感覺比上一篇用戶行為分析http://www.reibang.com/p/8e692c9ed702稍微簡(jiǎn)單一點(diǎn)，用到的groupby分組函數(shù)偏多半夷，算法較少，不過有很多細(xì)節(jié)值得考量尔艇，比如我用得不夠多的str.extract()：用正則從字符數(shù)據(jù)中抽取匹配的數(shù)據(jù)羡忘，只返回第一個(gè)匹配的數(shù)據(jù)。為什么分組后要用reset_index重置索引案狠？為什么有的地方用的是value_counts有的地方用的是count?還有涉及到布爾數(shù)組取值服傍，字典在DataFrame中的應(yīng)用，缺失值處理很等多基礎(chǔ)知識(shí)骂铁，還是把分析思路和代碼記錄一下糊识。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']#顯示中文
path = r'D:\python_data_file\\鏈家二手房.csv'
data = pd.read_csv(path)
data.head()
#中文字符的列名在處理的時(shí)候比較麻煩嘹承，將其轉(zhuǎn)化為英文字符的列名窍荧，并查看數(shù)據(jù)顯示前五行
data.rename(columns = {'小區(qū)名稱':'village','戶型':'house_type',
'面積':'area','區(qū)域':'district','朝向':'orientations','價(jià)格（W）':'total_price',
'單價(jià)（平方米）':'unit_price','建筑時(shí)間':'construction_time','樓層':'floor'},inplace = True)
data.head()
#查看數(shù)據(jù)類型
data.dtypes
village object
house_type object
area float64
district object
floor object
orientations object
total_price int64
unit_price int64
construction_time object
dtype: object
#查看數(shù)據(jù)信息
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 28201 entries, 0 to 28200
Data columns (total 9 columns):
village 28201 non-null object
house_type 28201 non-null object
area 28201 non-null float64
district 28201 non-null object
floor 28201 non-null object
orientations 26846 non-null object
total_price 28201 non-null int64
unit_price 28201 non-null int64
construction_time 21985 non-null object
dtypes: float64(1), int64(2), object(6)
memory usage: 1.9+ MB
data.isnull().sum()#查看數(shù)據(jù)缺失情況
village 0
house_type 0
area 0
district 0
floor 0
orientations 1355
total_price 0
unit_price 0
construction_time 6216
dtype: int64
可以看到orientations字段缺失行數(shù)為1355蝎亚，construction_time字段缺失行數(shù)為6216，這些缺失值在下面對(duì)其進(jìn)行分析時(shí)再加以處理
#參數(shù)expand名段，取True時(shí)，會(huì)把切割出來的內(nèi)容各自為列泣懊。 如果不需要pandas為你分好列伸辟，expand=False就可以了。
# split是分隔符馍刮；concat兩表的聯(lián)結(jié)信夫，axis = 1按列維度合并
data1 = pd.concat([data,data['floor'].str.split('/',expand=True)],axis = 1)
data1.head()
# 刪除floor列，重命名新得到的列
del data1['floor']
data1.rename(columns={0:'floor_level',1:'floor'},inplace=True)
data1.tail()
# 數(shù)據(jù)清洗：提取construction_time和floor字段中的數(shù)字卡啰、刪除文字部分静稻，查看前5行數(shù)據(jù)
data1['construction_time'] = data1['construction_time'].str.extract('(\d+)年建')
data1['floor'] = data1['floor'].str.extract('(\d+)層')
data1.head()
#construction_time和floor是字符串的格式，轉(zhuǎn)化為浮點(diǎn)數(shù)的格式
data1['construction_time'] = data1['construction_time'].astype(float)
data1['floor'] = data1['floor'].astype(float)
