簡介這份資源是面向計算機相關專業(yè)學生與項目實戰(zhàn)學習者的Python數(shù)據(jù)采集與可視化完整項目包以南京二手房為分析對象可用于課程設計、期末大作業(yè)或畢業(yè)設計參考。項目圍繞二手房數(shù)據(jù)的抓取、清洗與可視化展開包含原始數(shù)據(jù)、清洗后數(shù)據(jù)及多版本編碼文件便于對比數(shù)據(jù)預處理前后的差異。壓縮包共157個文件約40.02MB其中18個py腳本承載采集與繪圖邏輯18個csv與15個html、11個js構成數(shù)據(jù)與可視化頁面另有65個png圖表、pptx匯報文件及ini、txt等配置說明結構完整、層次清晰。目前已有618人學習下載。代碼經(jīng)過嚴格調(diào)試下載即用可直接運行并復現(xiàn)分析流程同時配套PPT資料方便整理答辯思路與展示成果適合需要快速搭建項目框架、理解數(shù)據(jù)采集到可視化全鏈路的學習者參考借鑒。1. 南京二手房數(shù)據(jù)項目從 CSV 到可視化這套源碼能省你多少時間如果你正在做 Python 課程設計或期末大作業(yè)選題是「數(shù)據(jù)采集 可視化分析」大概率會遇到一個尷尬局面爬蟲代碼能跑但數(shù)據(jù)清洗完就不知道怎么出圖或者圖表能畫但數(shù)據(jù)字段對不上、中文亂碼、坐標軸擠成一團。這套南京二手房項目源碼核心價值就在于把「采集 → 清洗 → 存儲 → 可視化」整條鏈路串起來了而且附帶了從原始 CSV 到清洗后 CSV 的完整中間產(chǎn)物你能清楚看到每一步數(shù)據(jù)長什么樣。項目面向計算機相關專業(yè)的課程設計和畢業(yè)設計場景代碼經(jīng)過調(diào)試下載后按依賴裝好就能運行。它不是一個只貼幾行爬蟲的 demo而是包含多份數(shù)據(jù)文件、可視化腳本和 PPT 資料的完整交付物。適合兩類人一是需要快速搭出可演示系統(tǒng)的同學二是想拿真實數(shù)據(jù)練 pandas 和 matplotlib 的入門者。下面我按實際拆包順序把數(shù)據(jù)文件、清洗邏輯、可視化實現(xiàn)和常見翻車點逐個講透。2. 數(shù)據(jù)文件與采集鏈路ershoufang-origin 到 clean 的字段演變2.1 原始 CSV 的編碼差異與字段結構拿到壓縮包后第一件事不是急著跑代碼而是先看清數(shù)據(jù)文件的命名規(guī)律。項目里出現(xiàn)了ershoufang-origin-utf8.csv、ershoufang-origin-ansi.csv、ershoufang-clean-utf8-v1.1.csv、ershoufang-clean-ansi-v1.1.csv以及ershoufang - 20000.csv、ershoufang.csv這幾類文件。命名里的origin表示采集后的原始數(shù)據(jù)clean表示清洗后的版本utf8和ansi是兩種編碼格式v1.1是清洗規(guī)則迭代后的版本號。原始數(shù)據(jù)通常包含這些字段小區(qū)名稱、戶型、面積、朝向、樓層、裝修情況、掛牌價格、單價、區(qū)域、經(jīng)緯度等。南京二手房數(shù)據(jù)有個特點鼓樓、玄武、建鄴這幾個區(qū)的單價跨度很大從兩萬多到七八萬都有做可視化時如果不做區(qū)域分組圖表會被極端值拉扁。ershoufang - 20000.csv這個文件名里的 20000 大概率是采集條數(shù)或價格篩選閾值實際使用時先head看一眼確認。import pandas as pd # 先探測編碼不要直接指定 utf-8ansi 文件用 utf-8 讀會報 UnicodeDecodeError raw_utf8 pd.read_csv(ershoufang-origin-utf8.csv, encodingutf-8) print(raw_utf8.shape) print(raw_utf8.columns.tolist()) print(raw_utf8.head(3)) # ansi 編碼在 Windows 下常見用 gbk 或 gb18030 讀取 raw_ansi pd.read_csv(ershoufang-origin-ansi.csv, encodinggb18030) print(raw_ansi.shape)這段代碼的關鍵點是編碼探測。很多同學拿到 CSV 直接pd.read_csv不寫 encoding在 Windows 上默認走 cp936遇到 utf-8 文件就亂碼在 Linux 或 Mac 上默認 utf-8遇到 ansi 文件又報錯。穩(wěn)妥做法是先讀前幾行試編碼或者用chardet檢測。shape和columns是必看項確認行數(shù)和字段名跟預期一致避免后面清洗時字段對不上。2.2 采集腳本的請求構造與翻頁邏輯項目源碼里的采集部分常見做法是用requests配合BeautifulSoup或lxml解析列表頁。