光棍节之夜，用数据分析帮女神学姐选婚房

（本文成文于2015年11月12日，为作者原创，发布在博客园方便诸君阅读）

前段时间发了一篇分析房价的文章，于是这两天在微信上咨询我的朋友络绎不绝。今天是光棍节，我什么都没抢到。下午，有一位学姐在微信上找我，怀着激动的心情打开微信。

学姐说，“看到你之前发的文章了，能不能帮我在北京选一套婚房啊？”

学姐求我，焉有不应。于是，我们约了今天晚上在北邮校园的零一咖啡厅见面。学姐是我们实验室比我大两级的女神，追求者众，据说要找男朋友只找BAT三家的高富帅，听说后来找了个360的男朋友。毕业两年，就准备买婚房了，太令人羡慕了。看看我能不能帮忙吧！

坐在咖啡厅，我重新运行了数据采集程序，抓取光棍节当天所有的二手房数据，这个过程要花15分钟。趁着这个时候，我开始询问学姐对婚房具体需求。

学姐说，她希望能找面积在70平以上，130平以下的比较新的房子。至于预算，现在两家人拿出了180万的首付，我当时就震惊了。我帮她算了一下，她男友的工资一个月两万，按照贷款三十年，每个月还款不超过收入的51%计算，总共能贷大概140万。因此，预算在320万左右。

正好15分钟过去，数据采完了，总共10W套左右，基本上包括了绝大多数北京二手房。大概是下面这个样子（省略了一部分信息）：

可选数量：10W套

我按照学姐的要求，选择了70到130平，价格在350万以下的所有房子，总共3W套。看来可选择的还挺多的啊。平均面积93平，单价2.34万。

按面积和价格筛选：30498套

她突然又说，不喜欢太老的房子。

确实如此，房子不能太老，否则水暖电和房子的质量都会比较差，以后也很难出手。于是，我用正则表达式，从每个房子的全部信息里，抽取房子的年份，并选择1997年以后的房子。97年以后，大户型开始多了起来。看了看，还有2.5万套左右。

选择1997年之后：2.5W套

学姐又说，她不想上班太远，位置也不想太偏。

我心想，恩，要离老公近一点，可是，怎么定义不远呢？我打开了地图，告诉她，你来选一个区域范围吧！

学姐用纤纤手指，在屏幕上画了一个框，我仔细看了一下，大概是这个样子：

这个区域，西至玉泉路，东到东五环，南到长安街，北到立水桥。我觉得很有意思，问学姐，长安街以南有好多单价较低的东西城区的房子，为什么不考虑呢？

她说，“男朋友在北边，这样上班方便。再说，宁要北边一张床，不要南边一间房，所以当然要买长安街以北的房子啦！”

她选的其实还挺有道理，北边过了立水桥，就是昌平的天通苑了，连我都听说过天通苑国的传言，每天出入境极其困难，她男朋友怎么舍得让她早高峰在天通苑地铁站挤地铁呢，那个情景，大概是下面这个样子（男默女泪）。

我分析了一下坐标，这个矩形范围大约在东经116.25到116.53度，北纬39.91到40.059度之间。一个表达式跑下来，总共只剩下2400套左右的房子了。

选定地图区域：2400套

按照不同区域进行划分，就能看到下面的柱状图：

看来基本上只能在朝阳，海淀，燕郊三个地方买房子了。学姐不会考虑燕郊。她说，居然还有西城区的房子！

我也深感奇怪，1998年后，居然还有单价在5W以内的西城区的房子？看了一下，西城有18套，东城有17套。

如果能买到西城的房子，学姐真是赚大了！于是我赶紧检索那些西城的房子出来：

单价才三万八！这怎么可能，随便找了两个仔细一看，原来一个是地下室，另外一个是商住两用的房子。

学姐问我，什么是商住两用？我告诉她，所谓商住两用就是商水商电，小产权，不能落户口。

学姐说，坚决不要地下室，而且一定能落户口。

这个也难不倒我，中介当然不会傻到在标题上标注地下室和商住两用。但通常商住两用，会标明“不限购”，各种“大厦”，“中心”，“投资”的，肯定都是无法落户的，用关键字筛掉它们！

keywords = re.compile(u'商|地下|限购|大厦|中心|投资');

