kitchen_area      1.000000
total_area        0.609121
last_price        0.519869
living_area       0.428674
ceiling_height    0.299071
Name: kitchen_area, dtype: float64

df['kitchen_area'] = df['kitchen_area'].fillna(0)
df['kitchen_area'].round(2)

balcony - балконы

# Найдем зависимость столбцов друг от друга при помощи корреляции Пирсона.
print(df.corr().sort_values(by='balcony', ascending=False)['balcony'].head())

balcony         1.000000
floors_total    0.192026
floor           0.168773
total_images    0.121693
kitchen_area    0.114845
Name: balcony, dtype: float64

df['balcony'] = df['balcony'].fillna(0)
df['is_apartment'] = df['is_apartment'].astype(int)

locality_name - населенный пункт

# перевод в строчные буквы
df['locality_name'] = df['locality_name'].str.lower()

# Оставим только названия
df['locality_name'] = (
    df['locality_name']
    .str.replace('ё','е')
    .replace(['поселок ','при железнодорожной станции ', 'платформа ', 'садоводческое некоммерческое товарищество ',
             'садовое товарищество ', 'станции ', 'село ', 'пансионат ', 'городского типа ',
             'деревня ', 'городской поселок '], '', regex=True)
)
# Уникальные значения в алфавитном порядке
set(df['locality_name'].unique())

