简介：这是一套面向Python数据分析初学者、毕业设计及期末大作业需求的南京二手房数据可视化完整项目资料，围绕链家网房源数据展开从采集到建模的全流程实践。资源包共157个文件，约40.04MB，包含18个py源码脚本、18个csv原始与清洗数据、65张png可视化图表、15个html页面及11个js文件，另附pptx答辩文档与说明文档，覆盖爬虫、分析、展示各环节。项目综合运用Requests与BeautifulSoup抓取房源信息，借助Numpy、Pandas完成数据清洗，通过Matplotlib绘制分布图表，并采用k-means聚类对房源进行分类归纳，同时结合高德地图JS API实现地理可视化。已有999人学习下载，读者可据此掌握二手房数据采集、清洗、可视化与聚类分析的完整思路，理解房源基本特征与区域分布规律，为购房决策或同类课题提供可复用的代码框架与分析方法。
1. 南京二手房数据可视化分析：从一份 zip 到能讲清楚的图表
南京二手房市场有个很典型的特点：挂牌量高、区域价差大、同一板块内不同小区的单价能差出一倍。想靠人工翻房源列表得出结论，基本不现实。这个标题指向的是一套完整的落地链路——用 Python 把南京二手房数据抓下来或读进来，清洗成规整的表，再用可视化把「哪个区在涨、哪种户型最扛价、总价和面积到底什么关系」讲明白，最后配一份能直接讲的 PPT。它适合三类人：做课程设计的学生、想练手数据分析的 Python 入门者、以及需要快速出一份区域楼市简报的从业者。核心不是画几张图，而是让图表能支撑一个结论。下面按「数据怎么来 → 怎么洗 → 怎么画 → 坑在哪 → 怎么讲」的顺序拆开讲。
2. 数据从哪来：南京二手房数据集的获取与字段设计
2.1 采集还是用现成数据：两条路怎么选
做南京二手房分析，第一步永远是数据。常见做法有两种：一是用 Python 爬虫从公开房源平台抓取，二是直接用整理好的 CSV/Excel 数据集。如果你手上是「带源码」的项目包，大概率已经附了一份静态数据文件，这时候别急着写爬虫，先把数据读进来看字段。
爬虫路线的现实问题是：房源平台普遍有反爬，列表页和详情页字段不一致，翻页参数经常变。对新手来说，把大量时间耗在对抗反爬上，最后分析部分反而草草收尾，这是最常见的翻车方式。我的建议是：课程设计或练手场景，优先用现成数据集跑通全流程；确实要练爬虫，就限定在少量页面，把重点放在字段解析和存储上。
一份能支撑可视化的南京二手房数据，至少要有这些字段：
| 字段名 | 含义 | 类型 | 用途 |
|---|---|---|---|
| district | 所在区（鼓楼、江宁等） | 字符串 | 区域对比 |
| community | 小区名 | 字符串 | 明细查询 |
| area | 建筑面积（㎡） | 浮点 | 面积分布 |
| total_price | 总价（万元） | 浮点 | 总价分布 |
| unit_price | 单价（元/㎡） | 浮点 | 核心指标 |
| layout | 户型（如 3室2厅） | 字符串 | 户型分析 |
| floor | 楼层描述 | 字符串 | 辅助维度 |
| build_year | 建成年份 | 整数 | 房龄分析 |
字段设计的关键是：单价一定要单独存一列，不要每次现算。因为总价和面积里只要有一个是脏数据，现算的单价就会污染整张图。
2.2 用 pandas 把数据读进来并做第一轮体检
拿到数据文件后，先别画图，先体检。下面这段代码是每次开工我都会跑一遍的模板：
import pandas as pd import numpy as np # 读取数据，注意编码，中文数据常见 gbk / utf-8-sig df = pd.read_csv("nanjing_ershoufang.csv", encoding="utf-8-sig") # 第一轮体检：形状、字段、缺失、重复 print("数据形状:", df.shape) print("字段列表:", df.columns.tolist()) print("缺失值统计:\n", df.isnull().sum()) print("重复行数:", df.duplicated().sum()) # 看数值字段的分布，快速发现异常值 print(df[["area", "total_price", "unit_price"]].describe()) # 看区域取值是否规范 print("区域取值:", df["district"].unique())这段代码的逻辑是：shape告诉你数据量够不够支撑分析；isnull().sum()定位哪些列需要清洗；duplicated()查重复房源；describe()用最小值和最大值快速抓异常，比如面积出现 0 或 9999，单价出现个位数，基本都是脏数据。encoding参数是中文数据的第一个坑，用utf-8读出来乱码时换成utf-8-sig或gbk通常能解决。
