房价的区位特征和其他影响因素：珠海二手房报价数据

发表于 分类于 阅读次数： 阅读次数：

房价的数据似乎比较敏感，今年以来连百城房价指数也不再更新了。好在现在中介的互联网平台比较完善，以下数据来自某房产中介网站，所有数据都是二手房报价。

珠海各区域的房价

houseprice
区位是房价的重要因素，珠海各区的均价显示了明显的区别，横琴新区在4万元以上、香洲区集中2.5-3万之间，金湾区和斗门区集中在1-1.5万元，高栏港经济区则在1万元以下。即使进一步考察镇、街道一级的区域划分下，在这种价格的明显差异依然存在。有趣的是，从均值上看金湾区和斗门区的价格更接近，但加入房屋面积、楼层和装修情况之后，高栏港经济区的房屋价格与斗门区没有显著区别，但金湾区和斗门区有相当的差距。

房屋大小的影响

是否存在对大房子的偏好？以改善居住条件而言，如果有足够的购买力，大房子更为舒适，因此大面积的房子具有两个优点：面对更高购买力群体，以及更好的居住条件；但是小房子需要的资金规模较小，市场需求更大，也更具有流动性。那么，是否存在一个最优的面积，同时一定程度上具有两种优势？
检验结果显示，房屋面积越大单价越高，但是增加的幅度很小，每增加1平方米，价格大约上升24元，以当前均价计算，接近0.1%；不存在某个最优的面积。加入楼层和装修情况后，面积的系数下降，说明住房面积很大程度上伴随着多方面的居住条件改善。

hpstata1

hpstata2

其他因素的影响

房屋的楼层和装修情况也可能影响价格，装修情况分成毛坯、普通装修、精装修、豪华装修。结果显示，楼层和装修情况都有很明显的影响，每上升一层，价格上升294元，占均价1.5%；装修情况每提高一个层次，价格上升1262元，占均价5.6%，装修成本很大程度上体现在房屋报价中。

数据存在的问题

本文采用的数据是单家房产中介的二手房报价数据，一方面数据范围较小，只有一家平台、只包括二手房；另一方面是报价数据，并非实际成交价格，也无法看到历史趋势。此外，数据中房屋特征信息相对较少，其他如是否是学区房、交通便利程度都没能显示出来。

hpdetails

附：数据抓取程序

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
import urllib2
from bs4 import BeautifulSoup
from time import sleep
import pandas as pd

def getkw(sp):
    filter00=sp.findAll('span')
    ltsp=len(filter00)/2
    kwlist=[]
    for i in range(ltsp+1):
        kwlist.append(filter00[i*2].string.replace('\t','').replace('\r\n',''))
    if len(kwlist)<5:
        kwlist.append(None)
    kwname=['room','area','style','floor','year']
    return dict(zip(kwname,kwlist))

def getonerecoad(soup):
    filter2=soup.findAll('p')
    filter3=filter2[2].findAll('span')
    hprice=int(soup.find('span',attrs='sale-price').string)
    title=soup.img['alt']
    addr1=filter3[1].findAll('a')[0].string
    addr2=filter3[1].findAll('a')[1].string
    kwgd=filter3[0].a.string
    kwstr=filter3[2].string
    areaprice=int(filter2[5].string[:-4])
    dic=getkw(filter2[1])
    dic['house-price']=hprice
    dic['title']=title
    dic['addrarea']=addr1
    dic['addr']=addr2
    dic['kwgd']=kwgd
    dic['kwstr']=kwstr
    dic['price']=areaprice
    if len(dic['floor'])>4:
        dic['floor1']=dic['floor'][:2]
        dic['floor2']=int(dic['floor'][3:-1])
    if dic['year']!=None:
        dic['year']=int(dic['year'][:-2])
    dic['area']=float(dic['area'][:-2])
    return dic

listrecord=[]
for i in range(337):
    url='http://zhuhai.qfang.com/sale/f'+str(i+1)
    print url
    webpage=urllib2.urlopen(url).read()
    soup=BeautifulSoup(webpage,'html.parser')
    filter0=soup.findAll('div',attrs={'id':'cycleListings'})
    filter1=filter0[0].findAll('li')
    for j in filter1:
        listrecord.append(getonerecoad(j))
    print i,'---',len(listrecord)
    sleep(2)
res=pd.DataFrame(listrecord)