{'69-й километр',
 nan,
 'агалатово',
 'александровская',
 'алексеевка',
 'аннино',
 'аро',
 'барышево',
 'батово',
 'бегуницы',
 'белогорка',
 'белоостров',
 'бокситогорск',
 'большая вруда',
 'большая ижора',
 'большая пустомержа',
 'большие колпаны',
 'большое рейзино',
 'большой сабск',
 'бор',
 'борисова грива',
 'бугры',
 'ваганово',
 'важины',
 'вартемяги',
 'вахнова кара',
 'вещево',
 'вознесенье',
 'возрождение',
 'войсковицы',
 'войскорово',
 'володарское',
 'волосово',
 'волхов',
 'всеволожск',
 'выборг',
 'вырица',
 'выскатка',
 'высокоключевой',
 'высоцк',
 'гаврилово',
 'гарболово',
 'гатчина',
 'гладкое',
 'глажево',
 'глебычево',
 'глинка',
 'гончарово',
 'горбунки',
 'городской большая ижора',
 'городской будогощь',
 'городской виллози',
 'городской лесогорский',
 'городской мга',
 'городской назия',
 'городской новоселье',
 'городской павлово',
 'городской рощино',
 'городской свирьстрой',
 'городской советский',
 'городской федоровское',
 'городской янино-1',
 'гостилицы',
 'громово',
 'дзержинского',
 'дружная горка',
 'дружноселье',
 'дубровка',
 'елизаветино',
 'ефимовский',
 'жилгородок',
 'жилпоселок',
 'житково',
 'заводской',
 'заклинье',
 'заневка',
 'запорожское',
 'зеленогорск',
 'зеленый бор',
 'зимитицы',
 'ивангород',
 'извара',
 'ильичево',
 'имени морозова',
 'имени свердлова',
 'иссад',
 'калитино',
 'каложицы',
 'кальтино',
 'каменногорск',
 'камышовка',
 'каськово',
 'келози',
 'кикерино',
 'кингисепп',
 'кингисеппский',
 'кипень',
 'кириши',
 'кировск',
 'кирпичное',
 'кисельня',
 'кобралово',
 'кобринское',
 'колпино',
 'колтуши',
 'коммунар',
 'коммунары',
 'кондратьево',
 'копорье',
 'коркино',
 'корнево',
 'коробицыно',
 'котельский',
 'котлы',
 'коттеджный кивеннапа север',
 'коттеджный лесное',
 'коттеджный счастье',
 'красная долина',
 'красное село',
 'красносельское',
 'красный бор',
 'кривко',
 'кронштадт',
 'кудрово',
 'кузнечное',
 'кузьмолово',
 'кузьмоловский',
 'курковицы',
 'куровицы',
 'куттузи',
 'лаврики',
 'лаголово',
 'лампово',
 'лебяжье',
 'левашово',
 'ленинское',
 'лесколово',
 'лесная поляна',
 'лесное',
 'лесогорский',
 'лисий нос',
 'лодейное поле',
 'ломоносов',
 'лопухинка',
 'луга',
 'лужайка',
 'лукаши',
 'лупполово',
 'любань',
 'малая романовка',
 'малое верево',
 'малое карлино',
 'малые колпаны',
 'мануйлово',
 'мга',
 'мельниково',
 'меньково',
 'металлострой',
 'мины',
 'мистолово',
 'мичуринское',
 'молодежное',
 'молодцово',
 'мурино',
 'мыза-ивановка',
 'назия',
 'ненимяки',
 'нижние осельки',
 'нижняя',
 'низино',
 'никольский',
 'никольское',
 'новая ладога',
 'новая ропша',
 'новогорелово',
 'новое девяткино',
 'новолисино',
 'новый свет',
 'новый учхоз',
 'нурма',
 'оредеж',
 'оржицы',
 'отрадное',
 'павлово',
 'павловск',
 'парголово',
 'парицы',
 'паша',
 'пельгора',
 'пеники',
 'первомайское',
 'перово',
 'песочный',
 'петергоф',
 'петро-славянка',
 'петровское',
 'пижма',
 'пикалево',
 'пикколово',
 'плодовое',
 'плоское',
 'победа',
 'подпорожье',
 'поляны',
 'понтонный',
 'почап',
 'починок',
 'приветнинское',
 'пригородный',
 'приладожский',
 'приморск',
 'приозерск',
 'пудомяги',
 'пудость',
 'пустынка',
 'путилово',
 'пушкин',
 'пушное',
 'пчева',
 'пчевжа',
 'рабитицы',
 'разбегаево',
 'раздолье',
 'разметелево',
 'рапполово',
 'рахья',
 'реброво',
 'репино',
 'рождествено',
 'романовка',
 'ромашки',
 'ропша',
 'рощино',
 'русско',
 'русско-высоцкое',
 'рябово',
 'садко',
 'санкт-петербург',
 'саперное',
 'саперный',
 'светогорск',
 'свирь',
 'севастьяново',
 'селезнево',
 'сельцо',
 'семиозерье',
 'семрино',
 'серебрянский',
 'сертолово',
 'сестрорецк',
 'сиверский',
 'сижно',
 'синявино',
 'сланцы',
 'снегиревка',
 'советский',
 'совхозный',
 'сосново',
 'сосновый бор',
 'старая',
 'старая ладога',
 'старая малукса',
 'старая пустошь',
 'старое хинколово',
 'старополье',
 'старосиверская',
 'старые бегуницы',
 'стеклянный',
 'стрельна',
 'суйда',
 'сумино',
 'суоранда',
 'суходолье',
 'сяськелево',
 'сясьстрой',
 'тайцы',
 'тарасово',
 'тельмана',
 'терволово',
 'терпилицы',
 'тесово-4',
 'тихвин',
 'тихковицы',
 'тойворово',
 'токсово',
 'торковичи',
 'торосово',
 'торошковичи',
 'торфяное',
 'тосно',
 'трубников бор',
 'углово',
 'ульяновка',
 'усть-ижора',
 'усть-луга',
 'ушаки',
 'фалилеево',
 'федоровское',
 'форносово',
 'форт красная горка',
 'хапо-ое',
 'хязельки',
 'цвелодубово',
 'цвылево',
 'чудской бор',
 'шлиссельбург',
 'шпаньково',
 'шугозеро',
 'шум',
 'шушары',
 'щеглово',
 'юкки',
 'ялгино',
 'яльгелево',
 'ям-тесово'}

df['locality_name'] = df['locality_name'].fillna('unknown')

airports_nearest - расстояние до ближайшего аэропорта (м)

df['airports_nearest'].round(2)

0        18863.0
1        12817.0
2        21741.0
3        28098.0
4        31856.0
          ...   
23694    24665.0
23695        NaN
23696        NaN
23697    39140.0
23698        NaN
Name: airports_nearest, Length: 23699, dtype: float64

Незаполненные пропуски скорее всего, указывают, что аэропорта либо нет в данном городе, либо он находится очень далеко.

