11 月 18 日，北京西紅門鎮新建二村“聚福緣公寓”突發火災。火災後，隨之而來的是一場全北京市的“安全隱患大排查大清理大整治”風暴。

聚集著幾萬外來務工人員的新建村在幾天之內被清理一空。很多人正面臨著要重新找房子或是離開北京的問題。

違建的公寓正在消失，危房出租正在被拆，這些被“風暴”涉及到的外來上班族怎麼辦？只有接受現實，勇敢面對。

為了生存，為了能留在帝都，為了改變人生、出人頭地，再貴的房子他們都要租，或者他們可以再尋找一處稍遠點的房子。

租房的煩惱，相信大家或多或少都有過。獨自一人在大都市打拼，找個溫暖的小窩實屬不易，租個稱心又價格公道的房子是件重要的事兒。

站在技術人的角度，今天我就如何從各大租房網的房源裡面，找到最稱心如意的小窩做些分享，供大家參考。

在找房子的過程中我們最關心是價格和通勤距離這兩個因素。關於價格方面，現在很多租房網站都有，但是這些租房網站上沒有關於通勤距離的衡量。

對於我這種對帝都不是很熟的人，對各個區域的位置更是一臉懵逼。所以我就想著能不能自己計算距離呢，後來查了查還真可以。

實現思路就是：先抓取房源資訊，然後獲取房源的經緯度，最後根據經緯度計算公司與具體房源之間的距離。

我們在獲取經緯度之前，首先需要獲取各個出租房所在地的名稱，這裡獲取的方法是用爬蟲爬取鏈家網上的資訊。

Xpath 介紹

在爬取鏈家網的資訊的時候用的是 Xpath 庫，這裡對 Xpath 庫做一個簡單的介紹。

Xptah 是什麼

Xpath 是一門在 XML 文件中查詢資訊的語言。Xpath 可用來在 XML 文件中對元素和屬性進行遍歷。

Xpath 在查詢資訊的時候，需要先對 requests.get() 得到的內容進行解析，這裡是用 lxml 庫中的 etree.HTML(html) 進行解析得到一個物件 dom_tree，然後利用 dom_tree.Xpath() 方法獲取對應的資訊。

Xpath 怎麼用

Xpath 最常用的幾個符號就是“/”、“//”這兩個符號，“/”表示該標籤的直接子節點，就比如說一個人的眾多子女，而“//”表示該標籤的後代，就比如說是一個人的眾多後代(包括兒女、外甥、孫子之類的輩分)。

更多詳細內容這裡就不 Ctrl C/V了。

資料抓取

我們本次抓取資料的流程是先獲得目標網頁 url，然後利用 requests.get() 獲得 html，然後再利用 lxml 庫中的 etree.HTML(html) 進行解析得到一個物件 dom_tree，然後利用 dom_tree.Xpath() 方法獲取對應的資訊。

先分析目標網頁 url 的構造，鏈家網的 url 構造還是很簡單的，頁碼就是 pg 後面的數字，在租房這個欄目下一共有 100 頁，所以我們迴圈 100 次就好啦。

還有就是明確我們要獲取的資訊，在前面我們說了目標是要研究公司附近的出租房資訊，但是我們在租房的時候也不是僅僅考慮距離這一個因素。

這裡我準備獲取標題、價格、區域(大概在哪一塊)、看房人數（說明該房的受歡迎程度），樓層情況（高樓層還是低樓層），房租建築時間等等。（就是你能看到的資訊差不多都要弄下來哈哈）。

開始程式碼部分：

得到目標網頁的 url 後，對其進行解析，採用的方法是先用 lxml 庫的 etree 對 response 部分進行解析，然後利用 Xpath 進行資訊獲取。

通過上圖可以看出，我們一共抓取到 2970 條房屋資訊，9columns。

經緯度的獲取

我們剛剛只是獲取了一些出租房的基本資訊，但是我們要想計算距離還需要獲得這些出租房所在的地理位置，即經緯度資訊。

這裡的經緯度是獲取的區域層級的，即大概屬於哪一個片區，本次爬取的 2970 條房屋資訊分佈在北京的 208 個區域/區域。

關於如何獲取對應地點的經緯度資訊，這裡利用的 XGeocoding_v2 工具：

獲取經緯度資訊的地址如下：http://www.gpsspg.com/maps.htm

得到如下的結果(LATB 表示維度，LNGB 表示經度)：

距離的計算

最後將距離以及區域與對應的小區拼接在一起，得到下面的結果。

進一步分析

通過 df.info() 可以看出，總共有 2454 條資料，這是在爬蟲獲取的 2970 條資料去重以後得到的。

在這些項中，size（房屋面積）、second_feature 以及 third_feature 均帶有單位，為了後續分析方便，這裡統一進行去單位（字尾）操作。

我們把字尾去掉了，Size、third_feature 和 Distance 看上去是數字，但是通過 df.info() 看出，這兩個指標型別依然是 Object。為了進一步分析，我們要對它們繼續進行處理。

