The house-price-prediction from mryuan0428

mryuan0428 / house-price-prediction Goto Github PK

View Code? Open in Web Editor NEW

房价预测完整项目：1.爬取链家网数据 2.处理后，用sklearn中几个逻辑回归机器学习模型和keras神经网络搭建模型预测房价最终结果神经网络效果更好，R^2值0.75左右

Python 100.00%

house-price-prediction's Introduction

语言：python3
文件内容说明：

    |--data_spider文件夹
        |--dataset文件夹 -- 爬取的原始数据
        |--Spider.py -- 爬虫
        |--url.txt -- 爬虫url
        |--数据结构 -- 说明爬到数据的信息
    |--process_first文件夹
        |--update.py -- 统一原始数据格式，缺失标签补空值
        |--dataset2文件夹 -- 小区名转换成经纬坐标后的数据集
        |--POI_COMMUNITY_SH文件夹 -- 之前爬取的上海小区POI点
        |--modifyCommunity.py -- 将POI点提取到POI_COMMUNITY_SH文件夹下的community0.txt文件
        |--modifyCoordinate.py -- 将小区名、经纬度坐标、房屋均价信息提取到coordinate.csv文件，便于后边可视化
        |--searchForCommunity.py -- 将dataset中小区名转换成经纬坐标后，保存在dataset2
        |--map.py -- 画出上海房价分布热力图
        |--map.png -- 上海房价分布热力图
    |--process&module文件夹
        |--dataset.py -- 包含大量数据处理函数，如facility_process(),dataset()
            |--facility_process()函数 -- 将数据集中关于设备的描述关键词分类
            |--dataset()函数 -- 数据集接口，返回dict类型的数据集
        |--dataset3文件夹 -- facility_process()处理过后的数据集
        |--建模过程.docx -- 简述建模过程，其中说明了process&module文件夹下tocsv.py，data_c.csv……文件的意义
        |--result_pictures文件夹 -- 建模过程中各个模型的回归曲线
        |--……其余文件，包含训练、测试数据集，建模文件，模型… 在建模过程.docx中有说明

dataset()函数用法说明：

dataset(*, src='./data2', dst='./dataset', load_from_source=False)

Keyword arguments:
- src -- str, source data path
- dst -- str, dataset path
- load_from_source -- bool, flag if load from source (False in default)
- Notes:
  - Info turn dictionaries into object-like instances
    - inherits from dict type
    - iterable, and support all functions as dict
    - immutable, thus cannot set or delete attributes after initialisation
    - infotodict -- reverse Info object into dict type
  - Dataset object herits from tuple
```
# returns from `dataset` function
>>> data = dataset()
# subscriptable as normal tuples
>>> data[0]
>>> data[1:10]
# or to fetch certain keys
>>> data[1, 'apt', 'lift']
Info(apt=(2,), lift=(1,))
>>> data[1:3, 'price', 'average']
Info(price=(2600000.0, 3080000.0), average=(44636, 36032))
```

Recommend Projects