df['city_centers_nearest'].round(2)

0        16028.0
1        18603.0
2        13933.0
3         6800.0
4         8098.0
          ...   
23694     4232.0
23695        NaN
23696        NaN
23697    10364.0
23698        NaN
Name: city_centers_nearest, Length: 23699, dtype: float64

df['parks_around3000'] = df['parks_around3000'].fillna(0)
df['parks_around3000'] = df['parks_around3000'].astype(int)

parks_nearest - расстояние до ближайшего парка (м)

df['parks_nearest'].round(2)

0        482.0
1          NaN
2         90.0
3         84.0
4        112.0
         ...  
23694    796.0
23695      NaN
23696      NaN
23697    173.0
23698      NaN
Name: parks_nearest, Length: 23699, dtype: float64

df['ponds_around3000'] = df['ponds_around3000'].fillna(0)
df['ponds_around3000'] = df['ponds_around3000'].astype(int)

ponds_nearest - расстояние до ближайшего водоёма (м)

df['ponds_nearest'].round(2)

0        755.0
1          NaN
2        574.0
3        234.0
4         48.0
         ...  
23694    381.0
23695      NaN
23696      NaN
23697    196.0
23698      NaN
Name: ponds_nearest, Length: 23699, dtype: float64

df['price_square_meter'] = (df['last_price'] / df['total_area']).round(2)
df['price_square_meter'].unique()

array([120370.37,  82920.79,  92785.71, ...,  44091.71, 149511.4 ,
        41795.67])
Добавим столбец day_publication день недели публикации объявления (0 — понедельник, 1 — вторник и так далее)

df['day_publication'] = df['first_day_exposition'].dt.weekday 
df['day_publication'].unique()

array([3, 1, 4, 0, 2, 6, 5])

Добавим столбец month_publication месяц публикации объявления

df['month_publication'] = df['first_day_exposition'].dt.month 
df['month_publication'].unique()

array([ 3, 12,  8,  7,  6,  9, 11,  4,  5,  2,  1, 10])

df['year_publication'] = df['first_day_exposition'].dt.year 
df['year_publication'].unique()

array([2019, 2018, 2015, 2017, 2016, 2014])

Добавим столбец type_apartment_floor тип этажа квартиры (значения — «первый», «последний», «другой»)

# Определим функцию
def floor(row):
    if row['floor'] == 1:
        return 'первый'
    if row['floor'] == row['floors_total']:
        return 'последний'
    else:
        return 'другой'

df['type_apartment_floor'] = df.apply(floor, axis=1) 
df['type_apartment_floor'].unique()

array(['другой', 'первый', 'последний'], dtype=object)

Добавим столбец distance_city_center расстояние до центра города в километрах (переведём из м в км и округлим до ближайших целых значений)

df['distance_city_center'] = (df['city_centers_nearest'] / 1000).round(0)
df['distance_city_center'].unique()

array([16., 19., 14.,  7.,  8., nan, 12., 15., 52., 33., 31., 11., 13.,
       10.,  2., 32.,  4., 17., 30.,  5., 51., 50., 24., 18.,  9., 28.,
        3.,  6., 27., 21., 49., 35., 36., 34.,  1., 29., 26., 53., 22.,
       55., 20., 23., 25.,  0., 66., 47., 40., 57., 37., 41., 43., 48.,
       62., 60., 39., 42., 65., 54., 59., 45., 61., 63.])

df['total_area'].describe()

count    23699.000000
mean        60.348651
std         35.654083
min         12.000000
25%         40.000000
50%         52.000000
75%         69.900000
max        900.000000
Name: total_area, dtype: float64

Оставим значения от минимального 12 до 100 кв. метров построим гистограмму

plt.hist(df['total_area'], bins=100, range=(12,100))
plt.title('Зависимость квартир в продаже от площади квартир')
plt.xlabel('Квадратные метры')
plt.ylabel('Количество квартир')
plt.show()

df['living_area'].describe()

count    21796.000000
mean        34.457852
std         22.030445
min          2.000000
25%         18.600000
50%         30.000000
75%         42.300000
max        409.700000
Name: living_area, dtype: float64

