太过来看,可那太太挑三拣四的就是不愿意买房,动不动还扯出在此在此之前生活中的争辨来说,搞的多人在售楼部就吵起来了,前面丢下一句不买了就回到了。过了三个礼拜多个人又来了,说要买可是那时他们看的这套从未了,有其他楼层相同的户型的实际上也1如既往,太太正是永不还非说是一槌定音了跟他没缘,有钱还怕买不到房子就走了。后来听闻依旧回家里盖了栋房屋。

二.2.壹 德国首都购房词云分析

遵照链家爬取样319九条待售房源,购销二手房产大家最关系的参数指标词云图。如图所示大家最关怀的满5牛,户型方正等。在购房的的时候我们得以按此词云图详细询问各类要求大家关心的参数目标,心有成竹。

图片 3

 

#词云图def drawWordCloud(fileName):

d = path.dirname(__file__) # Read the whole text.

text = open(path.join(d, fileName), encoding=’utf-8′).read() # Generate
a word cloud image 中文必须钦赐地点中文编码

wordcloud = WordCloud(font_path=”C:WindowsFontssimsun.ttc”, width=2400,
height=1800).generate(text) # Display the generated image:

plt.imshow(wordcloud)

plt.axis(“off”) # lower max_font_size

wordcloud = WordCloud(max_font_size=40).generate(text)

plt.figure()

plt.imshow(wordcloud)

plt.axis(“off”)

plt.show()

有的是时候我们都认为有点失去是因为登时的尺度不允许可能是外因的打扰,但深究下去就会意识具有的结果都以来源于大家内心深处的挑三拣肆。失去与收获都以尘埃落定的。

二.贰.三 布Rees班房源数据模型

图片 4

 

A先生最早来楼盘看的房子,当地人首套房刚需客户。楼盘属Yu Gang开发的区域广阔的配套不是那么完美,但价格是整套区域最利于的,再者高校跟医院菜市集那一个骨干的生存配套依旧有,且离的挺近的。刚好当时的购房政策可以首付两成,所以任何都正好好。A先生春风得意的说回家跟老伴说,等开盘就来定房。

2.壹.一 Python教你买房维度目标种类

Python教您买房首先大家需求分明大家购房时最关切的维度体系和指标体系。关怀主要维度和严重性指标种类如图所示:

图片 5

 

Python教你买房,分为数据爬虫和大数据解析。首先通过爬虫方式取得到柏林房产交易网成功交易量和交易价格并得出阿布扎比房价的大势,得到最合适的购房时间段,确认最佳的上车时间。然后爬取链家网数据并按用户关切维度深度分析帅选得出适宜的房屋,做好全方位上车的预备。

图片 6

 

相差B先生买房八个月后,有1天A先生突然跟自家关系,问楼盘是不是有房子了,带太太过来看,因为爱人终于允许买房了。作者很心痛的告诉A先生明天的首付款比例上调了1/10而且那期的房价在上期的功底上上升了,要买真的要赶紧了。后来A太太就一向觉得本身吃亏了,要多花钱买同3个小区的房舍,遂作罢。

贰.1.3 Python教您买房类别

①、网页观望

第3分明爬取链家网布拉迪斯拉发房源,明显开场馆址http://sz.lianjia.com。通过上一页和下一页完整的URL比较组装符合筛选条件的房源链接。通过chrom的开发者工具的network,并把preserve
log勾选,清空Filter后刷新网页,观望网页html代码。

2、网页爬取

因此Python三的requests库提供的HTTP请求Get/Post通用方法模拟浏览器请求生成全数符合规则的UXC90L放入到行列,并循环请求符合须要的住房来源新闻。请求响应html通过BeautifulSoup解析html,并由此find_all协作正则表明式提取到html有效数据并写入到文件待分析。

3、多线程

爬虫最后目的正是爬取到越多符合用户供给的数量,假使单线程执行,抓取功能有限,因而爬虫要求加上二十八线程机制。八线程的贯彻方式有二种,如thread,threading,multithreading,在那之中thread偏底层,threading对thread实行了肯定打包。Python实现三十二线程的主意有三种函数或类包装。

 #多线程方式
 for i in generate_allurl(user_in_nub, user_in_city): #获取某城市
 print(i) for url in get_allurl(i):
 my_thread = threading.Thread(target=main, args=(url, arrIPList))
 my_thread.start() print(url)
 my_thread.join() print("current has %d threads" % (threading.activeCount() - 1)) #当前存活线程
 #线程池方式
 pool.map(main, [url for url in get_allurl(i)])

