一、系统要做什么

一个二手房的小系统：选一个区、看均价、看户型、估一套房值多少。 教材用 tkinter 做界面，窗口里四块：数据区、图表区、预测区、导出区。 界面对分析没有半点帮助，它只是把结果端到人面前。所以这一章的重点不在窗口。

重点是窗口后面那四件事：把数据洗干净、把图画出来、把区域和户型算清楚、把价格预测出来。 这四件事一件压一件：数据不干净，图画出来是错的；图没看明白，模型的特征就选不对。

二、数据长什么样

单价和总价都在表里，这是好事也是坑。好事是省得自己乘；坑是两列一旦对不上，就得判哪个错了。 第 11.3 节会用这条「两列必须自洽」当规则，一次抓出 9 条错数据。 数据是造的：区域基准价从 9600 到 21000 元，再乘装修、房龄、楼层三个系数，最后叠噪声。

造的时候故意弄脏了：装修缺 18 条、面积缺 4 条、房龄负数 3 条、单价离谱 9 条、完全重复 6 条。

三、四步流程

和第 10 章比，多了一步「图表模块」，少了一步「时间维度」。 图表模块是多出来的那一步，也是这一章唯一的新东西。把三张图写成三个函数，界面才能复用。 其余三步第 10 章都练过，只是特征从一列变成了二十一列。

四、项目准备：别忘了字体那一行

要装四样：pandas、matplotlib、scikit-learn、openpyxl。tkinter 是标准库，不用装。

pip install pandas matplotlib scikit-learn openpyxl

本机这套是 pandas 3.1.0、matplotlib 3.11.1、scikit-learn 1.9.1，都在。 中文图必须多写两行：font.sans-serif 设成 SimHei，axes.unicode_minus 设成 False。 少了第一行，图里所有中文变方框；少了第二行，负号变方框。两个坑都不报错，只是图难看。

五、先把脏数据原样存下来

这一章的数据先落成 二手房数据.csv，1206 行 10 列。 存成 utf-8-sig，用 Excel 双击打开不会乱码——带 BOM 就是为了这个。 脏数据原样存，不提前洗。清洗是下一节要讲的内容，先洗掉就没得讲了。

这也是真实项目的规矩：原始数据永远留一份，清洗是另存一份，不是原地改。

六、动手 Demo：项目概述、效果与准备

这一节不写分析：把系统四块、数据十个字段、四步流程、环境四样交代清楚。 最后把 1206 行脏数据原样落成 CSV，作为全章的地基。

import numpy as np
import pandas as pd

DIST = [("城中", 21000, 0.10), ("城东", 18500, 0.16), ("城西", 17200, 0.15),
        ("城南", 15800, 0.14), ("城北", 14200, 0.15), ("高新", 16500, 0.12),
        ("经开", 12500, 0.13), ("郊县", 9600, 0.05)]
HX = [("1室1厅", 38, 55), ("2室1厅", 55, 78), ("2室2厅", 72, 98),
      ("3室1厅", 82, 105), ("3室2厅", 98, 135), ("4室2厅", 130, 175),
      ("5室及以上", 168, 255)]
ZX = [("毛坯", 0.90), ("简装", 1.00), ("精装", 1.08), ("豪华", 1.22)]
LC = [("低楼层", 0.97), ("中楼层", 1.00), ("高楼层", 1.02)]

rng = np.random.default_rng(2026)
rows = []
for i in range(1, 1201):
    d = DIST[int(rng.integers(0, len(DIST)))]
    h = HX[int(rng.integers(0, len(HX)))]
    z = ZX[int(rng.integers(0, len(ZX)))]
    l = LC[int(rng.integers(0, len(LC)))]
    area = float(np.round(rng.uniform(h[1], h[2]), 1))
    age = int(np.clip(round(rng.gamma(2.0, 4.0)), 0, 30))
    unit = d[1] * z[1] * max(0.55, 1 - 0.015 * age) * l[1] * rng.normal(1.0, 0.06)
    rows.append(("FJ%04d" % i, d[0], h[0], area, l[0], z[0], age,
                 int(round(unit)), round(unit * area / 10000.0, 2)))

df = pd.DataFrame(rows, columns=["编号", "区域", "户型", "面积", "楼层",
                                 "装修", "房龄", "单价", "总价"])
print("干净数据 %s" % (df.shape,))
print("均价 %d 元，平均总价 %.2f 万"
      % (df["单价"].mean(), df["总价"].mean()))
df.to_csv("二手房数据.csv", index=False, encoding="utf-8-sig")

实跑输出：

--------------------------------------------------------------------
项目概述、效果与准备
--------------------------------------------------------------------

  ① 这个项目要做什么
  --------------------------------------------------------------------
  一个二手房房价分析与预测的小系统：选一个区、看均价、看户型、估一套房值多少。
  教材用 tkinter 做界面，四个块：导入数据、画图、预测、导出结果。

