多少个网站,那个网站可以免费做风面,导航wordpress主题,企业宣传网站建设需求说明书的模板碎碎念#xff1a;由于最近太忙了#xff0c;更新的比较慢#xff0c;提前祝大家新春快乐#xff0c;万事如意#xff01;本数据集的下载地址#xff0c;读者可以自行下载。
1.项目背景
本项目旨在对马来西亚房地产市场进行初步的数据分析#xff0c;探索各州的房产市…碎碎念由于最近太忙了更新的比较慢提前祝大家新春快乐万事如意本数据集的下载地址读者可以自行下载。
1.项目背景
本项目旨在对马来西亚房地产市场进行初步的数据分析探索各州的房产市场特征。通过对房产中位数价格、每平方英尺价格和交易数量等指标的可视化结合聚类分析和点二列相关性分析试图揭示不同房产类型与市场趋势之间的关系。该分析可以帮助更好地理解市场的基本情况并为后续研究或决策提供数据支持。
2.数据说明
字段说明Township房产所在的市镇名称Area房产所在的地区名称State房产所在的州Tenure土地所有权性质如 Freehold 或 LeaseholdType房产类型如 Terrace House, Cluster House 等Median_Price房产的中位数价格单位马币Median_PSF每平方英尺的中位数价格单位马币Transactions该地区的房产交易数量
3.Python库导入及数据读取
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
from sklearn.decomposition import PCA
from scipy.stats import pointbiserialrdata pd.read_csv(/home/mw/input/01209371/malaysia_house_price_data_2025.csv)4.数据预览及数据清洗
data.head()TownshipAreaStateTenureTypeMedian_PriceMedian_PSFTransactions0SCIENTEX SUNGAI DUATasek GelugorPenangFreeholdTerrace House331800.0304.05931BANDAR PUTRAKulaiJohorFreeholdCluster House, Terrace House590900.0322.05192TAMAN LAGENDA TROPIKA TAPAHChenderiangPerakFreeholdTerrace House229954.0130.04143SCIENTEX JASIN MUTIARABembanMelakaFreeholdTerrace House255600.0218.03914TAMAN LAGENDA AMANTapahPerakLeaseholdTerrace House219300.0168.0363
print(查看数据信息:)
data.info()查看数据信息:
class pandas.core.frame.DataFrame
RangeIndex: 2000 entries, 0 to 1999
Data columns (total 8 columns):# Column Non-Null Count Dtype
--- ------ -------------- ----- 0 Township 2000 non-null object 1 Area 2000 non-null object 2 State 2000 non-null object 3 Tenure 2000 non-null object 4 Type 2000 non-null object 5 Median_Price 2000 non-null float646 Median_PSF 2000 non-null float647 Transactions 2000 non-null int64
dtypes: float64(2), int64(1), object(5)
memory usage: 125.1 KBcharacteristic data.select_dtypes(include[object]).columns
print(数据中分类变量的唯一值情况)
for i in characteristic:print(f{i}:)print(f共有:{len(data[i].unique())}条唯一值)print(data[i].unique())print(-*50)数据中分类变量的唯一值情况
Township:
共有:1946条唯一值
[SCIENTEX SUNGAI DUA BANDAR PUTRA TAMAN LAGENDA TROPIKA TAPAH ...TAMAN PUNCAK JELAPANG MAJU TAMAN TIONG UNG SIEWTAMAN DESA RISHAH INDAH]
--------------------------------------------------
Area:
共有:303条唯一值
[Tasek Gelugor Kulai Chenderiang Bemban Tapah TebrauPasir Gudang Teluk Intan Jasin Kapar Iskandar Puteri (Nusajaya)Nilai Skudai Johor Bahru Batu Pahat Kluang Ulu TiramPermas Jaya Serendah Chemor Pagoh Lenggeng Perling PenagaKlang Sungei Petai Shah Alam Padang Serai Sitiawan IjokBukit Katil Masai Tampoi Setia Alam Kota Tinggi BantingCheras Tanjong Duabelas Jalan Klang Lama (Old Klang Road)Bukit Bintang Rawang Bandar Utama Seri Iskandar Ipoh SenaiTanjong Minyak Labu Jimah Sungai Bakap Batu CavesDamansara Perdana Kuantan