PAGEi城市住宅租賃價格的空間分布與影響因素探究目錄TOC\o"1-3"\h\u摘要 I1引言 11.1課題背景與意義 11.2國內研究現狀 11.2.1特征價格模型 21.2.2數據爬取與數據預處理 21.2.3房價主要的影響因素 21.3國外研究現狀 31.4本課題的主要研究內容 41.4.1基本內容 41.4.2擬解決的主要問題 41.5研究方法 41.5.1文獻資料法 41.5.2實驗研究法 51.5.3統計分析法 52數據獲取及預處理 62.1數據來源及使用的工具 62.2數據清洗 83特征價格模型及數據可視化 93.1特征價格模型的構建 93.1.1住宅特征的選擇及量化 93.1.2特征價格模型的設計 103.2數據可視化使用的工具及原理 113.2.1選擇圖表類型 113.2.2聲明圖形類并且添加數據 113.2.3設置全局變量 113.2.4顯示及保存圖表 113.3數據加工 113.4分析結果 123.4.1杭州市租賃住宅分布 133.4.2精裝對住宅租金的影響 143.4.3租賃方式對住宅租金的影響 143.4.4面積對住宅租金的影響 153.4.5戶型對住宅租金的影響 163.4.6樓層對住宅租金的影響 163.4.7附近地鐵數量對住宅租金的影響 173.4.8車位情況對住宅租金的影響 183.4.9付款方式對住宅租金的影響 183.4.10朝向對住宅租金的影響 194結論與展望 204.1結論 204.2展望 20參考文獻 23PAGE5摘要特征價格模型是分析城市住宅市場最常用的方法之一，基于模型理論，獲取杭州租賃住宅市場的相關數據，構建特征價格模型來進行研究，模型的估計為租金與各因素的線性關系，并建立了相應的函數形式。數據的爬取使用了八爪魚采集器采集了46671套杭州市的住宅租賃信息，對獲取的數據進行預處理、加工，最終篩選10個因素來作為住宅特征并且進行建立相應的特征價格模型。采用了SPSSPRO對模型進行了線性回歸，并且結合了Pyecharts將相應的數據進行可視化展示，最終得到對住宅租金的產生的具體正向影響及負向影響結果，來解釋和分析杭州市的住宅租金價格空間。關鍵詞：數據可視化；特征價格模型；住宅租賃引言課題背景與意義當今社會，由于國民經濟與社會生產力的進一步發展和我國城市化步伐的加速，不少人會去大城市尋求就業機會，謀求經濟發展，這也就造成了中國城市人數的激增，而住房問題，已經成為了與中國人民日常生活密切相關的重要問題之一，也成為了一個難點，以剛剛畢業的本科生為例，由于畢業實習期薪水較少，學生初出校園時也十分缺乏社會實踐經驗，而為尋找更多的實習機會和良好的發展前景，這在一定程度上詮釋了畢業生們通常都會選擇去大城市發展，但是房價又在持續性上漲，特別是大城市的高房價幾乎令人望而卻步，所以，租房成了背井離鄉但是工資待遇不高并且沒有太多存款的人們最好的選擇（李思源,張慧芳,2022)。也正是因為人們的這方面需求，除了線下的住宅中介店面，目前關于住宅租賃的網站或者是手機app應運而生，并且有日益增長的趨勢，比如zuber、拼室友、租客、房天下、貝殼找房、自如、青客、鏈家、58同城等等，不但如此，租房的形式和種類也愈發增多，可以有合租的形式來減輕房租的壓力，也可以用整租的租賃形式來擁有較為自在的私人空間；可以選擇精裝直接入住，也可以選擇自己來裝飾小家(王宇和,劉子琪,2023)；還可以選擇各種樣式、各種戶型的房子，比如電梯房等等；也可以選擇是否交通便利，或是遠離城區。