学姐眉头一皱，“忘了告诉你了，我要两室或者三室的房子，一定要带客厅”。我想了几秒钟，看来还得正则表达式出马：

housetype = re.compile(u'(2|3)室(1|2)厅');

这样，西城东城的房子彻底干掉了，一套都没有。我告诉学姐，你现在只能选择朝阳和海淀的房子了。此时，可选的房子数量共计1000套左右，只占总数的不到1%。

不要小产权，商住两用和地下室，两室/三室带客厅：1000套

接下来按照区域选房子。我们按照区域排序分组并求数量，得到了下面这张表：

学姐问道，这么多商圈，很多地方听都没听过，怎么选？我把数据导出成文件，导入到基于百度地图的可视化工具工具里，汇出了这样的一张图，每个地方有多少套房子，一目了然。按照大区来划分，可选项主要集中在北苑，清河，望京和十里堡附近。

学姐想了想，说，男朋友所在的科技公司在东边，我在中关村上班，所以北苑应该是个不错的选择，正好是两个人的上班的中点，酒仙桥地铁并不方便，所以暂时先不考虑。

啊，学姐好赞！ 现在应该比较明确了。

我们来重点考察一下北苑，按照小区来划分(PID是数量，year为小区平均年份，单价为平均单价)

我们将地图缩放到北苑，每个小区有多少套合适的房子，便可一目了然。

学姐说，这价格差别还是挺大的，从2.7W到3.9W都有。为什么区别这么大呢？

我说，这可能和房子年份有关，越新的小区，房子肯定会越贵，为了证明我的猜测，我做了如下的线性回归曲线：

经过计算，皮尔逊相关系数在0.63左右，可见，对于比较新的非学区房来说，建造年份和价格强相关。

为什么天怡家园和茉藜园只有一条秋实街相隔，二手房可选择性（天怡家园6套，茉藜园51套）却差别这么大呢？仔细对比了两个小区的基本信息，可能原因有两个，茉藜园（3559户）比天怡家园（690户）的规模大了很多，而且天怡家园是部委联合建房，所以相对来说多一些。整体交易活跃度不高。

选择具有性价比的房子

学姐说，现在硬性条件都满足了，怎么来选择最有性价比的房子呢？

先说价格，学姐突然问我，成交价就是中介网上标明的价格吗？ 我偷笑了一下，心想，“看来学姐是完全不懂啊”。中介当然要收中介费的啊，某著名中介一般是成交价的2.7%。下面是商品普通住宅的额外支出情况：

我接着说道，这是普通商品房的税率，如果是经济适用房，需要交纳10%的综合地价款，如果是公房，还需要交纳土地出让金…

学姐打断我，这个太复杂了！

确实啊，这些政策足够写好几张纸，我自己也不是很清楚。我们先考虑那个表里的情况吧。

修正实际交易价格

 

其实仔细观察中介的标签就能发现，如果是满五年唯一或满两年唯一，一定会标上。如果不唯一，就什么都不标。从这些特征，能够计算出每套房子的实际成交额，这个步骤可能会出错，。

我回答，这看你怎么定义性价比了。基本上，一分价钱一分货，能从下面几个角度来考虑：

• 户型：仅次于位置的最重要因素
• 采光：即使做不到明厨明卫，也最少做到明室明厅。
• 学区：旁边是否有不算太差的幼儿园和小学
• 升值空间：房子未来是否好出手。