4、Headers设置

为回避反爬虫策略,后端请求须要效法用户通常用户从浏览器请求,因而要求添加请求头。设置方法如下:

header = {'Accept': '*/*', 'Accept-Language': 'en-US,en;q=0.8', 'Cache-Control': 'max-age=0', 'User-Agent': 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/48.0.2564.116 Safari/537.36', 'Connection': 'keep-alive', 'Referer': 'http://www.baidu.com/'}
res = requests.get(url, headers=header)

5、Session设置

6、IP代理池

爬虫出现就诞生了反爬虫,反爬虫的面世就催生了反反爬虫,教育家黑格尔说过存在就是合理合法。因而不少技术正是在伯仲之间中国和东瀛益成长。链家网是有反爬虫IP封锁机制,为了幸免反爬虫链接网限制爬取到越多多少样本帮忙与分析。因此利用IP代理池的方法,每一回请求都随意获得IP和端口访问外部网址。获取IP代理池的办法有付费的和免费的点子可活动网上抓取并分析。

proxies={"http":"http://10.14.36.109:8080"}res = requests.get(url, headers=header, proxies=proxies)

7、监控

爬虫抓取是一个耗费时间较长的工程,因而要求加上监察和控制,定时报告抓取进程到业务方,确认整个爬虫程序是或不是正规实施。//TODO

过了2个多星期A先生再度恢复生机售楼部,这一次除开带了太太外还带了恋人B先生跟爱妻。在打听项目标宗旨思况的时候,B先生跟内人时不时的会用家长话聊几句,基本都是说道地方合不相宜,他们的钱够不够付首付,小孩上学是不是有利于类似的标题。A先生因为事先来过相比较掌握景况,有时候也会给她两介绍下。两家估量平时的关系都挺好的,后来坐下来聊的挺欢的,从老家的房屋到前几天的娃上学的事都聊了个遍,后来提及买房的事,一直没怎么说话的A太太终于打开了话匣子:“大家家老A向来就不是有钱的命,从成婚到前些天怎样不是靠的大家协调啊,这几个你们也掌握家里根本靠不上。以后见到大家都到城里来买房了就也眼红了,那天回到就跟笔者说哪哪的房屋多少钱一平,要不大家也买到壹套来,反正作者是觉得未来买不可信,家里还两幼儿正要开支的时候,后年大的就要上高级中学了,那手里无法没点钱吗。而且那房子这么多年了哪有老是涨的道理啊,哪有那么多少人要买房子的,还不是被他们炒起来的。”A先生刚想张嘴太太多个白眼瞪过来也不吭声了,临走的时候B太太积极加了自家的微信跟要了联系格局说是回来想起有怎么样不懂的再来问作者。

二.2.5 柏林(Berlin)房源均价涨速热力模型

//TODO
鲜明涨速最快,最具投资价值的区域,数据来自官网卡塔尔多哈房土地资金财产消息系列:http://ris.szpl.gov.cn/default.aspx

二.贰.六 贝鲁特房源成交量热力模型

//TODO

1.1.2 Linux

设置Python三.x.x,通过pip安装供给的第一方库。

二.1.贰 Python教你买房框架

Python教您买房框架,首要分为五块,分别为主程序模块、代理IP模块、地图服务模块、可视化服务模块、指标页面模块等。主程序为率先运营代理IP模块,抓取带来IP并经过测试可用代理IP存入到代理池,定时线程定时清洗带来并把无效的带来IP剔除出代理池,代理IP模块并提供外部API获取代理IP。主程序通过代办服务走访并抓取外部网页的有用新闻并在主程序模块理解习HTML并写入到当和姑件。主程序会调用地图服务赢得经纬度消息,并绘制热力图等。同时间可视化模块定时读取文件并转移可视化图形报表供业务侧分析应用。

图片 7

 

1、主服务模块

主程块通过Api提供给前端用户登录和收获用户交互输入,通过参数解析获取获得用户的急需组装请求,获取代理IP转载呼吁到对象地方获取指标数据,再次回到数据经过html解析获得有效数据写入到文件地图服务和可视化服务生产本人的图纸报表,辅佐得出Python教您买房的多寡支持。