参数上，describe()默认只统计数值列，如果你把单价存成了带「元/㎡」单位的字符串，这里会直接不显示，说明类型没转对，得先用str.replace去掉单位再astype(float)。
3. 清洗与特征工程：让单价和区域字段能直接进图
3.1 处理缺失值、异常值和单位不统一
真实数据里，面积缺失、总价写成「暂无报价」、单价带单位，都是家常便饭。清洗的目标只有一个：让每一列都是干净的可计算类型。下面是我常用的清洗流程：
# 1. 统一去除字符串字段首尾空格 df["district"] = df["district"].str.strip() df["layout"] = df["layout"].str.strip() # 2. 把带单位的字段转成数值 def to_float(x): if pd.isna(x): return np.nan return float(str(x).replace("元/㎡", "").replace("㎡", "").replace("万", "").strip()) df["unit_price"] = df["unit_price"].apply(to_float) df["area"] = df["area"].apply(to_float) df["total_price"] = df["total_price"].apply(to_float) # 3. 删除关键字段缺失的行 df = df.dropna(subset=["district", "area", "total_price", "unit_price"]) # 4. 用分位数剔除极端异常值 q_low = df["unit_price"].quantile(0.01) q_high = df["unit_price"].quantile(0.99) df = df[(df["unit_price"] >= q_low) & (df["unit_price"] <= q_high)] # 5. 面积和总价也要设合理区间 df = df[(df["area"] >= 10) & (df["area"] <= 500)] df = df[(df["total_price"] >= 20) & (df["total_price"] <= 3000)] print("清洗后数据量:", df.shape)逻辑说明：第 2 步的to_float是核心，把「450万」「32000元/㎡」这类字符串统一成数字，否则后面所有计算都会报错或算错。第 4 步用 1% 和 99% 分位数卡边界，比直接拍脑袋定阈值更稳，因为不同区域单价差异大，固定阈值容易误删。第 5 步的面积和总价区间是业务常识兜底，10㎡ 以下的住宅和 3000 万以上的普通二手房，在分析里都属于噪声。
参数上，分位数可以根据数据量调整：数据少于 1000 条时用 0.05/0.95 更稳，数据上万条时 0.01/0.99 足够。清洗完一定要重新describe()一遍，确认数值范围合理。
3.2 从户型、房龄里挖出能进图的特征
原始字段直接画图往往不够看，需要派生几个特征。最实用的三个：户型拆成室数、从建成年份算房龄、按单价分档。
# 1. 从户型字符串里提取室数，如 "3室2厅" -> 3 df["rooms"] = df["layout"].str.extract(r"(\d+)室").astype(float) # 2. 计算房龄 current_year = 2024 df["house_age"] = current_year - df["build_year"] # 3. 按单价分档，方便做分层对比 bins = [0, 20000, 30000, 40000, 60000, 100000] labels = ["2万以下", "2-3万", "3-4万", "4-6万", "6万以上"] df["price_level"] = pd.cut(df["unit_price"], bins=bins, labels=labels) # 4. 按区域统计均价，作为后续图表的排序依据 district_avg = df.groupby("district")["unit_price"].mean().sort_values(ascending=False) print(district_avg)str.extract用正则从户型里抠出室数，比字符串切片稳，因为户型写法不统一。pd.cut做分档是可视化前的常用预处理，分档后画堆叠柱状图或饼图都方便。最后按区域算均价并排序，这一步的产出直接决定了后面柱状图的顺序，先排好序，图才好看。
这里有个容易忽略的点：build_year如果是字符串或者有空值，house_age会算出一堆 NaN，画图时这些点会消失。所以算完房龄要再dropna一次，或者用中位数填充。
