适用于有一定基础的初学者。内容为实战。

本章节的内容围绕客户需求延伸，具体方案因人而异。欢迎大家在评论区提出不同的方案。

使用到的数据：链接：https://pan.baidu.com/s/1yhzQSdquizLayXamM0wygg  提取码：3b7i

数据介绍：

用到的数据共4张表（cvs格式），为2003-2019年美国纽约市房地产交易数据。

NYC_HISTORICAL包含：交易ID，社区ID，地址，建筑类型，时间，价格，面积等；BOROUGH包含：BOROUGH_ID和BOROUG名称；BUILDING_CLASS包含：建筑ID和建筑类型等；NEIGHBORHOOD 包含：街道ID和BOROUGH_ID等；

本案例需要根据ID整合数据，从中提取目标信息。

场景模拟：

雇主是一家房地产中介企业，现有在纽约市拓展业务的计划，但是不知道选择纽约市的哪个地区。故请来了数据分析师（你），给了上述4张表的数据，请你分析一下。

“数据就这些，帮我用回归什么的分析一下吧，帮我选几个能赚的多的地方”。雇主说道。

你有些紧张，雇主的说法模糊，让你不知如何下手。

开始分析前：

1. 快速的浏览数据。巧妇难为无米之炊，数据的内容和范围决定了你能做到的事情，也决定了你如何与雇主展开询问【不懂的地方（如变量含义）在一开始问清楚，中途再问只会暴露自己的不专业】。例如：

‘数据中有大量交易价格和面积为零的数据，请问这是?’

‘哦，经常会有房产转移这样的，比如父母给子女。你不用管就行’

2. 挖掘雇主的需求。很多时候，雇主自己都不知道一次分析能带来什么，也许就是随便看看。你需要帮助雇主找到他的需求，进而解决。不然很可能花费大力气分析了一堆，在雇主眼里不知所云毫无价值。

‘贵公司是想要在纽约市开设房产中介，故想选择一个区域，该区域最好交易多，是吗？’

‘对对，最好价格也高，因为中介费和交易价格挂钩。要单子多，且价格高’

......

经过严谨的询问，你知道了：这是一家房产中介公司，业务集中于住宅类型中介服务，包括买卖和租赁。【但是该数据没有租赁的数据，经过询问，你确定这次分析集中在买卖上，无需考虑租赁】因此，你的目标是，帮助雇主在纽约市选择一个，交易多，且价格高的地区。

3. 了解雇主的想法。很少有雇主两眼一抹黑就来找数据分析师，大部分都会带着心里有的方案，希望在分析师这得到确认。你需要了解雇主的想法，将其纳入你分析的考虑因素中。

例如：雇主在找你前，心中已经选定了几个合适的地区

你可以：‘纽约市很大，请问您现在有意向的几个地区吗’

回答A：‘我觉得...和...几个地方就不错，你帮我着重看一下’（那你在分析的时候，千万不能漏了）

回答B：‘现在还没有，你就帮我排一排最好的几个吧’（你可以放心的继续了）

开始筛选

导入，合并数据（在第一章节中讲过，不多赘述）

library(lubridate)

library(tidyverse)

library(forecast)

setwd("C:/Users/10098/Desktop/AD571/571，A34")

BOROUGH <- read.csv("BOROUGH.csv", header=TRUE)

BUILDING_CLASS <- read.csv("BUILDING_CLASS.csv", header=TRUE)

NEIGHBORHOOD <- read.csv("NEIGHBORHOOD.csv", header=TRUE)

NYC_HISTORICAL <- read_csv2("NYC_HISTORICAL.csv")

NYC_HISTORICAL <- mutate(NYC_HISTORICAL, Y = year(SALE_DATE), Q = quarter(SALE_DATE), D = date(SALE_DATE))

NEIGHBORHOOD <- left_join(NEIGHBORHOOD,BOROUGH, by = 'BOROUGH_ID')