南京二手房平臺如鏈家、安居客的列表頁 URL 通常帶page參數(shù)翻頁就是改這個參數(shù)。請求頭里必須帶User-Agent否則大概率返回 403 或空頁面。采集頻率要控制time.sleep(1)到time.sleep(3)是常見區(qū)間太快會被限流太慢兩萬條數(shù)據(jù)要跑很久。import requests from bs4 import BeautifulSoup import time import csv headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 } def fetch_page(page_num): url fhttps://nj.example.com/ershoufang/pg{page_num}/ resp requests.get(url, headersheaders, timeout10) resp.encoding utf-8 if resp.status_code ! 200: print(fpage {page_num} status {resp.status_code}) return [] soup BeautifulSoup(resp.text, lxml) items soup.select(.sellListContent li) rows [] for item in items: title item.select_one(.title a) price item.select_one(.totalPrice span) unit item.select_one(.unitPrice span) rows.append({ title: title.get_text(stripTrue) if title else , total_price: price.get_text(stripTrue) if price else , unit_price: unit.get_text(stripTrue) if unit else }) return rows all_rows [] for pg in range(1, 101): rows fetch_page(pg) all_rows.extend(rows) print(fpage {pg} got {len(rows)} rows) time.sleep(2) with open(ershoufang.csv, w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnames[title, total_price, unit_price]) writer.writeheader() writer.writerows(all_rows)這段采集代碼的邏輯說明headers里的User-Agent是必須項缺了會被識別為腳本請求timeout10防止某個請求卡死拖垮整個循環(huán)resp.encoding utf-8顯式指定編碼避免中文亂碼select選擇器要根據(jù)目標頁面實際 DOM 結構調(diào)整不同平臺類名不一樣。翻頁范圍range(1, 101)對應一百頁每頁約二十條總量兩千條左右如果要湊兩萬條需要擴大范圍或按區(qū)域拆分采集。time.sleep(2)是禮貌間隔實際跑的時候根據(jù)目標站點響應速度調(diào)整但不要低于 1 秒。提示采集前先手動翻幾頁確認 URL 規(guī)律和 DOM 結構不要直接套用示例選擇器。平臺改版后類名會變這是最常見的翻車原因。3. 數(shù)據(jù)清洗與字段處理從原始 CSV 到 clean-v1.1 的轉換規(guī)則3.1 價格、面積字段的數(shù)值化與異常值處理原始數(shù)據(jù)里的價格和面積通常是帶單位的字符串比如「320萬」「89.5平米」「3室2廳」。做可視化之前必須把這些轉成數(shù)值類型否則 matplotlib 沒法畫。清洗的核心步驟包括去掉單位、轉 float、處理缺失值、剔除極端異常值。clean-v1.1這個版本號說明清洗規(guī)則至少迭代過一次常見改動是增加了異常值過濾或修正了某個字段的解析邏輯。import pandas as pd import numpy as np df pd.read_csv(ershoufang-origin-utf8.csv, encodingutf-8) # 價格字段去掉「萬」字轉 float df[total_price] df[total_price].astype(str).str.replace(萬, , regexFalse) df[total_price] pd.to_numeric(df[total_price], errorscoerce) # 面積字段去掉「平米」等后綴 df[area] df[area].astype(str).str.extract(r(\d\.?