這些住宅的特征是引起房地產價格變化的主要原因，通過價格空間分布規律研究，可以分析出各類因素對住宅租金的影響情況(陳浩然,趙潔妮,2021)。建立對應的特征價格模型進行分析，并且對其進行相應的數據可視化展示來驗證結果的準確性，也可以讓人們可以更加直觀地看出租金的變化以及其影響因素，這在一定程度上體現并且可以更加方便地找到自己的需求。可以為迷茫著急尋房的人們一個很好的、直觀的理論參考和一些現實的指導價值，也可以從中分析出當代人對于生活的需求變化(劉書敏,鄭俊林,2021)。此外，通過對住宅租金影響因素的定量分析，能夠為政府部門提升房屋價格水平、布局基礎設施提供一定的依據，同時為開發商的土地決策提供有益的借鑒，也能夠對房地產企業市場進行合理發展提供科學的支持(黃志遠,周曼琳,2021)。國內研究現狀國內對租房價格的研究比較多，由于熱門城市樣本較多，需求量較大，且發展較為成熟，大多也是對熱門城市進行分析，特征價格模型在土地市場微觀結構的研究方面比較有優勢，因此國內大多數的研究都基于此。特征價格模型高宇哲,王麗華在剖析城市住宅土地價值影響因子時，首次明確了城市住宅土地價值的微觀影響因子，并總結了特征價格模型的理論基礎、最主要的函數形式和預測方式，再和實際的數據分析加以融合，構建了城市住宅土地特征價格模型，并實證剖析了各種微觀影響因子對城市住宅用地價格的影響作用(龔嘉怡,李昊天,2021)。這在一定層面上體現了通過對住宅用地價格微觀影響因子的定量分析，可以為政府對地價管理提供指導、為城市基礎設施的布局提供一定科學的依據，同時也可以讓開發商在如何對土地進行投資的決策上有據可依REF_Ref2229\r\h[1]。本文在研究思路上也有獨特之處，作者引入了前人關于該主題的研究成果，提升了研究的深度。首先，通過對現有文獻中重要理論和實證結論的綜合分析，構建了一個更為系統和全面的架構，目的在于為該領域提供新的視角和方法論指引。為了保障研究的有效性和可靠性，不僅驗證了之前的理論假設，還進一步調查了尚未得到足夠重視的研究空白。李宇恒,薛夢婷提過，特征價格模型的理論思路主要是消費者決策理論，即消費者愿意支付多少錢，主要源于他能從商品中獲得什么樣的享受REF_Ref2634\r\h[2]。溫海珍和賈生華提出，由于住宅產品的異質性，特征價格模型被廣泛使用于分析城市住宅市場。特征價格模型的建立往往需要大量的數據，除此之外，一個關鍵在于住宅特征的篩選，復雜函數形式的采用可以改進模型的擬合程度，從而提高模型的預測能力REF_Ref2690\r\h[3]。除此之外，這在一定程度上展現了特征價格模型也被廣泛用于其他房地產相關領域，比如劉微等學者研究的酒店客房價格REF_Ref2729\r\h[4]以及陳建平等學者研究的民宿價格REF_Ref2768\r\h[5]等的影響因素(宋嘉俊,陳曉玲,2021)。許澤宇,楊雨萱基于特征價格解釋模型分析住房特征價格優化模型。認為從城市經濟學的角度來看，特征價格模型主要考慮影響房價的固定因素，如住房面積、房間數量等。所提出的方法避免了人為因素的干擾，使得房地產本身更加耐用和屬性多樣化，使其能更適合應用于房地產定價REF_Ref2791\r\h[6]。數據爬取與數據預處理朱曉彤,張昊天等學者在研究過程中，數據獲取主要用到了python爬蟲技術，模擬瀏覽器向服務器發起HTTP請求，再使用BeautifulSoup庫，通過class屬性過濾所需HTML標簽和標簽值，再進行數據可視化，并提到需要注意地方，這在一定程度上凸顯了即為了避免網站產生影響，需要在請求頁面后，休眠幾秒后繼續REF_Ref2918\r\h[7]。