再次通過 df.info() 看出，該是數字型別的指標全部變成了 int/float 了，可以進行下一步了。

在文章剛開頭就說過，一般租房最看重的兩個因素就是距離&價格，價格可以直接在那些租房網上看到，肯定是越低越好，沒啥好說的。

主要是距離，關於距離，有兩種選擇方式，一種是先選出離你上班地最近的幾個區域，然後再在該區域內具體選擇；另一個是可以設定你可以接受的通勤距離，然後以這個距離作為條件，在小於等於這個距離內進行篩選。

我們這裡著重以第一種為主，先選擇距離最近的幾個區域，然後在這幾個區域內進行選擇。

因為距離是按 Region 來進行計算的，而表是按 Name 來統計的，所以要想計算出距離最近的 Region，需要先把 Region 和 Distance 部分提取出來，併合併成一個 DataFrame。

可以看到，Region=“望京”距離最近，所以我們重點在該區域內選擇，接下來具體看看該區域內租房情況。

通過上表可以看到在望京區域總共有 101 套房源，接下來對這 101 套房源進行深入分析。

資料概覽，先對該區域的租房整體情況有個認識，看到 Price 指標的下界為 5000 左右，上界接近於 30000，中位數為 10000 出頭（有沒有感覺到好貴哈哈哈哈），但是我們也看到有一個大於 80000 的超級異常值，我們利用截尾均值對他進行替代。

關於房屋大小，中位數為 100 平，這與 Price 中位數正好可以對應，折算下來相當於 1 平 100 大洋，在與那些 10 平左右的合租房需要 2000+ 大洋比一比，是不是覺得還是 100 平 10000 大洋便宜哈。

所以論一平米的價格的話還是整租更便宜。

先找出那個大於 80000 的異常值具體值是多少，然後進行值替換。

這是將 Price 異常值處理以後得到的箱型圖，看起來就比較規範了哈。

通過上圖可以看出：中樓層和高樓層的房源絕對數量基本持平，高出低樓層數量一半。

房屋修建時間也是 2003 年以後的居多，這就和前面的樓層型別可以對應上了，在剛開始的時候（2003 年以前）大部分房子都是低樓層，隨著時代的進步，科技的發展，人員的增多，樓層的數量和房屋的數量也隨之增加。

房屋型別上的 Top3 型別分別為：2 室 1 廳、3 室 2 廳和 1 室 1 廳。

通過上圖可以看出，隨著時間的推移，2003 年以後的房子的 Price 要明顯高於 2003 年以前的，如果要是對價格比較敏感，可以考慮 2003 年以前的房子。

隨著房屋型別的升級，價格也是隨之升高，但是我們也發現，有一些三室房子的價格（下邊界）要低於兩室的價格的，如果對房間數量和價格都有要求的可以考慮這部分房源。

通過上圖可以看到三個樓層的價格下界基本持平，但是中樓層的中位數和上界價格是要明顯高於其他兩個房型的，這也很正常，中樓層相比於其他兩個樓層的房屋是最宜居的啦，價格貴也正常。

當然了，對於現在租房都很困難的環境下，哪還考慮什麼宜居，當然是挑價格低的房型。

按 PV 進行降序，我們可以看出哪些房源是比較受歡迎，這些房源都有啥特徵。

從圖中可以看到，低樓層的房源數量不是最多的，但是看房次數卻是最多的（最受歡迎的），可能是低樓層價格低的原因吧。

2003 年和 2007 的房源 PV 最高，這和該年代的房源絕對數量基本維持一致；兩室一廳的戶型最為火爆；在價格方面 10000 以下的房源比較受歡迎。

結論

通過上面的分析我們可以得出一些參考：

• 2003 年以前的房源的價格是要低於 2003 年之後的，對價格敏感的可以考慮 2003 年以前的房源。
• 有一些三室的房子價格是低於兩室的，如果對房間數量和價格都有要求的可以考慮這部分。
• 中樓層的價格整體上是要高於低樓層的，但是還有一部分是要比低樓層低，而且通過從 PV 最高的樓層來看，低樓層的火爆程度要比中樓層高，所以可以尋找那些不那麼火爆但是價格還低的中樓層。
• 如果希望單位面積價格最低，還是整租比較合適。

注：本次的資料為鏈家網的整租房源資訊，非合租資訊，所以你會看到價格都很高。

作者：張俊紅

原文來自微信公眾號：51CTO技術棧