二、IP代理服务模块

#!/usr/bin/env python3# -*- coding: utf-8 -*-# function:定时抓取免费代理IP,并检查可用性,可用proxy存入数据库供业务方调用获取# Author:elideng# date: 2017-11-11import requestsfrom bs4 import BeautifulSoupimport tracebackimport pymysqlimport threadingimport time'''
*@Function【爬取IpProxy】
*@Request: 请求 [in]
* param1 int iReqGetNum: 请求获取代理量
*@Response:响应 [out]
* param1 int iFinalGetNum: 最终获取代理量
*@Return:返回值 int : 0(成功) 其它失败
'''def GrabIpProxy():
 arrIpList = []
 User_Agent = 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'
 header = {}
 header['User-Agent'] = User_Agent #url = 'http://www.xicidaili.com/nn/1'
 url = 'http://www.baidu.com'
 res = requests.get(url, headers=header) if res.status_code == 200:
 info = {}
 soup = BeautifulSoup(res.text, 'lxml')
 ips = soup.findAll('tr') for x in range(1, len(ips)):
 ip = ips[x]
 tds = ip.findAll("td")
 ip_port = tds[1].contents[0] + ":" + tds[2].contents[0]
 arrIpList.append(ip_port) #后续加上代理可用校验,非可用踢出代理池
 #print(ip_port)
 #计算列表量
 return arrIpList'''
*@Function【测试ipProxy是否可用】
*@Request: 请求 [in]
* param1 String desUrl: 测试目的地址
* param2 String ipProxy:代理IP端口
* param3 int iTimeout:超时时间
* param4 String feature:目的地址特征
*@Response:响应 [out]
* param1 int iFinalGetNum: 最终获取代理量
*@Return:返回值 :成功返回代理Proxy 失败返回空
'''def checkProxyIP(desUrl, ipProxy, iTimeout=3, feature=""): #确认带来iPaddress 2秒内能否
 #desUrl = 'http://www.baidu.com'
 header = {'User-Agent': 'Mozilla/5.0 (Windows NT 6.3; WOW64; rv:43.0) Gecko/20100101 Firefox/43.0'}
 proxies = {'http': 'http://' + ipProxy} #组装代理
 res = None # 声明
 exMsg = None
 try: #res = requests.get(url=desUrl, headers=header, proxies=proxies, timeout=iTimeout)
 res = requests.get(desUrl, proxies=proxies, timeout=iTimeout) # 代理方式请求,防止反爬虫
 soup = BeautifulSoup(res.text, 'lxml') #feature=""
 #print(soup.findAll(feature))
 except:
 exMsg = '* ' + traceback.format_exc() if exMsg: return -1
 if res.status_code != 200: return -1
 if res.text.find(feature) < 0: return -1
 return 0#更新代理池IPdef updateProxy(ipProxy, vaildFlag="N"):
 smysql = pymysql.connect(host='127.0.0.1', user='root', passwd='elideng', db='test')
 cursor = smysql.cursor() try:
 cursor.execute('update t_proxy set FvaildFlag="%s" where Fproxy="%s" limit 1' % (ipProxy, vaildFlag))
 smysql.commit() #提交执行
 except:
 smysql.rollback()
 smysql.close() return 0#新增代理池IPdef insertProxy(ipProxy, vaildFlag="Y"):
 smysql = pymysql.connect(host='127.0.0.1', user='root', passwd='elideng', db='test')
 cursor = smysql.cursor() try:
 cursor.execute('insert into t_proxy values("%s", "%s", now(), now())' % (ipProxy, vaildFlag))
 smysql.commit() #提交执行
 except:
 smysql.rollback()
 smysql.close() return 0#获取Proxydef getProxy(proxyNum):
 smysql = pymysql.connect(host='127.0.0.1', user='root', passwd='elideng', db='test')
 cursor = smysql.cursor()
 proxyList=[] try: if proxyNum == -1:
 cursor.execute('select Fproxy from t_proxy where FvaildFlag='Y'') else:
 cursor.execute('select Fproxy from t_proxy where FvaildFlag='Y' limit %s' % (proxyNum))
 results = cursor.fetchall() for row in results:
 proxyList.append(row[0]) except: # Rollback in case there is any error
 smysql.rollback()
 smysql.close() return proxyListdef CheckIpProxyTimer():
 arrIpList = []
 arrIpList = getProxy(-1) #获取代理池全量有效代理IP
 #测试地址
 #feature = 'xxx' #目标网页的特征码, 暂时不启用
 desUrl = "http://www.baidu.com"
 for ipProxy in arrIpList:
 iRes = checkProxyIP(desUrl, ipProxy) if iRes: #Proxy验证通过
 setProxy(ipProxy, "Y") else:
 setProxy(ipProxy, "N") #失效无效代理if __name__ == '__main__': #0、爬取免费代理IP
 GrabIpProxy() #1、启动定时线程,定时测试并清洗数据库代理IP
 timer = threading.Timer(3600, CheckIpProxyTimer)
 timer.start() #2、设置定时器失效时间
 time.sleep(5)
 timer.cancel() #5秒后停止定时器,程序可一直执行