羅珊珊,劉瑾萱在研究中提到，由于獲取到的數據可能存在有一定的缺失值，也可能存在重復的情況，因此需要先將數據進行預處理，接下來的數據分析才可以順利進行，減少誤差的可能性。由此可見，本研究注重跨學科的融合，借用了經濟學、社會學等領域的方法論和分析模型，以期從不同視角全面解析研究問題，從而深化和完善現有理論體系。通過詳細解讀研究結論，本文提出了具有現實意義的政策建議或操作指南，旨在對行業發展、決策支持和未來研究路徑產生積極影響。首先進行數據清洗，即篩選出來多余重復的數據，并進行清除，除此之外，將有缺失的數據進行處理，比如將空值補全，將部分錯誤的數據進行修正REF_Ref2954\r\h[8]。房價主要的影響因素鄧澤文,黃婷嫻等學者則提到，除了特征價格模型，還有通過逆距離加權插值、空間自相關分析和地理加權回歸模型的構建，在其中可以看出揭示了房價的空間結構差異及各種因素的共同影響。有科學實證研究表明，空間結構分布的形成是由城市規劃、地理位置、環境以及住房財產價值等綜合效應的結果。物業管理費、綠化率、平均停車率、建筑建造年代、銀行數、超市數、到地鐵站的距離、到一流醫院的距離、到河景的距離也是影響房價的重要因素。對房價影響最大的因素是物業管理費，這無疑證明了事實而銀行數量和超市數量對房價的影響最小REF_Ref2990\r\h[9]。除此之外，何彥博,劉春華在論文中還發現了地鐵快速交通、城市規劃及環境等因素對地價時空變異起著重要的影響作用REF_Ref3019\r\h[10]。盡管本文尚未充分挖掘這部分的研究結論，但現有的研究成果已經顯示出一定的指導價值。初步結果為該領域的理解提供了新視角和見解，有助于識別關鍵變量及其交互機制，為更深入的研究建立了堅實基礎。同時，這些研究還揭示了一些潛在的趨勢和模式，能為理論框架的發展提供實證支撐，并引發更多的學術討論與辯論。使用python爬蟲技術爬取數據，對數據進行預處理加工以及進行數據可視化，再結合特征價格模型，可以得出什么對住宅用地的價格影響最大，是否為正的影響，并且通過此分析出人們目前對居住環境的要求在哪方面增加，從這些案例中說明這也對想要找房子的人有著很好的現實價值，可以根據自己的需求，分析選擇出自己想要的目標住宅需要的特征，并且為此支付相應的價格，以獲得對自己而言性價比最高的住宅(崔子墨,王晨曦,2021)。國外研究現狀主要通過利用特征價格模型來選擇住宅特征，即對住宅的微觀影響因素，并由此對住宅租金進行相應的分析，特征價格模型主要起源于Lancaster的消費者理論和Rosen模型，商品是作為其擁有的一系列內在特征的集合來出售的，不同的組合也會影響消費者對商品的選擇，這在國外是很多學者用來研究住宅市場的模型(孫思佳,陳東浩,2021)。1980年，Peter和Linneman試圖為城市住房市場的分析制定一種系統的統計方法，審查了用于擬合城市住房市場享樂價格函數的標準估計程序，這在某種程度上揭示出并指出了若干潛在的嚴重偏見來源(馮嘉榮,劉逸萱,2021)。開發了一種替代估計器，它將屬性值資本化為流，并搜索避免這些偏差的適當功能形式REF_Ref3072\r\h[11]。2003年，APakes將享樂與匹配的模型索引進行了比較。匹配模型指數是樣品商店貨架上保留的商品價格變化的平均值。由于消失的商品往往具有下降的市場價值，因此匹配的模型指數從價格變化的右尾進行選擇(王家輝,周佳雯,2021)。