\d*)) df[area] pd.to_numeric(df[area], errorscoerce) # 單價字段去掉「元/平米」并轉數(shù)值 df[unit_price] df[unit_price].astype(str).str.replace(元/平米, , regexFalse) df[unit_price] pd.to_numeric(df[unit_price], errorscoerce) # 剔除面積或價格為空的行 df df.dropna(subset[total_price, area, unit_price]) # 用 IQR 方法過濾單價異常值 q1 df[unit_price].quantile(0.25) q3 df[unit_price].quantile(0.75) iqr q3 - q1 lower q1 - 1.5 * iqr upper q3 1.5 * iqr df df[(df[unit_price] lower) (df[unit_price] upper)] print(fafter clean: {df.shape}) df.to_csv(ershoufang-clean-utf8-v1.1.csv, indexFalse, encodingutf-8)邏輯說明str.replace去掉單位后pd.to_numeric配合errorscoerce把無法轉換的值變成 NaN再用dropna剔除。str.extract用正則從「89.5平米」里抽出數(shù)字部分比直接 replace 更穩(wěn)因為面積字段的格式可能不統(tǒng)一。IQR 過濾是常見的異常值處理方式把超出 1.5 倍四分位距的數(shù)據(jù)去掉避免個別天價房源把圖表拉變形。參數(shù)lower和upper可以根據(jù)實際數(shù)據(jù)分布調(diào)整如果發(fā)現(xiàn)過濾后數(shù)據(jù)量驟減說明閾值太緊改成 3 倍 IQR 試試。3.2 區(qū)域字段標準化與戶型拆分南京的行政區(qū)劃字段在原始數(shù)據(jù)里可能有多種寫法比如「鼓樓」「鼓樓區(qū)」「南京鼓樓」混在一起。做區(qū)域維度的可視化之前需要統(tǒng)一成標準名稱。戶型字段「3室2廳」可以拆成「室數(shù)」和「廳數(shù)」兩個數(shù)值列方便后續(xù)做戶型分布統(tǒng)計。# 區(qū)域標準化去掉「區(qū)」「南京」等前后綴 df[district] df[district].astype(str).str.replace(南京, , regexFalse) df[district] df[district].str.replace(區(qū), , regexFalse) df[district] df[district].str.strip() # 戶型拆分從「3室2廳」提取室數(shù)和廳數(shù) df[room] df[layout].astype(str).str.extract(r(\d)室) df[hall] df[layout].astype(str).str.extract(r(\d)廳) df[room] pd.to_numeric(df[room], errorscoerce) df[hall] pd.to_numeric(df[hall], errorscoerce) # 按區(qū)域統(tǒng)計均價 district_avg df.groupby(district)[unit_price].mean().sort_values(ascendingFalse) print(district_avg)區(qū)域標準化這步看起來簡單但實際數(shù)據(jù)里經(jīng)常有「江寧」「江寧區(qū)」「南京江寧區(qū)」三種寫法并存不統(tǒng)一的話 groupby 會分成三組統(tǒng)計結果就錯了。戶型拆分用正則提取數(shù)字errorscoerce處理「未知」「暫無」這類非標準值。groupby后的mean()默認跳過 NaN但如果某個區(qū)域全是 NaN結果里會出現(xiàn)空值需要額外處理。注意清洗后的文件同時保留了 utf8 和 ansi 兩個版本這是為了兼容不同操作系統(tǒng)。Windows 下用 Excel 打開 utf8 文件可能亂碼ansi 版本就是給這種情況準備的。寫代碼時統(tǒng)一用 utf8 版本避免編碼問題。4. 可視化實現(xiàn)與圖表選型matplotlib 出圖的關鍵參數(shù)4.1 區(qū)域均價柱狀圖與橫坐標擁擠處理區(qū)域均價對比是最常見的可視化需求用柱狀圖最直觀。但南京有十幾個區(qū)如果全畫上去橫坐標標簽會擠成一團這是 Python 畫圖的高頻問題。解決辦法有三種旋轉標簽、只畫 Top N、或者用橫向柱狀圖。我一般用橫向柱狀圖區(qū)域名放縱軸可讀性最好。