（本文成文於2015年11月12日，為作者原創，發布在博客園方便諸君閱讀）
前段時間發了一篇分析房價的文章，於是這兩天在微信上咨詢我的朋友絡繹不絕。今天是光棍節，我什么都沒搶到。下午，有一位學姐在微信上找我，懷着激動的心情打開微信。
學姐說，“看到你之前發的文章了，能不能幫我在北京選一套婚房啊？”
學姐求我，焉有不應。於是，我們約了今天晚上在北郵校園的零一咖啡廳見面。學姐是我們實驗室比我大兩級的女神，追求者眾，據說要找男朋友只找BAT三家的高富帥，聽說后來找了個360的男朋友。畢業兩年，就准備買婚房了，太令人羡慕了。看看我能不能幫忙吧！
坐在咖啡廳，我重新運行了數據采集程序，抓取光棍節當天所有的二手房數據，這個過程要花15分鍾。趁着這個時候，我開始詢問學姐對婚房具體需求。
學姐說，她希望能找面積在70平以上，130平以下的比較新的房子。至於預算，現在兩家人拿出了180萬的首付，我當時就震驚了。我幫她算了一下，她男友的工資一個月兩萬，按照貸款三十年，每個月還款不超過收入的51%計算，總共能貸大概140萬。因此，預算在320萬左右。
正好15分鍾過去，數據采完了，總共10W套左右，基本上包括了絕大多數北京二手房。大概是下面這個樣子（省略了一部分信息）：
可選數量：10W套
我按照學姐的要求，選擇了70到130平，價格在350萬以下的所有房子，總共3W套。看來可選擇的還挺多的啊。平均面積93平，單價2.34萬。
按面積和價格篩選：30498套
她突然又說，不喜歡太老的房子。
確實如此，房子不能太老，否則水暖電和房子的質量都會比較差，以后也很難出手。於是，我用正則表達式，從每個房子的全部信息里，抽取房子的年份，並選擇1997年以后的房子。97年以后，大戶型開始多了起來。看了看，還有2.5萬套左右。
選擇1997年之后：2.5W套
學姐又說，她不想上班太遠，位置也不想太偏。
我心想，恩，要離老公近一點，可是，怎么定義不遠呢？我打開了地圖，告訴她，你來選一個區域范圍吧！
學姐用纖纖手指，在屏幕上畫了一個框，我仔細看了一下，大概是這個樣子：
這個區域，西至玉泉路，東到東五環，南到長安街，北到立水橋。我覺得很有意思，問學姐，長安街以南有好多單價較低的東西城區的房子，為什么不考慮呢？
她說，“男朋友在北邊，這樣上班方便。再說，寧要北邊一張床，不要南邊一間房，所以當然要買長安街以北的房子啦！”
她選的其實還挺有道理，北邊過了立水橋，就是昌平的天通苑了，連我都聽說過天通苑國的傳言，每天出入境極其困難，她男朋友怎么舍得讓她早高峰在天通苑地鐵站擠地鐵呢，那個情景，大概是下面這個樣子（男默女淚）。
我分析了一下坐標，這個矩形范圍大約在東經116.25到116.53度，北緯39.91到40.059度之間。一個表達式跑下來，總共只剩下2400套左右的房子了。
選定地圖區域：2400套
按照不同區域進行划分，就能看到下面的柱狀圖：
看來基本上只能在朝陽，海淀，燕郊三個地方買房子了。學姐不會考慮燕郊。她說，居然還有西城區的房子！
我也深感奇怪，1998年后，居然還有單價在5W以內的西城區的房子？看了一下，西城有18套，東城有17套。
如果能買到西城的房子，學姐真是賺大了！於是我趕緊檢索那些西城的房子出來：
單價才三萬八！這怎么可能，隨便找了兩個仔細一看，原來一個是地下室，另外一個是商住兩用的房子。
學姐問我，什么是商住兩用？我告訴她，所謂商住兩用就是商水商電，小產權，不能落戶口。
學姐說，堅決不要地下室，而且一定能落戶口。
這個也難不倒我，中介當然不會傻到在標題上標注地下室和商住兩用。但通常商住兩用，會標明“不限購”，各種“大廈”，“中心”，“投資”的，肯定都是無法落戶的，用關鍵字篩掉它們！
keywords = re.compile(u'商|地下|限購|大廈|中心|投資');