data1.dtypes
village object
house_type object
area float64
district object
orientations object
total_price int64
unit_price int64
construction_time float64
floor_level object
floor float64
dtype: object
data1.describe()#描述性統(tǒng)計(jì)
可以發(fā)現(xiàn)
1.面積平均值為96㎡匈辱，面積中位數(shù)為85㎡振湾，說明少數(shù)大面積的房源拉高了的總體平均水平
2.總價(jià)平均值為580萬(wàn)，總價(jià)中位數(shù)為430萬(wàn)亡脸，情況與上面一樣押搪，少數(shù)總價(jià)高的房源拉高了總體的平均水平
3.單價(jià)平均數(shù)為59725元树酪，單價(jià)中位數(shù)為58068元，平均值與中位數(shù)基本相等大州，說明房?jī)r(jià)升高趨勢(shì)比較線性
數(shù)據(jù)分析：各城區(qū)房源數(shù)量分布【找一張上海地區(qū)結(jié)構(gòu)圖】
上海市區(qū)共分為三個(gè)等級(jí)：
1续语、黃浦區(qū)、長(zhǎng)寧區(qū)厦画；
2疮茄、靜安區(qū)、徐匯區(qū)根暑；
3力试、楊浦區(qū)、虹口區(qū)购裙、普陀區(qū)懂版。
上海郊區(qū)共分為三個(gè)等級(jí)：
1、寶山區(qū)躏率、閔行區(qū)躯畴；
2、松江區(qū)薇芝、嘉定區(qū)蓬抄、青浦區(qū)；
3夯到、奉賢區(qū)嚷缭、崇明區(qū)、金山區(qū)耍贾。
#按地區(qū)計(jì)數(shù)阅爽，重置索引，按數(shù)量降序排序
district_number = data1['district'].value_counts().reset_index().sort_values(by='district',ascending=False)
district_number
#折線圖可視化各區(qū)域房源數(shù)量
plt.figure(figsize=(9,4))
district_number.plot(x = 'index',y = 'district',kind = 'line')
plt.title('各城區(qū)房源數(shù)量')
#柱狀圖可視化各區(qū)域房源數(shù)量
plt.figure(figsize=(9,4))
plt.bar(district_number['index'],district_number['district'])
plt.title('各城區(qū)房源數(shù)量')
由以上柱狀圖分析可知荐开，除了靜安區(qū)付翁、金山區(qū)和崇明區(qū)房源數(shù)量不到50以外，其他14個(gè)城區(qū)二手房數(shù)量均在1300套以上晃听，數(shù)量最多的為浦東區(qū)百侧，共有2599套
各城區(qū)總面積和平均面積的分布
3.1各城區(qū)總面積分布
因?yàn)殪o安、金山能扒、崇明區(qū)的房源較少無(wú)法代表整體佣渴，所以在這里刪除這三個(gè)區(qū)的數(shù)據(jù)
data1.district.drop_duplicates()#從原始數(shù)據(jù)中拿到所有區(qū)域的名字（就是把重復(fù)的列名去除后）
#使用unique的和后面要起的作用其實(shí)是一樣的 data1.district.unique()
dis_list = list(data1.district.drop_duplicates())
dis_list.remove('崇明')
dis_list.remove('金山')
dis_list.remove('靜安')
dis_list
['浦東',
'閔行',
'寶山',
'徐匯',
'普陀',
'楊浦',
'長(zhǎng)寧',
'松江',
'嘉定',
'黃浦',
'閘北',
'虹口',
'奉賢',
'青浦']
#刪除上述的三個(gè)區(qū)，并查看刪除后的所有數(shù)據(jù)前五行
data2 = data1[data1.district.isin(dis_list)]
data2.head()
#計(jì)算各城區(qū)二手房源總面積
#按區(qū)域分組對(duì)所有指標(biāo)求和初斑，按求和總面積大小降序排序辛润，最后重置索引
group_total_area = data2.groupby('district').sum().sort_values(by='area',ascending=False).reset_index()
group_total_area
#各城區(qū)總面積折線圖
plt.figure(figsize=(9,4))
group_total_area.plot(x='district',y='area',kind='line')
plt.title('各城區(qū)總面積折線圖')
由上圖可知，總面積排名前三位的分別是：青浦见秤、松江和浦東频蛔，這得益于它們較大的面積
#3.2各城區(qū)平均面積分布
#按城區(qū)分組對(duì)面積求平均值灵迫，重置索引，對(duì)面積的均值按降序排排序
group_area= data2.groupby('district').area.mean().reset_index().sort_values(by='area',ascending = False)
group_area
#畫出各城區(qū)平均面積折線圖
plt.figure(figsize=(15,7))