import matplotlib.pyplot as plt import matplotlib # 設置中文字體Windows 用 SimHeiMac 用 Arial Unicode MS matplotlib.rcParams[font.sans-serif] [SimHei] matplotlib.rcParams[axes.unicode_minus] False district_avg df.groupby(district)[unit_price].mean().sort_values(ascendingTrue) fig, ax plt.subplots(figsize(10, 6)) bars ax.barh(district_avg.index, district_avg.values, color#4C72B0) ax.set_xlabel(均價元/平米) ax.set_title(南京各區(qū)二手房均價對比) # 在柱狀圖末端標注數(shù)值 for bar in bars: width bar.get_width() ax.text(width, bar.get_y() bar.get_height()/2, f{width:.0f}, haleft, vacenter, fontsize9) plt.tight_layout() plt.savefig(district_avg.png, dpi150) plt.show()邏輯說明font.sans-serif設置中文字體不設的話中文會顯示成方塊這是新手最常遇到的玄學問題。axes.unicode_minus False解決負號顯示異常。barh是橫向柱狀圖區(qū)域名在縱軸不會擁擠。ax.text在每根柱子末端標數(shù)值haleft讓文字左對齊到柱子末端。tight_layout自動調(diào)整邊距防止標簽被裁掉。dpi150保證保存的圖片清晰度夠用。4.2 價格分布直方圖與戶型餅圖除了區(qū)域?qū)Ρ葍r格分布和戶型占比也是課程設計里常要求的圖表。價格分布用直方圖看集中區(qū)間戶型用餅圖看占比。直方圖的bins參數(shù)決定柱子數(shù)量太少看不出分布細節(jié)太多又顯得雜亂一般設 20 到 30 之間。fig, axes plt.subplots(1, 2, figsize(14, 5)) # 價格分布直方圖 axes[0].hist(df[unit_price], bins25, color#55A868, edgecolorwhite) axes[0].set_xlabel(單價元/平米) axes[0].set_ylabel(房源數(shù)量) axes[0].set_title(南京二手房單價分布) # 戶型分布餅圖只取前 6 種戶型 layout_counts df[layout].value_counts().head(6) axes[1].pie(layout_counts.values, labelslayout_counts.index, autopct%1.1f%%, startangle90) axes[1].set_title(戶型占比分布) plt.tight_layout() plt.savefig(price_layout.png, dpi150) plt.show()直方圖的bins25是經(jīng)驗值數(shù)據(jù)量在兩萬條左右時這個粒度比較合適。edgecolorwhite讓柱子之間有白色分隔線視覺上更清晰。餅圖的autopct顯示百分比startangle90讓第一塊從十二點方向開始符合閱讀習慣。head(6)只取前六種戶型避免餅圖切片太多看不清。提示如果橫坐標標簽仍然擁擠可以用plt.xticks(rotation45)旋轉或者用ax.xaxis.set_major_locator控制刻度密度。但橫向柱狀圖通常比旋轉標簽更優(yōu)雅。5. 避坑與排查編碼、字段、圖表三類高頻問題5.1 中文亂碼現(xiàn)象是圖表中文變方塊原因是字體未設置現(xiàn)象matplotlib 畫出來的圖里標題和軸標簽的中文全部顯示成方塊或問號。原因matplotlib 默認字體不含中文字形需要顯式指定支持中文的字體。解決在繪圖前設置matplotlib.rcParams[font.sans-serif]Windows 用SimHeiMac 用Arial Unicode MSLinux 用WenQuanYi Micro Hei。如果設置后仍不生效檢查字體是否真的安裝在系統(tǒng)里可以用matplotlib.font_manager.findfont確認。5.2 CSV 讀取報錯現(xiàn)象是 UnicodeDecodeError原因是編碼不匹配現(xiàn)象pd.read_csv報UnicodeDecodeError: utf-8 codec cant decode byte。原因文件實際編碼是 ansi/gbk但讀取時指定了 utf-8或者反過來。解決先用chardet.detect檢測文件編碼或者直接用encodinggb18030讀取 ansi 版本。