按照雇主需求取出有效数据。

df <- NYC_HISTORICAL %>%

left_join(BUILDING_CLASS, by = c('BUILDING_CLASS_FINAL_ROLL' = 'BUILDING_CODE_ID')) %>%

left_join(NEIGHBORHOOD, by = 'NEIGHBORHOOD_ID') %>%

select(NEIGHBORHOOD_ID, YEAR_BUILT, SALE_PRICE, GROSS_SQUARE_FEET,TYPE,Y, Q) %>%

subset(SALE_PRICE != 0) %>% #按雇主需求筛除

subset(GROSS_SQUARE_FEET != 0) %>% #按雇主需求筛除

subset(Y>=2010) %>% #按雇主需求筛选大于10年的数据

filter(TYPE == 'RESIDENTIAL') %>% #按雇主选择住宅类型

na.omit()

可以先看一下近五年交易量最大的几个地区，有个数

df_5year <- df %>%

subset(Y>=2015) %>%

count(NEIGHBORHOOD_ID)

df_5year[order(df_5year[,"n"], decreasing = TRUE), ] #排序

再观察一下近五年每单交易的均价

df_5year_price <- df %>%

subset(Y>=2015) %>%

group_by(NEIGHBORHOOD_ID) %>%

summarize(mean(SALE_PRICE))

df_5year_price[order(df_5year_price[,"mean(SALE_PRICE)"], decreasing = TRUE), ]

 综合考虑（方法应根据实际情况和雇主徐需求，这里使用最简单的相乘）：

这里选出最好的前50名

df_all <- mutate(df_5year, df_5year_price)

df_all$product <- df_all$n * df_all$`mean(SALE_PRICE)`

top_50 <- head(df_all[order(df_all[,"product"], decreasing = TRUE), ], 50)

到这一步，我们有了一个基本的范围：

综合价格和量两方面考虑，筛选了50个地区。那几个地区交易量大，那几个地区每单均价高。

接下进一步筛选（每一步的筛选标准应当根据雇主的侧重点进行设计）：

这里用成长性，即预测未来8个季度的价格涨幅作为筛选标准。

方法为ets指数平滑法（在第三中已经介绍），使用循环放入50个地区，得到对应涨幅。

grow_box <- c()

for (x in top_50$NEIGHBORHOOD_ID) {

df_forecast <- df %>%

subset(NEIGHBORHOOD_ID == x) %>%

group_by( Y, Q) %>%

summarise(sum(SALE_PRICE))

ts_data <- ts(df_forecast[,3], start=2010, end=c(2019, 4), frequency=4)

model <- ets(y = ts_data, model = 'ZZZ')

fit <- predict(model, 8)

df_8Q <- data.frame(fit$mean)

growth_rate <- (df_8Q[8, ] - df_forecast[40, 3]) / df_forecast[40, 3]

grow_box <- append(grow_box, growth_rate$`sum(SALE_PRICE)`)

}

df_grow <- data.frame(top_50$NEIGHBORHOOD_ID, grow_box)