group_area.plot(x='district',y='area',kind = 'line')
plt.title('各城區(qū)平均面積折線圖')
#或者等價(jià)于以下方法
plt.figure(figsize=(8,4))
plt.plot(group_area.district,group_area.area)
plt.title('各城區(qū)平均面積折線圖')
這兩種畫圖方法晦溪，可能后者更詳細(xì)一點(diǎn)
以上折線圖顯示瀑粥，青浦區(qū)總面積和平均面積遠(yuǎn)遠(yuǎn)大于其他城區(qū)平均面積，青浦區(qū)共有房源1769套三圆，數(shù)量較大狞换，不太可能出現(xiàn)異常，故分析可能原因?yàn)?不在中心位置舟肉，建設(shè)成本較低修噪，房屋設(shè)計(jì)面積較大。
各城區(qū)總面積和平均面積趨勢(shì)大致一樣路媚，各城區(qū)平均面積在[77,116]之間黄琼，其中，面積在[100,116]之間的為松江整慎、黃埔和金山脏款，面積在[90,100)之間的為奉賢、長(zhǎng)寧裤园、閔行和靜安撤师，面積在[80,90)之間的為嘉定、虹口拧揽、崇明剃盾、浦東、閘北淤袜、寶山痒谴、普陀和徐匯，楊浦區(qū)平均面積為77.8㎡铡羡。
3.3全市平均面積分布
以區(qū)間[0,50)积蔚、[50,100)、[100,150）蓖墅、[150,200)库倘、[200,+∞）為劃分標(biāo)準(zhǔn)临扮，將面積劃分為tinysmall论矾、small、medium杆勇、big贪壳、huge五個(gè)等級(jí)，分別對(duì)應(yīng)極小戶型蚜退、小戶型闰靴、中等戶型彪笼、大戶型和巨大戶型。
data2.loc[(data2['area'] >= 0) & (data2['area'] < 50),'area_level'] = 'tinysmall'
data2.loc[(data2['area'] >= 50) & (data2['area'] < 100),'area_level'] = 'small'
data2.loc[(data2['area'] >= 100) & (data2['area'] < 150),'area_level'] = 'medium'
data2.loc[(data2['area'] >= 150) & (data2['area'] < 200),'area_level'] = 'big'
data2.loc[(data2['area'] >= 200),'area_level'] = 'huge'
data2.head()
#求出各戶型的數(shù)量
#這里千萬(wàn)不能用value_counts,還有total_price列不是指價(jià)格蚂且，而是該種戶型的數(shù)量,最后按慣例把索引解放出來
grouped_area_level = data2.groupby('area_level').total_price.count().reset_index()
grouped_area_level##如果不reset_index重置索引,返回的會(huì)是一個(gè)Series
plt.bar(grouped_area_level.area_level,grouped_area_level.total_price)
plt.title('各戶型數(shù)量分布柱狀圖')
由上圖可知：
1.平均面積為small的房源數(shù)量占總數(shù)的50%配猫，即一半房源的面積在區(qū)間[50,100]㎡，
2.平均面積為medium的房源數(shù)量占總數(shù)的25%杏死，即四分之一的房源面積在區(qū)間[100,150]㎡泵肄，
3.平均面積為tinysmall的房源數(shù)量占總數(shù)的17%，即17%的房源面積在區(qū)間[0,50]㎡
4淑翼、數(shù)據(jù)分析：各城區(qū)總價(jià)和單價(jià)分布
4.1總價(jià)分布
list(data2.groupby('district').total_price)
#把分區(qū)后的總價(jià)組成一個(gè)字典腐巢，以便下面將它轉(zhuǎn)化為dataframe
dictionary = dict(list(data2.groupby('district').total_price))
dict_data = pd.DataFrame(dictionary)
dict_data
# 作出總價(jià)箱線圖
plt.figure(figsize=(12,5))
dict_data.boxplot()
plt.ylim(0,3000)
plt.title('各城區(qū)總價(jià)箱線圖')
#各城區(qū)總價(jià)平均值排名
#這里未指定默認(rèn)升序排序
total_price_mean = data2.groupby('district').total_price.mean().reset_index().sort_values(by='total_price')
total_price_mean
由以上結(jié)果可知
總價(jià)No.1的為黃浦區(qū)，平均值為1059.3萬(wàn)玄括，總價(jià)區(qū)間跨越大冯丙，總體價(jià)格價(jià)格區(qū)間為[500,1300]萬(wàn)，中位數(shù)小于平均值遭京，故少數(shù)價(jià)格高的拉高總體平均值的現(xiàn)象比較嚴(yán)重
總價(jià)No.2的為長(zhǎng)寧區(qū)胃惜，平均值為760.8萬(wàn)，總體價(jià)格區(qū)間為[400洁墙，1000]萬(wàn)蛹疯，中位數(shù)接近平均值，總價(jià)上升比較線性