  [平台原样 · 本沙箱不执行]
  | 主窗口
  | ├── 数据区：选择文件 → 读进来 → 显示前 20 行
  | ├── 图表区：区域占比（饼图）／面积与单价（折线）／区域均价（条形）
  | ├── 预测区：填面积、房龄、装修、区域 → 点「估价」→ 出一个数
  | └── 导出区：把清洗后的数据和分析结果存成 Excel
  界面是桌面程序，本沙箱没有显示器，这一段照原样列出，不执行。

  界面对分析没有半点帮助，它只是把结果端到人面前。所以这一章的重点不在窗口，在窗口后面那四件事。
  四件事：把数据洗干净、把图画出来、把区域和户型算清楚、把价格预测出来。

  ② 数据长什么样
  --------------------------------------------------------------------
  一份二手房挂牌表，1206 行、10 个字段。

| 字段 | 含义 | 单位 |
|---|---|---|
| 编号 | 房源编号 | FJ0001 起 |
| 区域 | 所属行政区 | 8 个区 |
| 户型 | 几室几厅 | 7 类 |
| 面积 | 建筑面积 | 平方米 |
| 楼层 | 低／中／高 | 3 档 |
| 朝向 | 主朝向 | 7 类 |
| 装修 | 毛坯／简装／精装／豪华 | 4 档 |
| 房龄 | 建成到今年 | 年 |
| 单价 | 每平方米单价 | 元 |
| 总价 | 挂牌总价 | 万元 |

  单价和总价都在表里，这是好事也是坑。好事是省得自己乘；坑是两列一旦对不上，就得判哪个错了。
  数据是造的：区域基准价从 9600 到 21000 元，再乘装修、房龄、楼层三个系数。
  ! 造的时候故意弄脏了：装修缺 18 条、面积缺 4 条、房龄负数 3 条、单价离谱 9 条、完全重复 6 条。

  ③ 四步流程
  --------------------------------------------------------------------

| 步骤 | 做什么 | 用哪一章的本事 |
|---|---|---|
| 一 | 清洗：缺、重、怪，加一致性校验 | 第 3 章、第 4 章 |
| 二 | 图表：饼图、折线、条形，写成模块 | 第 5 章 |
| 三 | 分组统计：区域、装修、户型 | 第 3 章、第 7 章 |
| 四 | 预测：多特征回归，评分 | 第 8 章、第 10 章 |

  和第 10 章比，多了一步「图表模块」，少了一步「时间维度」。
  房价数据没有时间序，所以这一次可以随机切训练集和测试集——第 10 章不行，那里一切就漏未来。

  ④ 项目准备
  --------------------------------------------------------------------

  [本沙箱已装齐]
  | pip install pandas matplotlib scikit-learn openpyxl
  tkinter 是标准库，不用装；本沙箱没有显示器，界面部分不执行。

  本机 pandas 3.1.0、matplotlib 3.11.1、scikit-learn 1.9.1。
  中文字体要单独设一行，不设图里的中文全是方框。这台机器有 SimHei 和微软雅黑。

  ⑤ 先把数据落成 CSV
  --------------------------------------------------------------------
  和上一章一样：先把数据准备好，后面每一节都从它读。
  存成 UTF-8 带 BOM（utf-8-sig），用 Excel 双击打开也不会乱码。
  写到 二手房数据.csv，1206 行 10 列。
  ! 脏数据留在文件里，不提前洗。清洗是下一节要讲的内容，先洗掉就没得讲了。

这段是简化版：只保留了四个字段的造法，省了朝向和弄脏那两步。全章的脏数据由 Demo 的完整版本造。 utf-8-sig 比 utf-8 多写三个字节的 BOM 头，Excel 靠它认出这是 UTF-8。 np.clip(..., 0, 30) 把房龄卡在 0 到 30，max(0.55, ...) 防止房龄太大把单价压成负数。

30 秒实验

1. 把区域的数量从 8 个砍到 3 个，看后面的分组统计还剩几行。
2. 把 utf-8-sig 改成 utf-8，用 Excel 打开那个 CSV，看中文变成什么样。
3. 想一想：为什么界面那四块里，「导出」要放在最后一块？

常见误区

1. 先做界面再想分析：窗口画得再漂亮，数不对一样没用。
2. 忘了设中文字体：图上全是方框，还以为是编码问题，其实是缺字体。
3. 清洗前不留原始文件：洗完发现问题，连对照的数据都没有了。
4. 以为单价和总价可以随便用：两个单位差一万倍，混着算必错。

地基打好了。下一篇先把三张图写成模块——曲线、饼、条，一个函数一张。

• ☐ （本篇完，下一篇 11.2 图表工具模块：饼、折线、条形）

相关笔记

• 图表工具模块：饼、折线、条形
• 项目概述与分析方法
• 图表的作用与怎么选
• 📊 Python 数据分析 · 索引