Kampar Seremban 2 Pasir PanjangKijal Segamat Seri Kembangan Rantau Gurun DengkilSubang Jaya Sungai Petani Puchong Kajang Lunas GopengKepala Batas Bandar Puncak Alam Bangi Bandar Sri DamansaraKuala Pilah Linggi Bandar Sunway Telok Panglima Garang BeranangTaman Tun Dr Ismail Kamunting Bandar Sungai Long Sri PetalingPengerang Jalan Kuching Batu Arang Kota Samarahan MiriSemenyih Petaling Jaya Simpang Ampat Krubong TaipingKota Damansara Nibong Tebal Bukit Mertajam Wangsa Maju PaparTelok Kemang Hulu Terengganu Lumut Merlimau Ulu KlangDamansara Heights Seremban Sabak Bernam Parit BuntarSeberang Jaya Kepong Bandar Kinrara Gerisek Tampin Ayer ItamBahau KLCC Lukut Batang Kali Sungai Jawi SelayangSimpang Pulai Batu Gajah Sepang Kuching Kulim Kerteh AmpangAyer Molek Bidor Bayan Baru Senggarang Ampangan Gelang PatahSungai Siput Kota Kinabalu Penampang Ara Damansara SegambutTawau Bukit Rambai Rasa Simpang Rengam Duyong Mont KiaraDurian Tunggal Sibu Alor Setar Bachang Balai PanjangHulu Lepar Saujana Utama Bukit Jalil Georgetown JuassehSungai Rambai Arau Jelutong Perai Sungai Karang Ulu BernamPaya Rumput Sandakan Tronoh Kuala Terengganu Setapak RasahKuala Selangor Tanjong Tualang Raub Cyberjaya ButterworthPort Klang Menglembu Cheng Sungai Buloh Kuala IbaiBandar Sri Sendayan Bayan Lepas Bandar Tasik Selatan LabuanSenawang Bukit Baru Tanjong TokongKampung Kerinchi (Bangsar South) Kuala Kubu Baru Bandar EnstekBatu Berendam Alor Gajah Pandamaran Sungai Ara DutamasSikamat Tambun Glenmarie Muar Mentakab Pusing JenjaromPontian Sungai Dua Kuala Lipis Batu Kawan Lahat BesutBukit Kepayang Kuala Kedah Port Dickson KL Sentral SentulKuala Kangsar Tangkak Klebang Kuchai Lama Seri ManjongMelaka City Gelugor Mantin Bintulu Hutan Melintang BangsarBagan Serai Masjid Tanah Balakong Tuaran Batu FerringhiRompin Tropicana Bandar Menjalara Bakri Putrajaya Taman DesaBukit Jambul Desa Petaling Kemaman Kuala Ketil MerbokSungai Lalang Sungai Besi Relau Tanjung Bungah Damansara DamaiBedong Jitra Bentong Teloi Kiri Jementah Paloh SetiawangsaKubang Semang Pantai Genting Highlands Jalan Ipoh Bukit MinyakPadang Enggang Teras Salak Selatan Lahad Datu DungunSungai Udang Triang Desa ParkCity KL City Hulu Langat GurneyKelana Jaya Pengkalan Hulu Kuah Kota Marudu Padang RengasYong Peng Tanjong Kling Permatang Pauh Jinjang Labis UmbaiCherang Ruku Saujana Pekan Simpang Pertang Limbang ParoiHulu Selangor Brickfields Balik Pulau Bertam Batu KurauChenor Ulu Langat Simpang Mersing Juru Pokok Sena RembauMutiara Damansara Sungei Baru Tengah Ampang Hilir City CentreSri Hartamas Kota Sarang Semut Teluk Kumbar Bandar Baharu GemasSungai Besar Gerik Sri Aman Kuala Sungai Baru Machang]
--------------------------------------------------