總價(jià)No.3的為徐匯區(qū)热监，平均值為671.8萬(wàn)捺弦，總體價(jià)格區(qū)間為[400，800]萬(wàn)孝扛，中位數(shù)小于平均值列吼，故少數(shù)價(jià)格高的拉高了總體平均值
總價(jià)No.4的為青浦區(qū)，平均值為676.0萬(wàn)苦始，總價(jià)價(jià)格區(qū)間為[300寞钥，750]萬(wàn)，中位數(shù)遠(yuǎn)小于平均值陌选，故少數(shù)價(jià)格高的拉高總體平均值的現(xiàn)象比較嚴(yán)重
total_price_mean.total_price.hist(bins = 20)
plt.title('平均總價(jià)分布圖')
data2.total_price.hist(bins=10)
plt.title('總價(jià)分布圖')
房屋總價(jià)是一個(gè)左凸的直方圖理郑，90%的數(shù)據(jù)集中在[500,1000]的區(qū)間，即90%的房源總價(jià)在500萬(wàn)到1000萬(wàn)之間咨油，只有大概10%的房源屬于極高的價(jià)格您炉，這個(gè)結(jié)果符合現(xiàn)實(shí)的房?jī)r(jià)分布
#各城區(qū)單價(jià)分布
good1=dict(list(data2.groupby('district')['unit_price']))
good1df=pd.DataFrame(good1)
plt.figure(figsize=(12,5))
good1df.boxplot()
plt.ylim(0,150000)
plt.title('各城區(qū)單價(jià)分布箱線圖')
#各城區(qū)單價(jià)排名
unit_price_mean = data2.groupby('district')['district','unit_price'].mean().reset_index().sort_values('unit_price',ascending = False)
unit_price_mean
單價(jià)No.1的是黃浦，平均值為90666元役电，大體價(jià)格區(qū)間為[78000赚爵，100000]元
單價(jià)No.2的是徐匯，平均值為79157元，大體價(jià)格區(qū)間為[69111,90000]元
單價(jià)No.3的是長(zhǎng)寧冀膝，平均值為75081元唁奢，大體價(jià)格區(qū)間為[66000，84000]元
#全市單價(jià)分布
data2.unit_price.hist(bins = 20)
plt.title('全市單價(jià)分布直方圖')#接近正態(tài)分布窝剖，該圖顯示70%的單價(jià)集中在區(qū)間[30000,90000]元麻掸，符合房?jī)r(jià)的現(xiàn)實(shí)分布規(guī)律
# 4.4、總價(jià)和單價(jià)排名前十小區(qū)
# 對(duì)小區(qū)進(jìn)行分組赐纱，計(jì)算出各小區(qū)房源數(shù)量论笔，并按照房源數(shù)量降序的順序排序
data3 = data2.groupby('village').total_price.count().reset_index().sort_values('total_price',ascending = False)
data3.head()
# 因?yàn)楹芏嘈^(qū)房源數(shù)量太少，其統(tǒng)計(jì)值不具有代表性千所，故在此過濾掉房源數(shù)量小于20的小區(qū)
data4 = data3[data3.total_price > 20]
data4.head()
# 提取房源數(shù)大于20的全部數(shù)據(jù)
data5 = data2[data2.village.isin(data4.village)]
data5.head()
# 4.5狂魔、計(jì)算各小區(qū)總價(jià)排名前15的小區(qū)：
# 對(duì)小區(qū)進(jìn)行分組，計(jì)算出各小區(qū)房源數(shù)量淫痰，并按照房源數(shù)量降序的順序排序
data3 = data2.groupby('village').total_price.count().reset_index().sort_values('total_price',ascending = False)
data3.head(20)#這個(gè)自己運(yùn)行
最楷。。待错。
5.1籽孙、房?jī)r(jià)與戶型的關(guān)系
按戶型進(jìn)行分組，計(jì)算出每個(gè)戶型的房源數(shù)量火俄，過濾掉房源數(shù)量小于100的戶型
grouped_house_type = data2.groupby('house_type').total_price.count().sort_values(ascending = False).reset_index()
grouped_house_type2 = grouped_house_type.loc[grouped_house_type.total_price> 100]
grouped_house_type2
#可視化：作出各戶型的數(shù)量柱狀圖
plt.figure(figsize = (10,5))
plt.bar(grouped_house_type2.house_type,grouped_house_type2.total_price)
plt.title('各戶型數(shù)量柱狀圖')