gb18030 兼容 gbk 和 gb2312覆蓋面更廣。如果不想改代碼用文本編輯器把文件另存為 utf-8 也行。5.3 字段提取為空現(xiàn)象是正則匹配后整列 NaN原因是字段格式與預期不符現(xiàn)象用str.extract提取面積或戶型后整列都是 NaN。原因原始數(shù)據(jù)里該字段的格式跟正則不匹配比如面積寫的是「89.5㎡」而不是「89.5平米」或者戶型寫的是「三室兩廳」而不是「3室2廳」。解決先df[area].head(20)看實際格式再調(diào)整正則。中文數(shù)字和阿拉伯數(shù)字混用的情況需要額外做映射轉換。5.4 圖表保存空白現(xiàn)象是 savefig 出來的圖片是白圖原因是 show 和 savefig 順序問題現(xiàn)象plt.savefig保存的圖片打開后是空白但plt.show彈出的窗口正常。原因在某些后端下plt.show()會清空當前 figure如果先 show 再 savefig保存的就是空圖。解決先savefig再show或者用fig.savefig代替plt.savefig。這個坑在 Jupyter Notebook 里尤其常見。5.5 采集被封現(xiàn)象是請求返回 403 或驗證碼頁面原因是請求頻率過高或缺少請求頭現(xiàn)象采集腳本跑了幾十頁后開始返回 403或者頁面內(nèi)容變成驗證碼。原因請求頻率太高被目標站點識別為異常流量或者User-Agent缺失被直接拒絕。解決增大time.sleep間隔到 3 到 5 秒補全headers里的User-Agent、Referer等字段必要時輪換 User-Agent。如果仍然被封考慮降低采集量或分時段采集。6. 進階技巧用 pyecharts 做交互式可視化與 PPT 聯(lián)動課程設計如果只交靜態(tài)圖演示效果會打折扣。這套項目附帶了 PPT 資料說明作者考慮了答辯場景。我的習慣是在 matplotlib 靜態(tài)圖之外再用 pyecharts 做一版交互式圖表答辯時鼠標懸停能看具體數(shù)值觀感提升明顯。pyecharts 的安裝用pip install pyecharts生成的是 HTML 文件瀏覽器直接打開就能交互。from pyecharts.charts import Bar, Pie from pyecharts import options as opts # 區(qū)域均價交互柱狀圖 district_avg df.groupby(district)[unit_price].mean().sort_values(ascendingFalse).head(10) bar ( Bar() .add_xaxis(district_avg.index.tolist()) .add_yaxis(均價, district_avg.values.round(0).tolist()) .set_global_opts( title_optsopts.TitleOpts(title南京各區(qū)二手房均價 Top10), xaxis_optsopts.AxisOpts(axislabel_optsopts.LabelOpts(rotate30)), yaxis_optsopts.AxisOpts(name元/平米) ) ) bar.render(district_avg_interactive.html)這段代碼的邏輯Bar()創(chuàng)建柱狀圖對象add_xaxis和add_yaxis分別設置橫軸和縱軸數(shù)據(jù)set_global_opts配置標題和軸標簽。rotate30旋轉橫軸標簽防止擁擠跟 matplotlib 的思路一致但參數(shù)寫法不同。render輸出 HTML 文件可以直接嵌入 PPT 的超鏈接里答辯時點擊跳轉。pyecharts 和 matplotlib 的選型區(qū)別matplotlib 適合生成靜態(tài)圖片插入論文或 PPTpyecharts 適合現(xiàn)場演示交互。如果時間充裕兩個都做如果只選一個答辯場景優(yōu)先 pyecharts論文場景優(yōu)先 matplotlib。另外PPT 里的圖表建議用清洗后的clean-v1.1數(shù)據(jù)重新生成一遍保證數(shù)據(jù)口徑一致避免 PPT 里的數(shù)字和代碼跑出來的對不上。還有一個細節(jié)pyecharts 生成的 HTML 文件默認引用在線 CDN 的 JS 庫如果答辯現(xiàn)場網(wǎng)絡不穩(wěn)定圖表可能加載不出來。解決辦法是用pyecharts的離線資源模式或者提前把 HTML 在本地瀏覽器打開確認能正常渲染。我一般會在答辯前一天把所有 HTML 文件在目標電腦上過一遍確認字體和交互都正常。從那以后我每次交付可視化項目都會強制走一遍「換一臺電腦打開 HTML」的流程因為編碼、字體、CDN 這三個東西在不同機器上的表現(xiàn)真的不一樣。希望幫到你。本文還有配套的精品資源點擊獲取