State:
共有:16条唯一值
[Penang Johor Perak Melaka Selangor Negeri Sembilan KedahKuala Lumpur Pahang Terengganu Sarawak Sabah Perlis LabuanPutrajaya Kelantan]
--------------------------------------------------
Tenure:
共有:4条唯一值
[Freehold Leasehold Freehold, Leasehold Leasehold, Freehold]
--------------------------------------------------
Type:
共有:46条唯一值
[Terrace House Cluster House, Terrace House Terrace House, Semi DTerrace House, Cluster House Cluster House Bungalow, Terrace HouseService Residence Semi D, Terrace House FlatCluster House, Semi D Terrace House, Semi D, Town HouseSemi D, Cluster House Apartment Semi D, Terrace House, BungalowSemi D Terrace House, Town House Semi D, Town House, Terrace HouseCondominium Semi D, Bungalow Bungalow, Semi D BungalowTown House, Terrace House, Semi D Terrace House, Semi D, BungalowBungalow, Terrace House, Semi D Terrace House, BungalowCluster House, Terrace House, Semi DSemi D, Terrace House, Cluster House Semi D, Cluster House, BungalowBungalow, Town House Town House, Terrace House Town House, Semi DTerrace House, Bungalow, Semi D Town House Flat, CondominiumTown House, Bungalow, Terrace House Apartment, FlatSemi D, Bungalow, Terrace House Town House, Semi D, Terrace HouseTown House, Bungalow Condominium, Service ResidenceCluster House, Bungalow Flat, ApartmentBungalow, Semi D, Terrace House Semi D, Terrace House, Town HouseCluster House, Town House, Terrace House Semi D, Town House]
--------------------------------------------------由于Township、Area的唯一值特别多对后续的分析意义不大考虑删除只保留State作为地理信息而Type里存在大量组合的数据比如’Semi D, Terrace House’这种这里考虑拆分看看究竟真正涉及的Type有多少种类型。
# 提取所有的房产类型并将其拆分为单独的词
all_types []# 按照 , 来拆分每个类型中的词汇
for property_type in data[Type]:types property_type.split(, ) # 根据逗号加空格拆分all_types.extend(types)# 统计每个词的出现频次
unique_types set(all_types) # 获取唯一类型# 显示所有唯一的房产类型
unique_types{Apartment,Bungalow,Cluster House,Condominium,Flat,Semi D,Service Residence,Terrace House,Town House}可以看到真正的Type并不多这里考虑把这些转为0-1二值变量表示该样本数据是否有某个类型这样也不会导致维度爆炸同样的针对Tenure特征也是一样的处理。
# 创建每个房产类型的 0-1 二值变量
for property_type in unique_types:data[property_type] data[Type].apply(lambda x: 1 if property_type in x else 0)# 提取所有的产权类型并将其拆分为单独的词
all_tenure []# 按照 , 来拆分每个类型中的词汇
for property_tenure in data[Tenure]:tenure property_tenure.split(, ) # 根据逗号加空格拆分all_tenure.extend(tenure)# 统计每个词的出现频次
unique_tenure set(all_tenure) # 获取唯一类型# 显示所有唯一的产权类型
unique_tenure{Freehold, Leasehold}# 创建每个房产类型的 0-1 二值变量
for property_tenure in unique_tenure:data[property_tenure] data[Tenure].apply(lambda x: 1 if property_tenure in x else 0)# 删除 Township, Area, Type 列