# 戶型與房屋均價(jià)的柱狀圖
grouped_house_type3 = data2.groupby('house_type').unit_price.mean().sort_values(ascending = False).reset_index()
grouped_house_type3
plt.figure(figsize = (10,5))
plt.bar(grouped_house_type3.house_type,grouped_house_type3.unit_price)
plt.title('各戶型數(shù)量柱狀圖')
由上圖可知犯建，單價(jià)排名前三的戶型分別為9室3廳,9室9廳,9室2廳
5.2、房?jī)r(jià)與樓層的關(guān)系
計(jì)算各個(gè)樓層等級(jí)的房源數(shù)量瓜客，注意這里是按照地區(qū)高中中區(qū)劃分的适瓦，并不是按照floor劃分的
a_list=['高區(qū)','中區(qū)','低區(qū)']
data7 = data2[data2.floor_level.isin(a_list)]
grouped_floor_level = data7.groupby('floor_level').unit_price.count().reset_index()
grouped_floor_level.head()
floor_level unit_price
0 中區(qū) 8852
1 低區(qū) 8372
2 高區(qū) 10163
# 可視化：并作出其柱狀圖
plt.title('樓層等級(jí)-數(shù)量')
plt.bar(grouped_floor_level.floor_level,grouped_floor_level.unit_price)
由上圖可知，低谱仪、中玻熙、高區(qū)的房源數(shù)量基本相等，都在8000套以上疯攒，其中高區(qū)最多嗦随，數(shù)量超過10000套
# 計(jì)算各樓層等級(jí)的平均單價(jià)
grouped_floor_level1 = data7.groupby('floor_level').unit_price.mean().reset_index()
grouped_floor_level1
floor_level unit_price
0 中區(qū) 60236.249661
1 低區(qū) 60989.035834
2 高區(qū) 58958.393486
#畫出柱狀圖
plt.title('樓層等級(jí)—平均單價(jià)')
plt.bar(grouped_floor_level1.floor_level,grouped_floor_level1.unit_price)
# 計(jì)算各樓層等級(jí)的平均總價(jià)
grouped_floor_level2 = data7.groupby('floor_level').total_price.mean().reset_index()
grouped_floor_level2
floor_level total_price
0 中區(qū) 554.796543
1 低區(qū) 590.397396
2 高區(qū) 525.550723
#畫出柱狀圖
plt.title('樓層等級(jí)—平均總價(jià)')
plt.bar(grouped_floor_level2.floor_level,grouped_floor_level2.total_price)
由上圖可知，低敬尺、中枚尼、高區(qū)樓層平均總價(jià)均超過500萬(wàn)，其中低區(qū)總價(jià)最高砂吞，為590萬(wàn)
#查看缺失值
data2.isnull().sum()
village 0
house_type 0
area 0
district 0
orientations 1350
total_price 0
unit_price 0
construction_time 6191
floor_level 0
floor 755
area_level 0
dtype: int64
#缺失值的處理
# 填充floor列中的空值為999
data2.floor=data2.floor.fillna('999')
# 找出floor列中值為999的行號(hào)
c_list=data2[data2.floor=='999'].index.tolist()
# 刪除上面查找到的行
data8=data2.drop(c_list)
data8.isnull().sum()
village 0
house_type 0
area 0
district 0
orientations 1251
total_price 0
unit_price 0
construction_time 5956
floor_level 0
floor 0
area_level 0
dtype: int64
由上可知署恍，floor字段中空值所在的行已被全部刪除
# 計(jì)算樓層平均單價(jià)排名前15位
data2.groupby('floor').unit_price.mean().sort_values(ascending = False).reset_index().head(15)
# 計(jì)算各樓層單價(jià)平均值，并作出其折線圖：
plt.figure(figsize=(15,5))
data2.groupby('floor').unit_price.mean().plot()
plt.title('樓層數(shù)-單價(jià)')
