Zillow房價預測系列：Kmeans聚類地理信息並可視化

02-02

利用K-Means演算法對Zillow競賽數據的經緯度地理信息進行聚類，並將聚類結果進行可視化。

Kaggle舉辦了很多次房價預測相關的比賽。在房價預測比賽中都會有涉及到地理位置的特徵，比如：最基本的經緯度（longitude、latitude），還包括地區編碼、郵編等。

地理位置對房價的重要性想必大家都是知道的，對一套相同條件的房子來說，位於北京和昆明的可謂天壤之別。因此需要我們花費大量的時間和精力來處理這些特徵。

一、地理位置特徵處理方法

看到地理位置信息，首先就會想到聚類，一個簡單的方式將每個房子劃分到同一塊區域中去；除了聚類以外，通過算出幾個中心點坐標，計算曼哈頓距離或者歐式距離可能都會有神奇的效果。

二、Zillow地理信息可視化實戰分析

我最近在刷Zillow，所以就以Zillow數據集為例，介紹地理信息聚類方法。

第一步，我們把地理信息先可視化出來，看看效果。

import numpy as npnimport pandas as pdnimport matplotlib.pyplot as pltnimport seaborn as snsnnfrom sklearn.cluster import KMeansnnproperties = pd.read_csv(../input/properties_2017.csv)nn# make geo_dfngeo_df = properties[[parcelid,latitude, longitude]]ngeo_df[longitude] = geo_df[longitude] / 1e6ngeo_df[latitude] = geo_df[latitude] / 1e6nnx = np.array(geo_df[latitude])ny = np.array(geo_df[longitude])nnfig = plt.figure(figsize=(16, 12))nplt.scatter(x, y, alpha=0.5)nplt.show()n

第二步，利用KMeans演算法進行聚類，並可視化聚類效果。

kmeans = KMeans(n_clusters=10).fit(geo_df[[latitude, longitude]])ngeo_df[cluster_n] = kmeans.labels_nnfig = plt.figure(figsize=(16, 12))nx = np.array(geo_df[latitude])ny = np.array(geo_df[longitude])nncolors = [b, g, r, c, m, y, k, aqua, brown, darkblue]n#print colornfor i,c in enumerate(geo_df[cluster_n][:500]):n plt.scatter(x[i], y[i], c=colors[c], alpha=0.5)nplt.show()n

可視化結果，將地理信息聚類為10類並用不同的顏色來表示，在地圖上的位置相對是比較集中的，具體代表的含義需要我們下來深挖。這裡只是提供一個想法。

結束語

地理信息對房價來說真的非常非常非常重要，僅僅是簡單的聚類完全沒有將特徵的價值發揮出來，需要再嘗試不斷的用其他方法來處理。還有很多更加深入的處理方法，我們可以參考在之前的比賽中其他優秀獲獎選手的處理思路，改進我們的處理方法，畢竟模仿也是學習最快的手段。

歡迎關注個人微信公眾號：「kaggle數據分析」，分享kaggle比賽的經驗和方法。