4. 可视化落地：用 matplotlib 和 pyecharts 出四张核心图
4.1 区域均价对比和总价分布怎么画
可视化的第一原则是：一张图只回答一个问题。南京二手房分析里，最该先出的两张图是「各区域均价对比」和「总价分布」。
import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] # 中文显示 plt.rcParams["axes.unicode_minus"] = False # 图1：各区域均价柱状图 fig, ax = plt.subplots(figsize=(10, 6)) district_avg.plot(kind="bar", ax=ax, color="#4C72B0") ax.set_title("南京各区域二手房均价对比") ax.set_xlabel("区域") ax.set_ylabel("均价（元/㎡）") for i, v in enumerate(district_avg.values): ax.text(i, v, f"{int(v)}", ha="center", va="bottom", fontsize=9) plt.tight_layout() plt.savefig("district_avg.png", dpi=150) # 图2：总价分布直方图 fig, ax = plt.subplots(figsize=(10, 6)) ax.hist(df["total_price"], bins=40, color="#55A868", edgecolor="white") ax.set_title("南京二手房总价分布") ax.set_xlabel("总价（万元）") ax.set_ylabel("房源数量") plt.tight_layout() plt.savefig("total_price_dist.png", dpi=150)逻辑说明：district_avg是上一节算好的按均价排序的 Series，直接plot(kind="bar")就能出图，排序后的柱子从高到低，一眼能看出价格梯队。柱顶标数值用ax.text循环加，比默认图例直观。直方图的bins参数控制柱子数量，40 个在几千条数据下比较合适，太少看不出分布形状，太多会碎。
中文显示是 matplotlib 的经典坑，SimHei在 Windows 上一般可用，Mac 上要换成Arial Unicode MS，Linux 服务器上如果没有中文字体，图里会全是方框，这时候要么装字体，要么改用 pyecharts 出 HTML。
4.2 用 pyecharts 做可交互的区域-户型热力图
静态图适合放 PPT，但如果想让别人自己点着看，pyecharts 更合适。下面用热力图展示「区域 × 户型」的均价分布：
from pyecharts.charts import HeatMap from pyecharts import options as opts # 构造 区域 x 户型 的均价矩阵 pivot = df.pivot_table(values="unit_price", index="district", columns="rooms", aggfunc="mean").round(0) districts = pivot.index.tolist() rooms = [str(int(c)) + "室" for c in pivot.columns.tolist()] data = [] for i, d in enumerate(districts): for j, r in enumerate(rooms): val = pivot.iloc[i, j] if pd.notna(val): data.append([j, i, int(val)]) heatmap = ( HeatMap() .add_xaxis(rooms) .add_yaxis("区域", districts, data, label_opts=opts.LabelOpts(is_show=True, position="inside")) .set_global_opts( title_opts=opts.TitleOpts(title="南京各区域不同户型均价热力图"), visualmap_opts=opts.VisualMapOpts(min_=pivot.min().min(), max_=pivot.max().max(), is_piecewise=False), ) ) heatmap.render("district_room_heatmap.html")逻辑说明：pivot_table把数据透视成区域为行、室数为列的矩阵，aggfunc="mean"算均价。热力图的data格式是[x索引, y索引, 值]，所以循环时 x 对应户型、y 对应区域，别写反，写反了图会转置。visualmap_opts控制颜色映射范围，用矩阵的最小最大值，颜色对比最充分。