Оставим значения от минимального 12 до 42 кв. метров

plt.hist(df['living_area'], bins=100, range=(12,42))
plt.title('Зависимость квартир в продаже от жилой площади')
plt.xlabel('Квадратные метры')
plt.ylabel('Количество квартир')
plt.show()

df['kitchen_area'].describe()

count    23699.000000
mean         9.553814
std          6.420973
min          0.000000
25%          6.300000
50%          9.000000
75%         11.440000
max        112.000000
Name: kitchen_area, dtype: float64

Оставим значения от 6 до 12 кв. метров

plt.hist(df['kitchen_area'], bins=100, range=(6,12))
plt.title('Зависимость квартир в продаже от площади кухни')
plt.xlabel('Квадратные метры')
plt.ylabel('Количество квартир')
plt.show()

count    23699.000000
mean         2.698721
std          0.253208
min          1.000000
25%          2.600000
50%          2.650000
75%          2.700000
max         14.000000
Name: ceiling_height, dtype: float64

plt.hist(df.query('(ceiling_height > 2) & (ceiling_height < 4)')['ceiling_height'], bins=50, range=(2.4,3))
plt.title('Зависимость квартир в продаже от высоты потолков')
plt.xlabel('Метры')
plt.ylabel('Количество квартир')
plt.show()

(
    df.pivot_table(index='type_apartment_floor', values='last_price', aggfunc='median').sort_values(by='last_price', ascending=False)
    .plot(grid=True, style='o-', figsize=(5, 5), title='Зависимость цены от этажа расположения квартиры')
)
plt.xlabel('Расположение квартиры по этажам ')
plt.ylabel('Цена')
plt.show()

df.pivot_table(index='type_apartment_floor',values='last_price',aggfunc='count') \
  .plot.pie(y='last_price', figsize=(10,7), label='', title='Диаграмма количественного отношения распределения предложений в зависимости от этажа')

plt.show()

df['floors_total'].describe()

count    23699.000000
mean        10.681759
std          6.599383
min          1.000000
25%          5.000000
50%          9.000000
75%         16.000000
max         60.000000
Name: floors_total, dtype: float64

plt.hist(df['floors_total'], bins=100, range=(1,30))
plt.title('Зависимость квартир в продаже от общего количество этажей в доме')
plt.xlabel('Этаж')
plt.ylabel('Количество квартир')
plt.show()

df['city_centers_nearest'].describe()

count    18180.000000
mean     14191.277833
std       8608.386210
min        181.000000
25%       9238.000000
50%      13098.500000
75%      16293.000000
max      65968.000000
Name: city_centers_nearest, dtype: float64

plt.hist(df['city_centers_nearest'], bins=100, range=(0,25000))
plt.title('Зависимость квартир в продаже от центра удаленности от центра города')
plt.xlabel('Расстояние до центра города (метров)')
plt.ylabel('Количество квартир')
plt.show()

df['parks_nearest'].describe()

count    8079.000000
mean      490.804555
std       342.317995
min         1.000000
25%       288.000000
50%       455.000000
75%       612.000000
max      3190.000000
Name: parks_nearest, dtype: float64

plt.hist(df['parks_nearest'], bins=100, range=(100,800))
plt.title('Зависимость квартир в продаже от удаленности от парка')
plt.xlabel('Расстояние до марка (метров)')
plt.ylabel('Количество квартир')
plt.show()

print('Расчитаем показатели')
print(df['days_exposition'].describe())

count    20518.000000
mean       180.888634
std        219.727988
min          1.000000
25%         45.000000
50%         95.000000
75%        232.000000
max       1580.000000
Name: days_exposition, dtype: float64

plt.hist(df['days_exposition'], bins=100, range=(0,250))
plt.title('Распределение количества продаж по времени')
plt.xlabel('Сколько дней было размещено объявление (от публикации до снятия)')
plt.ylabel('Количество объявлений')
plt.show()

print('Корреляция:','\n')
print(df.pivot_table(index='floor', values=['last_price','total_area','living_area','kitchen_area','rooms','day_publication','month_publication','year_publication']).corr(),'\n')

print('Корреляция:','\n')
print(df.pivot_table(index='floor', values=['last_price','total_area','living_area','kitchen_area','rooms']).corr(),'\n')