學姐眉頭一皺，“忘了告訴你了，我要兩室或者三室的房子，一定要帶客廳”。我想了幾秒鍾，看來還得正則表達式出馬：
housetype = re.compile(u'(2|3)室(1|2)廳');
這樣，西城東城的房子徹底干掉了，一套都沒有。我告訴學姐，你現在只能選擇朝陽和海淀的房子了。此時，可選的房子數量共計1000套左右，只占總數的不到1%。
不要小產權，商住兩用和地下室，兩室/三室帶客廳：1000套
接下來按照區域選房子。我們按照區域排序分組並求數量，得到了下面這張表：
學姐問道，這么多商圈，很多地方聽都沒聽過，怎么選？我把數據導出成文件，導入到基於百度地圖的可視化工具工具里，匯出了這樣的一張圖，每個地方有多少套房子，一目了然。按照大區來划分，可選項主要集中在北苑，清河，望京和十里堡附近。
學姐想了想，說，男朋友所在的科技公司在東邊，我在中關村上班，所以北苑應該是個不錯的選擇，正好是兩個人的上班的中點，酒仙橋地鐵並不方便，所以暫時先不考慮。
啊，學姐好贊！ 現在應該比較明確了。
我們來重點考察一下北苑，按照小區來划分(PID是數量，year為小區平均年份，單價為平均單價)
我們將地圖縮放到北苑，每個小區有多少套合適的房子，便可一目了然。
學姐說，這價格差別還是挺大的，從2.7W到3.9W都有。為什么區別這么大呢？
我說，這可能和房子年份有關，越新的小區，房子肯定會越貴，為了證明我的猜測，我做了如下的線性回歸曲線：
經過計算，皮爾遜相關系數在0.63左右，可見，對於比較新的非學區房來說，建造年份和價格強相關。
為什么天怡家園和茉藜園只有一條秋實街相隔，二手房可選擇性（天怡家園6套，茉藜園51套）卻差別這么大呢？仔細對比了兩個小區的基本信息，可能原因有兩個，茉藜園（3559戶）比天怡家園（690戶）的規模大了很多，而且天怡家園是部委聯合建房，所以相對來說多一些。整體交易活躍度不高。
選擇具有性價比的房子
學姐說，現在硬性條件都滿足了，怎么來選擇最有性價比的房子呢？
先說價格，學姐突然問我，成交價就是中介網上標明的價格嗎？ 我偷笑了一下，心想，“看來學姐是完全不懂啊”。中介當然要收中介費的啊，某著名中介一般是成交價的2.7%。下面是商品普通住宅的額外支出情況：
我接着說道，這是普通商品房的稅率，如果是經濟適用房，需要交納10%的綜合地價款，如果是公房，還需要交納土地出讓金…
學姐打斷我，這個太復雜了！
確實啊，這些政策足夠寫好幾張紙，我自己也不是很清楚。我們先考慮那個表里的情況吧。
修正實際交易價格
其實仔細觀察中介的標簽就能發現，如果是滿五年唯一或滿兩年唯一，一定會標上。如果不唯一，就什么都不標。從這些特征，能夠計算出每套房子的實際成交額，這個步驟可能會出錯，。
我回答，這看你怎么定義性價比了。基本上，一分價錢一分貨，能從下面幾個角度來考慮：
- 戶型：僅次於位置的最重要因素
- 采光：即使做不到明廚明衛，也最少做到明室明廳。
- 學區：旁邊是否有不算太差的幼兒園和小學
- 升值空間：房子未來是否好出手。
學姐問，90多套房子，這個讓我怎么選啊，能讓機器幫我選擇一下嗎？
這可讓我犯了難，戶型圖都可以查到，但讓程序去做自動識別，並計算采光，這實在是太難了，只能讓學姐自己來選了。
采光也沒法自動識別，但能通過中介給出的評論中提取關鍵詞，繪制詞圖，提高篩房效率。
學區和升值空間相對比較容易，把北苑所有的學校，幼兒園，以及未來地鐵的建設情況繪制出來，即可作為直接的參考。
即使在2020年，北苑的地鐵線路依舊不夠發達，只增加了勇士營一站。勇士營站的位置，靠近來春園和北京青年城，可以認為未來有較好的升值空間。
繪制北苑所有的幼兒園
以學姐的情況，估計以后還會換學區房，我們姑且將附近的幼兒園繪制出來：
（時間所限，筆者沒有標注每個幼兒園的情況，之后有專門的學區房專題進行分析）