data.drop(columns[Township, Area, Type,Tenure], inplaceTrue)data.head()StateMedian_PriceMedian_PSFTransactionsTerrace HouseBungalowService ResidenceTown HouseCluster HouseFlatSemi DCondominiumApartmentLeaseholdFreehold0Penang331800.0304.0593100000000011Johor590900.0322.0519100010000012Perak229954.0130.0414100000000013Melaka255600.0218.0391100000000014Perak219300.0168.036310000000010
5.描述性分析
data.describe(includeall)StateMedian_PriceMedian_PSFTransactionsTerrace HouseBungalowService ResidenceTown HouseCluster HouseFlatSemi DCondominiumApartmentLeaseholdFreeholdcount20002.000000e032000.0000002000.0000002000.0000002000.0000002000.0000002000.0000002000.000002000.0000002000.0000002000.0000002000.0000002000.0000002000.000000unique16NaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNtopSelangorNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNfreq545NaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNmeanNaN4.906854e05328.86250028.0915000.6395000.0485000.0485000.0180000.048000.0675000.1420000.0845000.1000000.3410000.688000stdNaN4.686322e05193.28173937.7023850.4802660.2148740.2148740.1329840.213820.2509490.3491370.2782060.3000750.4741640.463426minNaN2.704900e0438.00000010.0000000.0000000.0000000.0000000.0000000.000000.0000000.0000000.0000000.0000000.0000000.00000025%NaN2.699500e05201.00000012.0000000.0000000.0000000.0000000.0000000.000000.0000000.0000000.0000000.0000000.0000000.00000050%NaN3.900000e05293.00000016.0000001.0000000.0000000.0000000.0000000.000000.0000000.0000000.0000000.0000000.0000001.00000075%NaN5.735000e05412.00000028.0000001.0000000.0000000.0000000.0000000.000000.0000000.0000000.0000000.0000001.0000001.000000maxNaN1.142050e073017.000000593.0000001.0000001.0000001.0000001.0000001.000001.0000001.0000001.0000001.0000001.0000001.000000
state_counts data[State].value_counts()
plt.figure(figsize(10, 6))plt.bar(state_counts.index, state_counts.values, edgecolorblack)
# 添加标题和标签
plt.title(各州房产分布, fontsize16)
plt.xlabel(州, fontsize12)
plt.ylabel(数量, fontsize12)# 在柱子上方标注数量
for p in plt.gca().patches:plt.gca().annotate(f{int(p.get_height())}, (p.get_x() p.get_width() / 2., p.get_height()),hacenter, vacenter, fontsize11, colorblack, xytext(0, 5),textcoordsoffset points)plt.xticks(rotation45) # 让x轴标签倾斜防止重叠
plt.tight_layout() # 优化图像布局
plt.show()# 提取房屋类型
type_columns data.iloc[:, 4:13]# 统计每种类型的数量
type_counts type_columns.sum().sort_values(ascendingFalse)plt.figure(figsize(10, 6))ax sns.barplot(xtype_counts.index, ytype_counts.values)
plt.title(房产类型数量分布, fontsize16)
plt.xlabel(房产类型, fontsize12)
plt.ylabel(数量, fontsize12)# 添加标签
for p in ax.patches:ax.annotate(f{int(p.get_height())},(p.get_x() p.get_width() / 2., p.get_height()),hacenter, vacenter, fontsize11, colorblack, xytext(0, 5),textcoordsoffset points)plt.tight_layout()
plt.show()tenure_counts data[[Leasehold, Freehold]].sum()plt.figure(figsize(8, 8))