Корреляция: 

              kitchen_area  last_price  living_area     rooms  total_area
kitchen_area      1.000000    0.284824     0.149369  0.177180    0.454583
last_price        0.284824    1.000000     0.655849  0.442449    0.738972
living_area       0.149369    0.655849     1.000000  0.897739    0.923741
rooms             0.177180    0.442449     0.897739  1.000000    0.811538
total_area        0.454583    0.738972     0.923741  0.811538    1.000000 

# Функция для подсчёта границ с учетом 1.5 размаха
def quartile_range(df, column):
    q1 = df[column].quantile(0.25)
    q3 = df[column].quantile(0.75)
    iqr = q3 - q1
    dfq = df.loc[(df[column] < q3 + 1.5*iqr) & (df[column] > q1 - 1.5*iqr), column]
    return dfq
# Столбцы с выбросами
list_features = ['last_price', 'total_area', 'living_area', 'kitchen_area', 'rooms', 'ceiling_height' ]
for col in list_features:
    df[col] = quartile_range(df, col)

print('Корреляция:','\n')
print(df.pivot_table(index='floor', values=['last_price','total_area','living_area','kitchen_area','rooms']).corr(),'\n')

Корреляция: 

              kitchen_area  last_price  living_area     rooms  total_area
kitchen_area      1.000000    0.507438    -0.108534 -0.132606    0.342559
last_price        0.507438    1.000000     0.725857  0.551637    0.905255
living_area      -0.108534    0.725857     1.000000  0.901722    0.917353
rooms            -0.132606    0.551637     0.901722  1.000000    0.786100
total_area        0.342559    0.905255     0.917353  0.786100    1.000000 

(
    df.pivot_table(index='total_area', values='last_price')
    .plot(grid=True, style='o', figsize=(5, 5))
)
plt.title('Зависимость цены от общей площади')
plt.show()

(
    df.pivot_table(index='living_area', values='last_price')
    .plot(grid=True, style='o', figsize=(5, 5))
)
plt.title('Зависимость цены от жилой площади')
plt.show()

(
    df.pivot_table(index='kitchen_area', values='last_price')
    .plot(grid=True, style='o', figsize=(5, 5))
)
plt.title('Зависимость цены от площади кухни')
plt.show()

(
    df.pivot_table(index='rooms', values='last_price')
    .plot(grid=True, style='o-', figsize=(5, 5))
)
plt.title('Зависимость цены от числа комнат')
plt.show()

(
    df.pivot_table(index='type_apartment_floor', values='last_price')
    .plot(grid=True, style='o-', figsize=(5, 5))
)
plt.title('Зависимость цены типа этажа расположения')
plt.show()

(
    df.pivot_table(index='day_publication', values='last_price')
    .plot(grid=True, style='o-', figsize=(5, 5))
)
plt.title('Зависимость цены от дня публикации')
plt.show()

(
    df.pivot_table(index='month_publication', values='last_price', aggfunc='median')
    .plot(grid=True, style='o-', figsize=(5, 5))
)
plt.title('Зависимость цены от месяца публикации')
plt.show()

(
    df.pivot_table(index='year_publication', values='last_price')
    .plot(grid=True, style='o-', figsize=(5, 5))
)
plt.title('Зависимость цены от года публикации')
plt.show()

price_sm_name = df.pivot_table(index='locality_name', values='last_price', aggfunc=['count'])
price_sm_name.columns = ['count']
price_sm_name = price_sm_name.sort_values(by='count', ascending=False).head(10)
price_sm_name['price_square_meter'] = df.pivot_table(index='locality_name', values='price_square_meter').round(2)
price_sm_name.sort_values(by='price_square_meter', ascending=False)

df.query('locality_name == "санкт-петербург"')['distance_city_center'].describe()

mean        11.596041
std          4.863594
min          0.000000
25%          8.000000
50%         12.000000
75%         15.000000
max         29.000000
Name: distance_city_center, dtype: float64