提取中介點評關鍵字，做成詞雲，方便觀察
由於中介對每套房子的評價內容特別多，因此一條一條觀察會非常浪費時間。我不得不動用自然語言處理技術，對剩余的90多套房子，提取點評關鍵詞。
由於中介對每套房子的評價內容特別多，因此一條一條觀察會非常浪費時間。我不得不動用自然語言處理技術，對剩余的90多套房子，提取點評關鍵詞：
綜合評價排序表格
為了方便學姐快速地從90套房子中選取自己中意的房子，我生成了這些房子的詞圖，坐標圖和房型圖。
另一方面，考慮對這些房源進行排序，但如何評價房子的綜合好壞呢？
一般來說，看房的人越多越火，但不排除掛出來很久都沒人看上，因此用每月平均看房次數比較合適。另外，更好的房子會有更多的中介小哥對其進行評價，房評熱度較高。因此，使用下面的公式來計算房子的評價：
綜合評價=(總看房人數/已掛出時間)∗0.2+經紀人評論數量∗0.8
(獲取掛出時間的方法請參考附錄，公式的權重參數是我瞎編的)
我花了五分鍾生成了一個word文檔，能非常方便地進行對比，選擇恐懼症福音，就像下面這個樣子：
我接着說，接下來就靠你和你男朋友對戶型進行篩選，選出20-30套覺得不錯的房子，綜合地鐵商場幼兒園地圖，制定看房計划，聯系中介，最后確定最合適的房子，這樣會比較有效率。
學姐看完以后，非常開心，說道，太棒了太棒了，這樣我選房就一目了然，你把你生成的這份文檔拷到我U盤上吧！
這時，學姐掏出了一個非常精致的愛心優盤，說道“不要隨便亂看哦，這里面有我和我男票的愛之皂片”。
心塞啊。。。我把優盤插在電腦上准備拷貝，順便問學姐，你難道不考慮酒仙橋，清河的房子嗎？好像中關村也有符合你要求的房子呢，那里比北苑地理位置好多了。。。
學姐表情一變，啊啊啊啊，是啊，我到底該怎么選啊，你知道我有選擇恐懼症。。。你再幫我選一下吧。。。
我：。。。。。。
這時，外面有汽車鳴了兩下笛，學姐的電話也響了，應該是她的BAT男友來了。
她一看手機，啊，我男朋友來接我了，學弟今天謝謝你！於是拿起包包轉身急匆匆地就出門了。。。
哎，准備回家吧，看看能不能趁雙十一回去搶個襪子。正要收拾電腦，
“學姐，你的優盤！”
備注：
本文成文於2015年11月12日，，請聯系微信公眾號“沙漠之鷹”。所有數據和分析都來自真實數據，但並不保證事件和人物存在，如有雷同，純屬巧合。
1.越新的小區越貴？
為了證明我的猜測，我根據北苑20個小區的價格和年份進行計算，皮爾遜相關系數在0.63左右，可見，對於比較新的非學區房來說，建造年份和價格強相關。
2.計算二手房稅費和手續費的方法
中介當然不會傻到真正交多少稅寫在頁面上，但仔細觀察頁面標簽就能發現，如果是滿五年唯一或滿兩年唯一，一定會標上。如果不唯一，就會標“房本滿兩年”。從這些特征，能夠計算出每套房子的實際成交額。
目前北京二手房個人所得稅的計算只要能核實房屋原值，均要按照（出售價— 房屋原值 — 合理費用）× 20%的方法計算，不能核實原值的，個稅以本次房屋交易價格按核定征收率1%計算。但由於本次計算不能知道房屋原值，因此按1%處理。
稅費因政策更新已經修改多次，因此網絡上說法不一，異常復雜，表格中的數據，是我按照330新政的信息校對過的。
可笑的是，同一套房，不同中介代理標注的信息都不一樣：
3.為什么要自己選好大致的區域
每個中介的門店只負責特定的范圍。因此雖然中介能提供一個小區里的詳細信息，但很難也通常不會幫你介紹其他位置的房型。因此按照需求明確自己所需的區域，再去選擇當地的門店，是非常重要的。
4. 獲取房屋在中介登記的時間
信息中並沒有明確提到登記時間，這對我們計算房子綜合評價很重要。怎么辦呢？
笨蛋！當然是獲取第一個房評人的評論時間啊，他是登記這個信息的人！
沙漠之鷹：以程序員的視角，分析數據，解構模式，發現洞見，歡迎關注微信公共號：