plt.pie(tenure_counts,labelstenure_counts.index,autopct%1.1f%%,startangle90,colorsplt.cm.Paired.colors[:len(tenure_counts)],pctdistance0.85, # 将百分比的标签放得更近圆心labeldistance1.1, # 增加标签与饼图的距离
)# 添加标题并保证饼图是圆形
plt.title(房产所有权类型分布, fontsize14)
plt.axis(equal) # 保证饼图是圆形plt.show()# 设置画布大小
plt.figure(figsize(15, 5))# 绘制 Median_Price 的直方图和核密度曲线
plt.subplot(1, 3, 1)
sns.histplot(data[Median_Price], kdeTrue, colorskyblue, bins30)
plt.title(房产中位数价格分布, fontsize14)
plt.xlabel(中位数价格马币, fontsize12)
plt.ylabel(频数, fontsize12)# 绘制 Median_PSF 的直方图和核密度曲线
plt.subplot(1, 3, 2)
sns.histplot(data[Median_PSF], kdeTrue, colorlightcoral, bins30)
plt.title(每平方英尺价格分布, fontsize14)
plt.xlabel(每平方英尺价格马币, fontsize12)
plt.ylabel(频数, fontsize12)# 绘制 Transactions 的直方图和核密度曲线
plt.subplot(1, 3, 3)
sns.histplot(data[Transactions], kdeTrue, colorlightgreen, bins30)
plt.title(交易数量分布, fontsize14)
plt.xlabel(交易数量, fontsize12)
plt.ylabel(频数, fontsize12)# 调整布局
plt.tight_layout()
plt.show()Selangor雪兰莪州 和 Johor柔佛州 是房产数量最多的地区合计达到45%以上占据明显优势。房产分布存在较大的区域差异例如 Labuan纳闽 和 Perlis玻璃市 等州的房产数量极少仅为1个。房产类型以 Terrace House排屋 为主数量高达1279占主导地位。相比之下 Semi D半独立别墅 和 Apartment公寓 数量分别为284和200。大多数房产为 Freehold永久产权占66.9%而 Leasehold租赁产权 占比为33.1%。这表明永久产权房产更受购房者青睐。房产中位数价格价格集中在较低的区间大多数房产价格低于 2,000,000 马币但右侧存在少数极高价格的房产表现出右偏态可能与高端市场有关。每平方英尺价格大多数房产的每平方英尺价格集中在 200-600 马币 范围内表明市场主要集中在相对中低端。交易数量交易数量大多数集中在 50以下但少数地区的交易数量较高可能与特定地区或房产类型的高市场需求有关。
state_mean data.groupby(State)[[Median_Price, Median_PSF, Transactions]].mean()
normalized_means state_mean.apply(lambda x: (x - x.min()) / (x.max() - x.min()))
# 绘制热力图
plt.figure(figsize(12, 8))
sns.heatmap(normalized_means, cmapcoolwarm,center0.5, vmin0, vmax1,annotstate_mean.round(2), # 显示原始值而不是归一化后的值fmt.2f,cbar_kws{label: 标准化得分})
plt.title(各州房产中位数价格、每平方英尺价格和交易数量的热力图)
plt.xlabel(指标)
plt.ylabel(州)
plt.tight_layout()
plt.show()binary_columns data.columns[4:] # 根据实际数据修改起始列state_percentage data.groupby(State)[binary_columns].mean() * 100 # 计算占比转换为百分比# 绘制热力图
plt.figure(figsize(15, 10))
sns.heatmap(state_percentage, annotTrue, cmapcoolwarm, fmt.2f, cbarTrue)
plt.title(各州0-1变量占比的热力图)
plt.xlabel(房产特征)
plt.ylabel(州)
plt.tight_layout()
plt.show()1. 高房价和高交易量
Kuala Lumpur吉隆坡 在房产中位数价格Median_Price和每平方英尺价格Median_PSF上均居首位显示出其作为马来西亚高端房地产市场的主导地位。同时吉隆坡的交易量也在较高水平表明其房产市场非常活跃。Selangor雪兰莪 和 Johor柔佛 的房产中位数价格和每平方英尺价格也较高且两地的交易数量均较大显示出它们作为马来西亚主要的房地产市场之一且在多项指标上表现出强劲的市场需求。
2. 低房价和低交易量
Labuan纳闽 和 Terengganu登嘉楼 的房产中位数价格和每平方英尺价格都在较低水平且交易数量也较低这可能是由于这些地区房地产市场需求较少房价较低且交易不活跃。Kedah吉打 和 Kelantan吉兰丹 在房价和交易量上也较低表明这些地区的房地产市场相对较为冷清可能需要政策支持或其他市场刺激措施。
3. 房产特征的区域差异
Service Residence服务公寓 和 Condominium公寓 在像 Kuala Lumpur吉隆坡 这样的高房价城市中占据主导地位且占比较高。特别是在吉隆坡服务公寓的占比接近 100%说明它们在这些高端市场中非常受欢迎。Terrace House排屋 和 Cluster House集体别墅 在柔佛州和槟城等地的占比也较高这些地区可能偏向于中低价房产市场且交易量较大。Leasehold租赁产权 在一些州如 Perak霹雳 和 Sarawak砂拉越 中占比较大可能表明这些地区的土地使用权更多以租赁为主。
