GitHub markdown渲染不完全，完整markdown见利用神经网络预测链家网上海租房价格（Python）
本项目利用Python的scrapy框架爬取链家网的上海市租房信息，利用pandas、numpy、matplotlib、seaborn、folium 、wordcloud 等库进行数据分析和可视化，通过one-hot编码和文本特征提取出120个训练特征，搭建3层神经网络对上海市租房价格进行预测。
爬虫框架如下：
graph LR
11[lianjia] --> 21([__init__.py])
11 -->|定义爬取字段| 22([items.py])
11 --> 23([middlewares.py])
11 -->|定义存储方式|24([pipelines.py])
11 -->|爬虫相关设置|25([settings.py])
11 -->|爬虫主体|26[spiders] -->|定义爬虫|31([spyder.py])
爬取的字段如下表所示
| 字段名 | 字段中文 | 数据类型 |
|---|---|---|
| title | 标题 | str |
| location | 地点 | str |
| house_type | 房屋类型 | str |
| house_code | 房源编号 | str |
| price | 价格 | float |
| tags | 房源标签 | str |
| lease | 租赁方式 | str |
| area | 面积 | str |
| orientation | 朝向 | str |
| floor | 楼层 | int |
| elevator | 电梯 | str |
| stall | 车位 | str |
| water | 用水 | str |
| electricity | 用电 | str |
| fuel_gas | 燃气 | str |
| heating | 采暖 | str |
| facility | 配套设施 | str |
| description | 房源描述 | str |
这里有一些需要注意的一些设置：
- 定义编码，防止中文乱码
FEED_EXPORT_ENCODING = 'gbk'- 定义日志文件。爬取过程会输出相当多的文字，定义日志可以保存输出结果，同时可以检查爬取过程
LOG_FILE = 'lianjia.log'- 忽略url重复。因为在爬取过程中，若严格忽略掉重复url，则只能爬到将近4000条数据 ==（不知道为什么）== 而忽略掉url重复，即所有url都爬，确实会爬到重复数据（可能是因为每次进入页面的租房信息是随机出现的），但可以爬全，只需在数据预处理时通过房源编号进行筛选即可
DUPEFILTER_CLASS = 'scrapy.dupefilters.BaseDupeFilter'- 定义自己的
user_agent。若不定义，而去使用scrapy默认的字段，很容易就会被网站当成机器，无法继续爬取
USER_AGENT = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36'- 不遵守机器爬取协议，以应对反爬措施
ROBOTSTXT_OBEY = False- 设置每次爬取的时间间隔，这个时间间隔通过多次实验得来，设置得再小一点就会被反爬，因此这是最小的时间间隔了……
DOWNLOAD_DELAY = 2这里采用3层爬取结构，爬虫的结构如下所示
graph TB
1(LianjiaSpider) -->|进入链家网主页|2(parse) -->|遍历各区租房信息得所有页|3(parse_region) -->|在当前页爬取房屋概况信息|4(parse_overview) -->|进入每条信息详情页进一步爬取|5(parse_info)
这里需要注意，以为链家网默认只显示100页，每页包含30条信息，但显示上海有17000+条租房信息，若直接遍历所有页进行爬取，则只能爬到最多3000条数据。而通过进一步进入各区的界面下后，最多也是显示100页，但累加起来后接近总的租房信息数量，因此在parse中要取得各区页面的url
利用神经网络构建模型，就需要进行特征提取，这里分别对3种类型数据进行处理和特征提取
| 变量类型 | 处理方式 |
|---|---|
| 数值型 | 标准化 |
| 分类型 | one_hot标签 |
| 文本 | TF-IDF特征提取 |
最终可以提取出120个特征
MAE 在 0.08 ~ 0.09，即平均预测误差在800~900元
预测效果