学姐问，90多套房子，这个让我怎么选啊，能让机器帮我选择一下吗？

这可让我犯了难，户型图都可以查到，但让程序去做自动识别，并计算采光，这实在是太难了，只能让学姐自己来选了。

采光也没法自动识别，但能通过中介给出的评论中提取关键词，绘制词图，提高筛房效率。

学区和升值空间相对比较容易，把北苑所有的学校，幼儿园，以及未来地铁的建设情况绘制出来，即可作为直接的参考。

即使在2020年，北苑的地铁线路依旧不够发达，只增加了勇士营一站。勇士营站的位置，靠近来春园和北京青年城，可以认为未来有较好的升值空间。

绘制北苑所有的幼儿园

以学姐的情况，估计以后还会换学区房，我们姑且将附近的幼儿园绘制出来：

（时间所限，笔者没有标注每个幼儿园的情况，之后有专门的学区房专题进行分析）

提取中介点评关键字，做成词云，方便观察

由于中介对每套房子的评价内容特别多，因此一条一条观察会非常浪费时间。我不得不动用自然语言处理技术，对剩余的90多套房子，提取点评关键词。

由于中介对每套房子的评价内容特别多，因此一条一条观察会非常浪费时间。我不得不动用自然语言处理技术，对剩余的90多套房子，提取点评关键词：

综合评价排序表格

为了方便学姐快速地从90套房子中选取自己中意的房子，我生成了这些房子的词图，坐标图和房型图。

另一方面，考虑对这些房源进行排序，但如何评价房子的综合好坏呢？

一般来说，看房的人越多越火，但不排除挂出来很久都没人看上，因此用每月平均看房次数比较合适。另外，更好的房子会有更多的中介小哥对其进行评价，房评热度较高。因此，使用下面的公式来计算房子的评价：

 

综合评价=(总看房人数/已挂出时间)∗0.2+经纪人评论数量∗0.8

(获取挂出时间的方法请参考附录，公式的权重参数是我瞎编的)

我花了五分钟生成了一个word文档，能非常方便地进行对比，选择恐惧症福音，就像下面这个样子：

 

我接着说，接下来就靠你和你男朋友对户型进行筛选，选出20-30套觉得不错的房子，综合地铁商场幼儿园地图，制定看房计划，联系中介，最后确定最合适的房子，这样会比较有效率。

 

学姐看完以后，非常开心，说道，太棒了太棒了，这样我选房就一目了然，你把你生成的这份文档拷到我U盘上吧！

这时，学姐掏出了一个非常精致的爱心优盘，说道“不要随便乱看哦，这里面有我和我男票的爱之皂片”。

心塞啊。。。我把优盘插在电脑上准备拷贝，顺便问学姐，你难道不考虑酒仙桥，清河的房子吗？好像中关村也有符合你要求的房子呢，那里比北苑地理位置好多了。。。

学姐表情一变，啊啊啊啊，是啊，我到底该怎么选啊，你知道我有选择恐惧症。。。你再帮我选一下吧。。。

我：。。。。。。

这时，外面有汽车鸣了两下笛，学姐的电话也响了，应该是她的BAT男友来了。

她一看手机，啊，我男朋友来接我了，学弟今天谢谢你！于是拿起包包转身急匆匆地就出门了。。。

哎，准备回家吧，看看能不能趁双十一回去抢个袜子。正要收拾电脑，

“学姐，你的优盘！”

备注：

本文成文于2015年11月12日，，请联系微信公众号“沙漠之鹰”。所有数据和分析都来自真实数据，但并不保证事件和人物存在，如有雷同，纯属巧合。

1.越新的小区越贵？

为了证明我的猜测，我根据北苑20个小区的价格和年份进行计算，皮尔逊相关系数在0.63左右，可见，对于比较新的非学区房来说，建造年份和价格强相关。

2.计算二手房税费和手续费的方法

中介当然不会傻到真正交多少税写在页面上，但仔细观察页面标签就能发现，如果是满五年唯一或满两年唯一，一定会标上。如果不唯一，就会标“房本满两年”。从这些特征，能够计算出每套房子的实际成交额。

目前北京二手房个人所得税的计算只要能核实房屋原值，均要按照（出售价— 房屋原值 — 合理费用）× 20%的方法计算，不能核实原值的，个税以本次房屋交易价格按核定征收率1%计算。但由于本次计算不能知道房屋原值，因此按1%处理。

税费因政策更新已经修改多次，因此网络上说法不一，异常复杂，表格中的数据，是我按照330新政的信息校对过的。

可笑的是，同一套房，不同中介代理标注的信息都不一样：

3.为什么要自己选好大致的区域

每个中介的门店只负责特定的范围。因此虽然中介能提供一个小区里的详细信息，但很难也通常不会帮你介绍其他位置的房型。因此按照需求明确自己所需的区域，再去选择当地的门店，是非常重要的。

4. 获取房屋在中介登记的时间

信息中并没有明确提到登记时间，这对我们计算房子综合评价很重要。怎么办呢？

笨蛋！当然是获取第一个房评人的评论时间啊，他是登记这个信息的人！

 

 

沙漠之鹰：以程序员的视角，分析数据，解构模式，发现洞见，欢迎关注微信公共号：