4. 市场的稳定性与差异
Perlis玻璃市 和 Putrajaya布城 显示出较高的 Freehold永久产权 占比尤其是 Putrajaya布城显示出这些地区的高端市场可能依赖于永久产权的吸引力。Bungalow独立别墅 和 Semi D半独立别墅 在一些州如 Johor柔佛 和 Penang槟城 中占比较高这表明这些类型的房产在这些州较为常见且市场需求较强。
6.聚类分析
data_scaled data[[Median_Price, Median_PSF,Transactions]]
# 对数据进行标准化
scaler StandardScaler()
data_scaled scaler.fit_transform(data_scaled)# 使用肘部法则来确定最佳聚类数
inertia []
silhouette_scores []
k_range range(2, 11)
for k in k_range:kmeans KMeans(n_clustersk, random_state15).fit(data_scaled)inertia.append(kmeans.inertia_)silhouette_scores.append(silhouette_score(data_scaled, kmeans.labels_))plt.figure(figsize(15,5))plt.subplot(1, 2, 1)
plt.plot(k_range, inertia, markero)
plt.xlabel(聚类中心数目)
plt.ylabel(惯性)
plt.title(肘部法则图)plt.subplot(1, 2, 2)
plt.plot(k_range, silhouette_scores, markero)
plt.xlabel(聚类中心数目)
plt.ylabel(轮廓系数)
plt.title(轮廓系数图)plt.tight_layout()
plt.show()这里选择分成3类。
kmeans KMeans(n_clusters3, random_state15)
kmeans.fit(data_scaled)
# 获取聚类标签
cluster_labels kmeans.labels_
# 将聚类标签添加到原始数据中以进行分析
data[Cluster] cluster_labels
# 使用 PCA 将数据降维到 2 维
pca PCA(n_components2)
data_pca pca.fit_transform(data_scaled)# 将 PCA 结果转为 DataFrame并添加聚类标签
data_pca_df pd.DataFrame(data_pca, columns[PCA1, PCA2])
data_pca_df[Cluster] cluster_labels# 绘制 PCA 降维后的聚类结果
plt.figure(figsize(12, 8))
sns.scatterplot(xdata_pca_df[PCA1], ydata_pca_df[PCA2], huedata_pca_df[Cluster], paletteviridis, legendfull)
plt.title(fK-Means聚类结果 - PCA 降维展示)
plt.xlabel(主成分 1 (PCA1))
plt.ylabel(主成分 2 (PCA2))
plt.legend(titleCluster, locupper left)
plt.grid(True)
plt.show()感觉分成3类是比较合理的选择各类之间边界明显。
# 对每个特征进行归一化处理每个特征单独归一化
cluster_means data.groupby(Cluster)[[Median_Price, Median_PSF,Transactions]].mean()
# 对每个特征进行归一化处理每个特征单独归一化
normalized_means cluster_means.apply(lambda x: (x - x.min()) / (x.max() - x.min()))plt.figure(figsize(10, 6))
sns.heatmap(normalized_means.T, cmapcoolwarm,center0.5, vmin0, vmax1,annotcluster_means.T.round(2), # 显示原始值而不是归一化后的值fmt.2f,cbar_kws{label: 标准化得分})plt.xlabel(聚类)
plt.title(各聚类特征分布热力图(颜色深浅表示在该特征中的相对大小))
plt.tight_layout()
plt.show() 聚类 0
Median_Price价格中等69,164.22属于中等价房产类别。Median_PSF每平方英尺价格中等463.20表明单位面积价格接近平均水平。Transactions交易数量最高48.09反映该类房产可能位于活跃的市场区域。
聚类 1
Median_Price价格非常低33,088.74为房产中价格最低的一类。Median_PSF单位面积价格最低246.14可能是面积较大的房产。Transactions交易数量最低20.07表明这类房产市场需求较低。
聚类 2
Median_Price价格非常高2,237,694.95属于高端房产类别。Median_PSF每平方英尺价格最高963.17表明这类房产单位面积的价格较高可能是高端物业。Transactions交易数量中等23.98表明高端房产市场需求适中但不如低价房产活跃。
7.相关性分析
target_variable Median_Price
binary_variables data.columns[4:-1]correlation_results []# 对每个 0-1 变量计算点二列相关性