参数上，is_piecewise=False是连续渐变，改成True会变成分段色块，看个人偏好。如果某些区域某个户型没有房源，pivot里是 NaN，代码里用pd.notna跳过，避免热力图出现空洞报错。
5. 避坑与排查：南京二手房分析里最容易翻车的五件事
5.1 中文乱码和字体缺失
现象：读 CSV 报UnicodeDecodeError，或者图里中文全是方框。 原因：编码不匹配，或系统没有中文字体。 解决：读取时依次尝试utf-8-sig、gbk；matplotlib 里显式设置font.sans-serif，Linux 环境先fc-list :lang=zh确认有没有中文字体，没有就装一个或用 pyecharts。
5.2 单价算错导致整张图失真
现象：区域均价柱状图里某个区高得离谱。 原因：总价单位是「万」，面积单位是「㎡」，直接相除得到的是「万元/㎡」，和「元/㎡」差了 10000 倍。 解决：统一单位，unit_price = total_price * 10000 / area，算完抽查几条和原始数据对一下。
5.3 区域名称不统一
现象：groupby 之后出现「鼓楼」「鼓楼区」「南京市鼓楼区」三个分组。 原因：数据来源不同，区域写法不一致。 解决：清洗时用映射表统一，df["district"] = df["district"].str.replace("区", "")，或者建一个{"鼓楼区": "鼓楼"}的字典做map。
5.4 异常值没处理，均值被拉偏
现象：均价明显高于市场认知。 原因：个别天价房源或面积填错的数据没剔除。 解决：用分位数卡边界，别用固定阈值；剔除后重新算均值，并记录剔除了多少条，PPT 里要能解释。
5.5 图表太多但没有结论
现象：PPT 里十几张图，讲的时候说不清重点。 原因：为画图而画图，没有围绕问题组织。 解决：每张图配一句话结论，比如「鼓楼均价最高，是江宁的 1.6 倍」，图是证据，结论才是内容。
6. 从数据到 PPT：让图表能讲出结论的三个技巧
做完整套分析，最后卡在 PPT 上的人不少。图表能画出来，不代表能讲清楚。我自己的习惯是：先定三个结论，再倒推需要哪几张图。
第一个技巧是给每张图配一句「人话结论」。比如区域均价图，标题不要写「各区域均价对比」，直接写「鼓楼均价领跑，江宁性价比最高」。观众看标题就懂，图只是佐证。第二个技巧是控制图表数量，一份二手房分析 PPT，四到六张图足够：区域均价、总价分布、面积-总价散点、区域户型热力图，再加一张结论页。图多了反而稀释重点。第三个技巧是散点图加趋势线，面积和总价的关系用散点图最直观：
import numpy as np fig, ax = plt.subplots(figsize=(10, 6)) ax.scatter(df["area"], df["total_price"], alpha=0.3, s=10, color="#C44E52") # 拟合一条趋势线 z = np.polyfit(df["area"], df["total_price"], 1) p = np.poly1d(z) x_line = np.linspace(df["area"].min(), df["area"].max(), 100) ax.plot(x_line, p(x_line), color="black", linewidth=2, label="趋势线") ax.set_title("面积与总价关系：面积每增 10㎡，总价约增多少") ax.set_xlabel("面积（㎡）") ax.set_ylabel("总价（万元）") ax.legend() plt.tight_layout() plt.savefig("area_price_scatter.png", dpi=150)alpha=0.3让点半透明，重叠区域能看出密度；np.polyfit一次拟合出斜率，斜率乘以 10 就是「面积每增 10㎡ 总价增加多少万」，这句话直接可以放进 PPT。注意散点图在数据量大时渲染慢，超过两万条可以先抽样再画。
最后说个我自己的教训：早期做这类分析，我总想把所有字段都塞进图里，结果 PPT 做了三十页，讲的时候自己都绕晕。后来改成「三个结论、六张图、每图一句话」，反而被问得最多的是结论怎么来的，而不是图怎么画的。数据可视化分析的价值不在图多漂亮，在于能不能让人看完就记住一个判断。希望帮到你。
本文还有配套的精品资源，点击获取