三、地图服务模块

#!/usr/bin/env python3# -*- coding: utf-8 -*-# Author:elideng# date: 2017-11-08from urllib.request import urlopen, quoteimport jsonfrom bs4 import BeautifulSoupimport os#根据地址获取经纬度def getlnglat(address):
 url = 'http://api.map.baidu.com/geocoder/v2/'
 output = 'json'
 ak = 'ATzU2rqfrFoQcImvG9mvGm9bxchxjLYL'
 add = quote(address) #由于本文地址变量为中文,为防止乱码,先用quote进行编码
 uri = url + '?' + 'address=' + add + '&output=' + output + '&ak=' + ak
 req = urlopen(uri)
 res = req.read().decode()
 temp = json.loads(res)
 lat=0
 lng=0
 if 0 == temp['status']:
 lat=temp['result']['location']['lat']
 lng=temp['result']['location']['lng'] return lat,lng#根据两个经纬度计算距离def getPlaceDistance():
 return 0#根据两个地点计算各类交通时间def getPlaceTime():
 return 0def drawHeatChart(date):
 file = open("data.js", "a+") #data.js
 file.seek(3) # 定位到第0行
 file.writelines(date) #写入源数据到热力图源文件
 file.close() return 0if __name__ == '__main__':
 HeatChartSrcFile = input('输入热力图源文件:') #data.js
 drawHeatChart(HeatChartSrcFile)

<!DOCTYPE html><html><head>
 <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
 <meta name="viewport" content="initial-scale=1.0, user-scalable=no" />
 <script
 src="https://code.jquery.com/jquery-3.2.1.min.js"
 integrity="sha256-hwg4gsxgFZhOsEEamdOYGBf13FyQuiTwlAQgxVSNgt4="
 crossorigin="anonymous"></script>
 <script type="text/javascript" src="http://api.map.baidu.com/api?v=2.0&ak=DD279b2a90afdf0ae7a3796787a0742e"></script>
 <script type="text/javascript" src="http://api.map.baidu.com/library/Heatmap/2.0/src/Heatmap_min.js"></script>
 <script type="text/javascript" src="./data.js"></script>
 <title>热力图功能示例</title>
 <style type="text/css">  ul,li{list-style: none;margin:0;padding:0;float:left;}  html{height:100%}  body{height:100%;margin:0px;padding:0px;font-family:"微软雅黑";}  #container{height:500px;width:100%;}  #r-result{width:100%;} </style></head><body>
 <div id="container"></div>
 <div id="r-result">
  <input type="button" onclick="openHeatmap();" value="显示热力图"/><input type="button" onclick="closeHeatmap();" value="关闭热力图"/>
 </div></body><script type="text/javascript">
 var map = new BMap.Map("container"); // 创建地图实例
 var point = new BMap.Point(114.061087, 22.528578); //自定义地图中点
 map.centerAndZoom(point, 12); // 初始化地图,设置中心点坐标和地图级别
 map.enableScrollWheelZoom(); // 允许滚轮缩放
 if(!isSupportCanvas()){
  alert('热力图目前只支持有canvas支持的浏览器,您所使用的浏览器不能使用热力图功能~')
 }
 heatmapOverlay = new BMapLib.HeatmapOverlay({"radius":20});
 map.addOverlay(heatmapOverlay); var param = {data:window.points,max:100}; //读取data.js热力源数据并生成热力图
 console.log(param);
 heatmapOverlay.setDataSet(param); //是否显示热力图
 function openHeatmap(){
 heatmapOverlay.show();
 } function closeHeatmap(){
 heatmapOverlay.hide();
 setTimeout(function(){
 location.reload();
 }, 10000)
 }
 closeHeatmap(); function setGradient(){  var gradient = {};  var colors = document.querySelectorAll("input[type='color']");
  colors = [].slice.call(colors,0);
  colors.forEach(function(ele){
   gradient[ele.getAttribute("data-key")] = ele.value;
  });
 heatmapOverlay.setOptions({"gradient":gradient});
 } //判断浏览区是否支持canvas
 function isSupportCanvas(){ var elem = document.createElement('canvas'); return !!(elem.getContext && elem.getContext('2d'));
 }</script></html>