由上圖分析可知呜舒，隨著樓層輸?shù)脑黾佣а矗績(jī)r(jià)也隨之升高。在37層之前袭蝗，房?jī)r(jià)隨樓層數(shù)增加而增加的趨勢(shì)比較線性唤殴，但是在這之后房?jī)r(jià)隨樓層數(shù)增加而增加的趨勢(shì)波動(dòng)很大，可能的原因是樓層數(shù)超過40的住宅數(shù)量較小到腥，超過40層的數(shù)據(jù)量比較小朵逝，容易產(chǎn)生誤差
5.3、房?jī)r(jià)與朝向的關(guān)系
查看房屋的朝向
data2.orientations.drop_duplicates().values.tolist()
['朝南',
'朝南北',
nan,
'朝西',
'朝東北',
'朝西南',
'朝東南',
'朝東',
'朝',
'朝西北',
'朝北',
'朝東西',
'(進(jìn)門) 北',
'(進(jìn)門) 南',
'(進(jìn)門) 南北',
'(進(jìn)門) 東',
'(進(jìn)門) 西',
'(進(jìn)門)',
'(進(jìn)門) 東西',
'(進(jìn)門) 東南',
'(進(jìn)門) 西南',
'(進(jìn)門) 西北']
# 朝向重新構(gòu)成一個(gè)列表
b_list=list(['朝東','朝東北','朝東南','朝東西','朝北','朝南','朝南北','朝西','朝西北','朝西南'])
data8 = data2[data2.orientations.isin(b_list)]
grouped_orientations = data8.groupby('orientations').unit_price.mean().sort_values(ascending = False).reset_index()
grouped_orientations
#可視化：作出其柱狀圖
plt.figure(figsize=(12,5))
plt.bar(grouped_orientations.orientations,grouped_orientations.unit_price)
plt.title('朝向—單價(jià)')
由上圖可知乡范，朝向?qū)Ψ績(jī)r(jià)有一定的影響配名，朝向南面（南、東南晋辆、西南）的房子總體價(jià)格會(huì)高一點(diǎn)渠脉。這一現(xiàn)象也符合生活情景，朝向南面的房屋采光會(huì)比較好瓶佳，這些南北通透的房子單價(jià)相對(duì)于其他朝向會(huì)高一些芋膘。
5.4、房?jī)r(jià)與建筑年代的關(guān)系
#還是對(duì)data2缺失值的處理
# 填充construction_time字段中的空值為000
data2.construction_time=data2.construction_time.fillna('000')
# 找出construction_time字段中值為123的行號(hào)
d_list=data2[data2.construction_time=='000'].index.tolist()
# 刪除construction_time列中的空值
data9=data2.drop(d_list)
data9
data9.isnull().sum()
village 0
house_type 0
area 0
district 0
orientations 1082
total_price 0
unit_price 0
construction_time 0
floor_level 0
floor 0
area_level 0
dtype: int64
#計(jì)算各個(gè)年份建造房屋的數(shù)量 霸饲，作出其折線圖：
plt.figure(figsize=(15,5))
data9.groupby('construction_time').unit_price.count().plot()
plt.title('建筑時(shí)間-數(shù)量')
以上折線圖呈右側(cè)雙峰形態(tài)为朋，即分別在1995年和2005年左右出現(xiàn)了兩個(gè)房屋修建的高峰期，這期間房屋數(shù)量陡增
# 計(jì)算各個(gè)年份平均總價(jià)厚脉，作出其折線圖
plt.figure(figsize=(15,5))
data9.groupby('construction_time').total_price.mean().plot()
plt.title('建筑時(shí)間-平均總價(jià)圖')
#計(jì)算各個(gè)年份平均單價(jià)习寸，作出其折線圖
plt.figure(figsize=(15,5))
data9.groupby('construction_time').unit_price.mean().plot()
plt.title('建筑時(shí)間-平均單價(jià)圖')
由以上分析可知，
以上平均總價(jià)與建筑時(shí)間的趨勢(shì)和平均單價(jià)與建筑時(shí)間的趨勢(shì)大致一致傻工，都呈現(xiàn)左側(cè)單峰形態(tài)霞溪。在1920年到1950年間建造的房屋，其總價(jià)和單價(jià)均高于之后建造的房屋中捆，分析其原因?yàn)椋涸?920年到1950年間建造的房屋威鹿，因?yàn)榻ㄔ鞎r(shí)間早，其建造的位置處于現(xiàn)在上海的核心地帶轨香，因?yàn)槠渫恋氐南∮行院瞿悖识鴮?dǎo)致了現(xiàn)在的高房?jī)r(jià)。
從2015年以來修建的房屋呈現(xiàn)陡然上升的趨勢(shì)臂容，這也和目前房?jī)r(jià)不斷升高的趨勢(shì)契合科雳，這表明房?jī)r(jià)在短時(shí)間內(nèi)不會(huì)出現(xiàn)大的下跌，是否會(huì)出現(xiàn)下一個(gè)房?jī)r(jià)高峰脓杉，我們拭目以待糟秘。