for binary_var in binary_variables:correlation, p_value pointbiserialr(data[binary_var], data[target_variable])correlation_results.append({Variable: binary_var,Correlation: correlation,P-Value: p_value})correlation_results_df pd.DataFrame(correlation_results)
print(房产的中位数价格与其他0-1变量之间点二列相关性分析结果)
correlation_results_df房产的中位数价格与其他0-1变量之间点二列相关性分析结果VariableCorrelationP-Value0Terrace House-0.0064697.724725e-011Bungalow0.2006301.315120e-192Service Residence0.1518928.597954e-123Town House0.0129865.616265e-014Cluster House0.0465543.736301e-025Flat-0.1907157.782496e-186Semi D0.0994578.345519e-067Condominium0.1089581.038324e-068Apartment-0.1459065.520686e-119Leasehold-0.1335362.034471e-0910Freehold0.1382885.284742e-10
根据房产中位数价格与其他 0-1 变量之间点二列相关性分析结果发现 正相关影响 Bungalow独立别墅、Service Residence服务公寓、Freehold永久产权 对房产中位数价格有正相关影响表明这些类型房产通常价格较高是高端房产的代表。 负相关影响 Flat廉租房/公寓式房产、Apartment公寓、Leasehold租赁产权 对房产中位数价格有负相关影响表明这些类型房产通常价格较低属于中低价市场。 无显著相关影响 Terrace House排屋、Condominium公寓楼、Semi D半独立别墅、Town House联排别墅、Cluster House集体别墅 对房产中位数价格无显著相关影响说明这些类型房产价格变化较为稳定。
target_variable Median_PSF
correlation_results []# 对每个 0-1 变量计算点二列相关性
for binary_var in binary_variables:correlation, p_value pointbiserialr(data[binary_var], data[target_variable])correlation_results.append({Variable: binary_var,Correlation: correlation,P-Value: p_value})correlation_results_df pd.DataFrame(correlation_results)
print(每平方英尺的中位数价格与其他0-1变量之间点二列相关性分析结果)
correlation_results_df每平方英尺的中位数价格与其他0-1变量之间点二列相关性分析结果VariableCorrelationP-Value0Terrace House-0.2197352.720014e-231Bungalow-0.0207023.547983e-012Service Residence0.4040712.018608e-793Town House-0.0053348.115854e-014Cluster House-0.0340231.282435e-015Flat-0.1173321.423677e-076Semi D-0.1160741.936375e-077Condominium0.2363128.781923e-278Apartment0.0143485.213337e-019Leasehold-0.1391314.139900e-1010Freehold0.1245672.282456e-08
根据每平方英尺的中位价格与其他 0-1 变量之间点二列相关性分析结果发现 正相关影响 Service Residence服务公寓、Condominium公寓楼、Freehold永久产权 对每平方英尺的中位价格有正相关影响表明这些房产类型的单位面积价格更高通常为高端房产。 负相关影响 Terrace House排屋、Flat廉租房/公寓式房产、Semi D半独立别墅、Leasehold租赁产权 对每平方英尺的中位价格有负相关影响表明这些房产类型的单位面积价格更低更适合中低价市场。 无显著相关影响 Transactions交易数量、Bungalow独立别墅、Apartment公寓、Town House联排别墅、Cluster House集体别墅 对每平方英尺的中位价格无显著相关影响说明这些类型房产的单位面积价格较为稳定。
target_variable Transactions
correlation_results []# 对每个 0-1 变量计算点二列相关性
for binary_var in binary_variables:correlation, p_value pointbiserialr(data[binary_var], data[target_variable])correlation_results.append({Variable: binary_var,Correlation: correlation,P-Value: p_value})correlation_results_df pd.DataFrame(correlation_results)
print(房产交易数量与其他0-1变量之间点二列相关性分析结果)
correlation_results_df房产交易数量与其他0-1变量之间点二列相关性分析结果VariableCorrelationP-Value0Terrace House0.1725867.734399e-151Bungalow-0.0174064.365811e-012Service Residence-0.0282122.072595e-013Town House-0.0131005.582136e-014Cluster House0.1317543.331929e-095Flat-0.0669562.736866e-036Semi D-0.0007609.729200e-017Condominium-0.0907344.832550e-058Apartment-0.0942402.429166e-059Leasehold-0.0705281.599190e-0310Freehold0.0686602.124288e-03
