# JupyterProject
**Repository Path**: su27sk/JupyterProject
## Basic Information
- **Project Name**: JupyterProject
- **Description**: 关于Python数据分析工具的学习，持续更新中~~~
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-01-03
- **Last Updated**: 2026-01-28
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
## jupyer常用快捷键
### 执行相关
运行并跳到下一单元 Shift + Enter
运行当前单元 Ctrl + Enter
### 单元操作
在下方插入单元 B
在上方插入单元 A
删除单元 D + D（连按两次）
### 模式切换
进入命令模式 Esc
进入编辑模式 Enter
### 单元类型
切换为代码单元 Y
切换为 Markdown 单元 M
### 代码补全
代码补全/提示 Tab
## 数据分析步骤
1,导入必要的库
2.导入数据
3.数据清洗
4.数据特征的构造
5.数据分析
## 项目实战:房地产市场洞察与价值评估
### 数据分析流程
采集数据 确定分析方向 导入数据 数据清洗 数据分析 数据可视化
### 字段解析
```angular2html
字段名 含义 详细说明
city 城市 房屋所在的城市名称，示例：合肥、重庆、北京等
address 详细地址 房屋的具体位置信息，包含街道、交叉口、小区门牌号等
area 面积 房屋建筑面积，单位为平方米（㎡），数值型（需注意是否有非数字字符）
floor 楼层 房屋所在楼层及总楼层，示例：中层（共 18 层）、高层（共 33 层）、底层（共 6 层）
name 小区名称 房屋所属的小区 / 楼盘名称，示例：万科城、恒大华府等
price 价格 房屋总价，单位为 “万” 或 “元”（需统一单位后分析，注意区分单位）
province 省份 房屋所在的省份 / 直辖市名称，示例：安徽省、重庆市、上海市等
rooms 户型 房屋户型结构，示例：3 室 2 厅、1 室 1 厅、4 室 2 厅 1 厨 2 卫等
toward 朝向 房屋朝向，示例：南北向、南向、东向、西北向等
unit 单价 房屋单价，单位为 “元 /㎡”（需清洗非数字字符，如 “15000 元 /㎡” 提取数值）
year 建造年份 房屋建造年份，示例：2013 年建、2000 年建、暂无数据等（需提取年份数值）
origin_url 原始链接 房屋信息的来源网页链接，用于溯源，一般不参与数据分析
```
### 1.导入库
```angular2html
# 1.导入库
!pip install matplotlib -i https://mirrors.aliyun.com/pypi/simple/
!pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pandas
!pip install seaborn -i https://mirrors.aliyun.com/pypi/simple/
!pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from matplotlib import rcParams # 字体
rcParams['font.family'] = 'Microsoft YaHei'
```
### 2.数据导入
```angular2html
# 2.数据导入
df = pd.read_csv('data/house_sales.csv')
```
### 3.数据概览
```angular2html
# 3.数据概览
print('总记录数:',len(df))
print('字段数量:',len(df.columns))
df.head(5)
df.info()
```
### 4.数据清洗
```angular2html
# 4.数据清洗
# 删除无用的数据列
df.drop(columns='origin_url',inplace=True)
# 检查是否有缺失值
df.isna().sum()
# 删除缺失值
df.dropna(inplace=True)
print('删除缺失值后数量:',len(df))
# 检查是否有缺失值
df.isna().sum()
# 检查是否有重复值
df.duplicated().sum()
# 删除重复数据
df.drop_duplicates(inplace=True)
# 检查是否有重复值
df.duplicated().sum()
# 面积的数据类型转换
df['area'] = df['area'].str.replace('㎡','').astype(float)
# 售价的数据类型转换
df['price'] = df['price'].str.replace('万','').astype(float)
# 朝向的数据类型转换
df['toward'] = df['toward'].astype('category')
# 单价的数据类型转换
df['unit'] = df['unit'].str.replace('元/㎡','').astype(float)
# 建造年份的数据类型转换
df['year'] = df['year'].str.replace('年建','').astype(int)
df.head()
# 房屋价格的异常处理 IQR
Q1 = df['price'].quantile(0.25)
Q3 = df['price'].quantile(0.75)
IQR = Q3 - Q1
low_price = Q1 - 1.5*IQR
high_price = Q3 + 1.5*IQR
df = df[( df['price']>low_price) & (df['price']