四、可视化模块

#!/usr/bin/env python3# -*- coding: utf-8 -*-# function:可视化服务# Author:elideng# date: 2017-11-05import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport plotlyimport plotly.plotly as pyimport plotly.graph_objs as go
plotly.tools.set_credentials_file(username='elideng', api_key='tsc3809760')#雷达图显示房屋关注指标def drawRadarMap(chartName, arrLables, arrData, labelNum):
 #数据校验
 if labelNum < 0 or labelNum >10: return -1
 if len(arrLables) != labelNum or len(arrData) != labelNum: return -2
 #=======自己设置开始============
 #标签
 labels = np.array(arrLables) #数据
 data = np.array(arrData) #========自己设置结束============
 angles = np.linspace(0, 2*np.pi, labelNum, endpoint=False)
 data = np.concatenate((data, [data[0]])) # 闭合
 angles = np.concatenate((angles, [angles[0]])) # 闭合
 fig = plt.figure()
 ax = fig.add_subplot(111, polar=True) # polar参数!!
 ax.plot(angles, data, 'bo-', linewidth=2) # 画线
 ax.fill(angles, data, facecolor='r', alpha=0.25)# 填充
 ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
 ax.set_title(chartName, va='bottom', fontproperties="SimHei")
 ax.set_rlim(0,10)
 ax.grid(True)
 plt.show()#皮尔逊作图def drawPearson():
 return 0

1.2 Python库

Python为开发者提供充裕代码库,开发者从不会从零早先开发,基础意义基本已经有现成的多谋善算者的框架或库援救,由此大幅的晋级开发者的付出作用和增加代码健壮性。

图片 8

 

Python很容易学!笔者有弄3个交换,互问互答,能源共享的交换学习集散地,就算您也是Python的学人恐怕大拿都欢迎你来!㪊:548+377+875!一起
学习共同进步!

图片 9

 

费城房价飞涨,但也阻碍不住祖国外省人民来温哥华买房的欲望。卡塔尔多哈房价动辄几百万,程序猿那种动物想在卡拉奇平安压力山大。所以买房必然是人生1首要决定,必须货比3家。当前种种房产中介,各类开发商,各个楼盘。消息多到我们无能为力明白。因而程序猿就须求选择专业的优势通过有些方法获取实惠数据,分析筛选最优质的房源。

二.贰.四 费城房源均价热力模型

如图显示布Rees班日内瓦房源均价热力模型。//TODO 待分析

图片 10

 

二.2.玖 柏林(Berlin)房屋里面指数量化雷达图模型

深圳房子雷达图分析,程序首先会爬取到海量布里斯班待售的房产新闻,等级差=(最高值-最低值)/十的措施把均价,实际使用率,梯户比例,楼层,楼间距等指标划分10等分,然后用户输入自身向往的房舍,程序将总计改房子的目的在海量房产中的雷达地方,帮忙用户飞速精晓心仪房产的参数配置。效果图如下:

图片 11

 

#雷达图显示房屋关注指标def drawRadarMap(chartName, arrLables, arrData, labelNum):
 #数据校验
 if labelNum < 0 or labelNum >10: return -1
 if len(arrLables) != labelNum or len(arrData) != labelNum: return -2
 #=======自己设置开始============
 #标签
 labels = np.array(arrLables) #数据
 data = np.array(arrData) #========自己设置结束============
 angles = np.linspace(0, 2*np.pi, labelNum, endpoint=False)
 data = np.concatenate((data, [data[0]])) # 闭合
 angles = np.concatenate((angles, [angles[0]])) # 闭合
 fig = plt.figure()
 ax = fig.add_subplot(111, polar=True) # polar参数!!
 ax.plot(angles, data, 'bo-', linewidth=2) # 画线
 ax.fill(angles, data, facecolor='r', alpha=0.25)# 填充
 ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei")
 ax.set_title(chartName, va='bottom', fontproperties="SimHei")
 ax.set_rlim(0,10)
 ax.grid(True)
 plt.show()

2.二.十 布Rees班房子外部指数量化雷达图模型

//TODO 量化外部目标参数(学位,大巴距离,公共交通具体,公园分布,商圈等)

因此,还不会Python的,想买房的,快捷来读书了!限时抢购哦!

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图