(
    df.query('locality_name == "санкт-петербург"')
    .pivot_table(index='distance_city_center', values='last_price')
    .plot(grid=True, style='o-', xlim=(0,15), figsize=(10, 5))
)
plt.title('Зависимость цены от удаления от центра города в Санкт-Петербурге')
plt.xlabel('Расстояние от центра города (километр)')
plt.ylabel('Цена (млн. руб.)')
plt.show()
print('Таблица средней стоимость квартир в зависимости от удаления центра города Санкт-Петербург')
df.query('locality_name == "санкт-петербург" and distance_city_center<10').pivot_table(values='last_price', index='distance_city_center')

 

Таблица средней стоимость квартир в зависимости от удаления центра города Санкт-Петербург

	last_price
distance_city_center
0.0	8.398000e+06
1.0	8.145277e+06
2.0	7.970519e+06
3.0	7.346575e+06
4.0	7.606618e+06
5.0	7.661225e+06
6.0	7.108234e+06
7.0	6.635321e+06
8.0	6.617244e+06
9.0	5.516022e+06

Вывод

Самые дорогие квартиры в центре города и их стоимость уменьшается c увеличением расстояния от центра города до 7 километров, далее стоимость не зависит от удаления.

 

Общий вывод

В процессе исследования объявлений о продаже квартир были выполнены следующие этапы и сделаны выводы:

1. Изучили общую информацию о данных
   • В данных 23699 записи. Для целого ряда столбцов, есть пропущенные значения и некорректный тип данных. По гисторгаммам видно, что в данных есть аномальные значения. Явные дубликаты отсутствуют. Данные признаны полными и достаточными для исследования.
2. Выполнена предобработка данных
   • Переименовали название столбца cityCenters_nearest на city_centers_nearest.
   • Заполнили явные пропуски в таблице, округлили значение до значащих величин.
   • Изменили тип данных, в соответствии с данными находящимися в столбцах.
   • Сделали вывод о причинах появления пропусков:
     • Человеческий фактор.
     • Несовершенство программной оболочки (не все поля обязательные, нет чекбоксов с выбором, нет проверки данных).
     • Возможны программные сбои.
     • Доработка системы во время её работы (ранее введенные данные не откорректированы)
3. Добавлены новые столбцы в таблицу для проведения следующего этапа
   • price_square_meter - цена квадратного метра объекта с точностью до двух знаков после запятой.
   • day_publication - день недели публикации объявления (0 — понедельник, 1 — вторник и так далее).
   • month_publication - месяц публикации объявления.
   • year_publication - год публикации объявления.
   • type_apartment_floor - тип этажа квартиры (значения — «первый», «последний», «другой»).
   • distance_city_center - расстояние до центра города в целых километрах.
4. Проведен исследовательский анализ данных

• Изучены и описаны параметры
  • Среднестатистическое предложение, это квартира в пятиэтажном доме средней площадью 52 кв. метра с кухней в 6 кв. метров, высотой потолков 2,65 метра, скорее всего однокомнатная или двухкомнатная с маленькими комнатками, на удалении 13 км. или 5 км. от центра города.
• Изучено, как быстро продавались квартиры
  • Среднее значение продажи составляет 180 дня, при этом медианное значение составляет 95 дня, оно более точно характеризует среднее время продажи, так как не зависит от выбросов и нестандартных значений.
  • В среднем продажа средне статистической квартиры занимает 2-3 месяца в зависимости от сопутствующих факторов(площади, цены, удалённости от центра).
  • Быстрыми продажами можно считать продажи состоявшиеся за 45 дней (в первом квартиле), а необычно долгие продажи после 232 дня и более (после 3 квартиля), которые могут совсем не продаваться.
• Определены факторы, которые больше всего влияют на общую (полную) стоимость объекта
  • Чем больше общая площадь, тем выше стоимость. Корреляция этих параметров крайне высокая.
  • Число комнат влияет на цену (больше комнат -> больше жилая площадь -> больше цена), однако зависимость ниже, чем у площади, так как бывают квартиры с большими по площади комнатами и квартиры в центре состоят из малого числа комнат, но стоят достаточно высоко.
  • Первый этаж непосредственно влияет на стоимость квартиры - в среднем квартиры на 1-м этаже значительно дешевле. Чуть дороже последний этаж. Наибольшая стоимость у квартир, расположенных не на 1-м и не на последнем этаже.
• Посчитана средняя цена одного квадратного метра в 10 населённых пунктах с наибольшим числом объявлений
  • Наибольшая средняя стоимость квадратного метра, как и ожидалось, в Санкт-Петербурге. Затем идёт Пушкин, что, вероятно, вызвано хорошей застройкой и большим количеством парков. Затем идут районы, фактически являющиеся Санкт-Петербургом и непосредственно к нему примыкают. Из топ-10 наименьшая стоимость в Гатчине и Всеволожске, из которых далеко ехать до Санкт-Петербурга, а также небольшой по численности населения Выборг, расположенный на большом расстоянии от Санкт-Петербурга.
• Вычислена средняя стоимость квартиры на разном удалении от центра Санкт-Петербурга
  • Самые дорогие квартиры в центре города и их стоимость уменьшается c увеличением расстояния от центра города до 7 километров, далее стоимость не зависит от удаления.