top_10 <- head(df_grow[order(df_grow[,2], decreasing = TRUE), ] , 10) #排序

 现在我们做了进一步的筛选，得到了top10。【处理的时候有空值，是因为有些地区某些季度没有交易，针对这些地区以年为单位做指数平滑法预测，操作相似，在此不赘述】

（如果客户有意向的区域，记得加入这份列表中）

进一步分析

到这里，我们已经顺利的利用“价格”，“销售量”，“增长”三个指标筛选出了top10。

但显然还不够，因为我只分析了共性的指标，而每个区域都具有不同的特征，我们需要向客户提供这些信息，供其决策。

根据数据，我们可以得到的特征有：季节性 + 房屋年龄 

（特征是否有价值应当由客户判断，你应当尽量的可能有用的特征提取和展现）

这里利用回归，根据经济学的基本知识和已有数据，可知

交易价格 ~  去年的整体价格 +  交易面积 + 房屋年龄 + 季节

【隐含假设：

售房者会根据去年的该地区房屋售价定价交易面积越大，交易价格越高房屋越老，价格越低季节影响交易  】

整理数据，得到房屋年龄，地区每平方米均价

df$YEAR_BUILT <- df$Y - df$YEAR_BUILT #得到age

df$Price_per_square <- df$SALE_PRICE / df$GROSS_SQUARE_FEET

Local_Average <- df %>%

group_by(NEIGHBORHOOD_ID, Y) %>%

summarise(mean(Price_per_square)) #得到地区每平方米均价

Local_Average$Y <- Local_Average$Y + 1 #滞后一年

df <- left_join(df, Local_Average, by = c('NEIGHBORHOOD_ID', 'Y'))

names(df) <- c('ID', 'Age', 'Price', 'Feet', 'Type', 'Year', 'Quarter', 'Price_per_square', 'Local_Average')

选则top10中的地区逐个研究（这里只演示ID：80），并把季节变为因子（为了回归）

panel_df <- df%>%

filter(ID == 80)

panel_df$Quarter <- factor(panel_df$Quarter)

regression_model <- lm(Price ~ Local_Average + Feet + Age + Quarter , data = panel_df)

summary(regression_model)

回归结果如下：

 解释：

local_average不显著在意料之内，因为地区中不同房屋售价差异也大，此处作为控制变量feet显著符合直觉age不显著也在意料之中，因为不知道是否翻新，可以考虑删去季节不显著没有关系，因为售房租房有季节性是确定的，我们只要系数即可被删除的观察量是因为我们做了滞后，会有损失

现在，我们将10个地区全部回归，将季节波动提取出来

results_box <- c()

for (x in top_10$top_50.NEIGHBORHOOD_ID) {

panel_df <- df%>%

filter(ID == x)

panel_df$Quarter <- factor(panel_df$Quarter)

# Fixed effects using Least squares dummy variable model

regression_model <- lm(Price ~ Local_Average + Feet + Quarter , data = panel_df)

result <- summary(regression_model)

results_box <- append(results_box, result$coefficients[c(4,5,6)])

}

coefficients <- data.frame(t(array(results_box, dim = c(3, 10))))

整理平均房龄（上面回归用的是交易个体的房龄，因此这里再整理一次地区平均的）

将top50获得的 '近五年销售量' , '近五年销售价格', '价量综合指数'（就是乘积），整理的平均房龄，以及回归得到的季节波动全部整合到top10，得到最后的数据框。

df_age <- data.frame(df$ID,df$Age)

df_average_age <- df_age %>%

group_by(df.ID) %>%

summarise(mean(df.Age))

df_final <- top_10 %>%

left_join(top_50, by = c('top_50.NEIGHBORHOOD_ID' = 'NEIGHBORHOOD_ID')) %>%

left_join(df_average_age, by = c('top_50.NEIGHBORHOOD_ID' = 'df.ID') ) %>%

mutate(coefficients)

names(df_final) <- c('ID','增长率', '近五年销售量' , '近五年销售价格',

'价量综合指数', '平均房龄', 'Q2波动', 'Q3波动', 'Q4波动')

最终的效果：

 你成功的帮助客户筛选了10个地区。客户不希望地区房龄太老，筛除了ID243,115,247。也不希望季节波动过大，筛除了ID243,95。客户将在剩下的6个地区重点寻找合适的门店，并且非常感谢你的分析。

大功告成！

案例源于波士顿大学，感谢教授Tara Kelly

后记：

价量综合指数和增长率是我们筛选的最重要指标，实际情况可能更加复杂，如“竞争者数量”，“开设门店成本”等。每一步操作都对分析师有着极高的经济学知识要求和技术要求，本文内容相对于实践来说微不足道，甚至一些地方的分析略有偏颇。希望各位同行前辈多多指点，共勉。

相关阅读

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：