根据房产交易数量与其他 0-1 变量之间点二列相关性分析结果发现 正相关影响 Terrace House排屋、Cluster House集体别墅、Freehold永久产权 对交易数量有正相关影响表明这些类型的房产交易较为频繁市场活跃度较高。 负相关影响 Condominium公寓楼、Apartment公寓、Flat廉租房/公寓式房产、Leasehold租赁产权 对交易数量有负相关影响表明这些类型房产的交易频率较低市场需求相对较小。 无显著相关影响 Service Residence服务公寓、Bungalow独立别墅、Semi D半独立别墅、Town House联排别墅 对交易数量无显著相关影响说明这些房产类型对市场活跃度的贡献较小交易较为稳定。
8.结论
基于对2000条房产数据的全面分析本项目得出了以下主要结论 1.描述性分析
Selangor雪兰莪州 和 Johor柔佛州 是房产数量最多的地区合计达到45%以上占据明显优势。房产分布存在较大的区域差异例如 Labuan纳闽 和 Perlis玻璃市 等州的房产数量极少仅为1个。房产类型以 Terrace House排屋 为主数量高达1279占主导地位。相比之下 Semi D半独立别墅 和 Apartment公寓 数量分别为284和200。大多数房产为 Freehold永久产权占66.9%而 Leasehold租赁产权 占比为33.1%。这表明永久产权房产更受购房者青睐。房产中位数价格价格集中在较低的区间大多数房产价格低于 2,000,000 马币但右侧存在少数极高价格的房产表现出右偏态可能与高端市场有关。每平方英尺价格大多数房产的每平方英尺价格集中在 200-600 马币 范围内表明市场主要集中在相对中低端。交易数量交易数量大多数集中在 50以下但少数地区的交易数量较高可能与特定地区或房产类型的高市场需求有关。Kuala Lumpur吉隆坡 在房产中位数价格Median_Price和每平方英尺价格Median_PSF上均居首位显示出其作为马来西亚高端房地产市场的主导地位。同时吉隆坡的交易量也在较高水平表明其房产市场非常活跃。Selangor雪兰莪 和 Johor柔佛 的房产中位数价格和每平方英尺价格也较高且两地的交易数量均较大显示出它们作为马来西亚主要的房地产市场之一且在多项指标上表现出强劲的市场需求。Labuan纳闽 和 Terengganu登嘉楼 的房产中位数价格和每平方英尺价格都在较低水平且交易数量也较低这可能是由于这些地区房地产市场需求较少房价较低且交易不活跃。Kedah吉打 和 Kelantan吉兰丹 在房价和交易量上也较低表明这些地区的房地产市场相对较为冷清可能需要政策支持或其他市场刺激措施。Service Residence服务公寓 和 Condominium公寓 在像 Kuala Lumpur吉隆坡 这样的高房价城市中占据主导地位且占比较高。特别是在吉隆坡服务公寓的占比接近 100%说明它们在这些高端市场中非常受欢迎。Terrace House排屋 和 Cluster House集体别墅 在柔佛州和槟城等地的占比也较高这些地区可能偏向于中低价房产市场且交易量较大。Leasehold租赁产权 在一些州如 Perak霹雳 和 Sarawak砂拉越 中占比较大可能表明这些地区的土地使用权更多以租赁为主。Perlis玻璃市 和 Putrajaya布城 显示出较高的 Freehold永久产权 占比尤其是 Putrajaya布城显示出这些地区的高端市场可能依赖于永久产权的吸引力。Bungalow独立别墅 和 Semi D半独立别墅 在一些州如 Johor柔佛 和 Penang槟城 中占比较高这表明这些类型的房产在这些州较为常见且市场需求较强。
2.聚类分析 将数据分为3类其中 聚类 0中低价位房产 价格较低单位面积价格适中交易数量最高。适合普通购房者市场需求较高房产交易较为频繁。 聚类 1低价房产 总价和单位面积价格均最低交易数量也最低。可能是郊区或市场冷门地区的房产市场需求较低。 聚类 2高端房产 总价和单位面积价格均非常高交易数量适中。适合高收入购房者市场相对小众但稳定。
3.相关性分析
根据房产中位数价格与其他 0-1 变量之间点二列相关性分析结果发现Bungalow独立别墅、Service Residence服务公寓、Freehold永久产权 对房产中位数价格有正相关影响表明这些房产通常价格较高属于高端市场Flat廉租房、Apartment公寓、Leasehold租赁产权 对房产中位数价格有负相关影响通常价格较低适合中低价市场Terrace House排屋、Condominium公寓楼、Semi D半独立别墅、Town House联排别墅、Cluster House集体别墅 对房产中位数价格影响较小价格变化较稳定。根据每平方英尺的中位价格与其他 0-1 变量之间点二列相关性分析结果发现Service Residence服务公寓、Condominium公寓楼、Freehold永久产权 对每平方英尺的价格有正相关影响通常为高端房产Terrace House排屋、Flat廉租房、Semi D半独立别墅、Leasehold租赁产权 对每平方英尺的价格有负相关影响更适合中低价市场Transactions交易数量、Bungalow独立别墅、Apartment公寓、Town House联排别墅、Cluster House集体别墅 对每平方英尺价格无显著相关影响单位面积价格较为稳定。根据房产交易数量与其他 0-1 变量之间点二列相关性分析结果发现Terrace House排屋、Cluster House集体别墅、Freehold永久产权 对交易数量有正相关影响说明这些类型房产市场活跃交易频繁Condominium公寓楼、Apartment公寓、Flat廉租房、Leasehold租赁产权 对交易数量有负相关影响说明市场需求较小交易较少Service Residence服务公寓、Bungalow独立别墅、Semi D半独立别墅、Town House联排别墅 对交易数量无显著影响市场相对稳定。