Чек-лист готовности проекта

Поставьте 'x' в выполненных пунктах. Далее нажмите Shift+Enter.

• Файл с данными открыт.
• Файл с данными изучен: выведены первые строки, использован метод info(), построены гистограммы.
• Найдены пропущенные значения.
• Пропущенные значения заполнены там, где это возможно.
• Объяснено, какие пропущенные значения обнаружены.
• В каждом столбце установлен корректный тип данных.
• Объяснено, в каких столбцах изменён тип данных и почему.
• Устранены неявные дубликаты в названиях населённых пунктов.
• Обработаны редкие и выбивающиеся значения (аномалии).
• В таблицу добавлены новые параметры: – цена одного квадратного метра; – день публикации объявления (0 - понедельник, 1 - вторник и т. д.); – месяц публикации объявления; – год публикации объявления; – тип этажа квартиры (значения — «первый», «последний», «другой»); – расстояние до центра города в километрах.
• Изучены и описаны параметры: - общая площадь; - жилая площадь; - площадь кухни; - цена объекта; - количество комнат; - высота потолков; - тип этажа квартиры («первый», «последний», «другой»); - общее количество этажей в доме; - расстояние до центра города в метрах; - расстояние до ближайшего парка.
• Выполнено задание «Изучите, как быстро продавались квартиры (столбец days_exposition)»:
  • построена гистограмма;
  • рассчитаны среднее и медиана;
  • описано, сколько обычно занимает продажа и указано, какие продажи можно считать быстрыми, а какие — необычно долгими.
• Выполнено задание «Определите факторы, которые больше всего влияют на общую (полную) стоимость объекта». Построены графики, которые показывают зависимость цены от параметров: - общая площадь; - жилая площадь; - площадь кухни; - количество комнат; - тип этажа, на котором расположена квартира (первый, последний, другой); - дата размещения (день недели, месяц, год).
• Выполнено задание «Посчитайте среднюю цену одного квадратного метра в 10 населённых пунктах с наибольшим числом объявлений»:
  • выделены населённые пункты с самой высокой и низкой стоимостью квадратного метра.
• Выполнено задание «Выделите квартиры в Санкт-Петербурге с помощью столбца locality_name и вычислите их среднюю стоимость на разном удалении от центра»:
  • учтён каждый километр расстояния, известны средние цены квартир в одном километре от центра, в двух и так далее;
  • описано, как стоимость объекта зависит от расстояния до центра города;
  • построен график изменения средней цены для каждого километра от центра Петербурга.
• На каждом этапе сделаны промежуточные выводы.
• В конце проекта сделан общий вывод.

Дорогой друг!

Я внимательно наблюдал за твоими действиями на сайте через вебвизор.

Если ты добрался до этой страницы, то скорее всего ты проходишь платное обучение на курсах.

Благодаря моим стараниям, целую главу ты можешь закрыть за сутки, а то и быстрее.

Думаю, что сэкономленное время, ты потратил с пользой, в то время как я сидел и пыхтел над заданиями.

Лучшая благодарность от тебя, это пожертвования на мой IT - проект.

Жертвуй столько, сколько не жалко, но и не скупись, чтобы было не стыдно.