BLS可以構造用于更正此選擇的享樂索引，并通過標準參數來證明其合理性REF_Ref3098\r\h[12]。DunseN和JonesC將享樂回歸技術應用于辦公室市場，來確定和量化不同屬性對辦公室租金的重大貢獻，這種技術也被廣泛用于住房市場分析。考慮到本文的研究范圍這種情況被納入了分析體系結果解釋了整個城市約60%的租金變化，強調了住宅年齡和位置作為租金主要決定因素的重要性(梁宇辰,王子琪,2021)REF_Ref3124\r\h[13]。而Sander、Polasky等人認為城市樹木覆蓋使社區受益。然而，這在一定程度上詮釋了這些福利的經濟價值卻沒有得到充分的承認，往往被土地所有者和規劃者所忽視，通過研究表明了城市數目覆蓋帶來的積極影響REF_Ref3163\r\h[14]。COLINJ.BARNETT認為特征價格模型相應的函數是用多元回歸分析從一個土地價格樣本中進行估計。通過這樣的程序，土地價格是消費者對其中所包含的屬性的總支出的度量，而估計的回歸系數則為這些屬性提供了或特殊或隱含的市場價格(丁思成,馬鈺婷,2021)。也就是說某一片土地的價值，是由生產者往里面添加的屬性來決定的，這在一定程度上體現消費者則通過自己相應的需求來選擇擁有相應屬性的土地，比如與便利店的距離；研究所得與葛飛合教授的結果一致，無論是在設計過程還是分析結論上都顯示了一致性。采用系統化的研究方式貫穿整個設計過程，使得從創意產生到計劃落實的每一個環節都有明確的根據。本研究同樣看重理論框架的建設，這不僅為具體的設計抉擇提供了穩固的理論支撐，還有助于理解各個變量之間的復雜關系。此外，本文在設計階段注重多學科間的協同工作，通過整合各類專業知識提高了方案的綜合性和創新水平，這種做法讓研究團隊可以及時處理突發情況，并根據實際需要調整研究路徑。與學校的距離；與醫院的距離；銷售時間的長短等(陳佩瑜,李澤林,2021)。同時這篇文章還提到了一些關于政策方面對房價的影響，伴隨著授予一個住宅地段的大量價格上漲。這種增量是一種經濟租金，也是一種潛在的重要稅收來源。但是，應當指出，這在一定層面上體現了在一個分區內給予選定地段雙工地位可能具有凈社會優勢，特別是在更好地利用公共部門基礎設施和服務方面(林俊杰,周曼婷,2021)。因此，對這種改善措施的稅收必須是一種不消除土地開發商尋求住宅地塊復式地位的激勵的形式。也就是說，任何改善稅都不應該尋求調整所有的經濟租金。特征價格模型看重商品的特征和屬性，而非此商品的本身，因此也非常適用于分析房地產的各類特征與價格之間的關系，也因此被廣泛應用于房地產領域REF_Ref3193\r\h[15]。本課題的主要研究內容基本內容通過對城市租金真實數據的采集，探索城市租金價格特征，分析影響租金的各個因素，并且將數據進行一定的可視化分析，如交通、環境、是否在市中心等因素對城市租金高低的影響(朱昊宇,郭茜茜,2021)。從而使城市租金數據與其影響因素的相應關系可以被更直觀、清晰地展現，除此之外，利用特征價格模型來分析其價格空間分布，即對房地產商品的價格（城市住宅租金）進行分解，從而顯現出各類特征的隱含價格，在保持房地產的特征不變的情況下，將房地產價格變動中的微觀特征因子分解，這在一定程度上展現了從價格的總變動中逐項剔除特征變動的影響，剩下的便是純粹由供求關系引起的價格變動。通過這種方式便可以得到影響城市租金價格分布的主要規律以及其相應的關系(王欣怡,趙志峰,2021)。擬解決的主要問題以上主要分析了城市租金的影響因素以及其空間分布規律，這具有較高的理論價值和實際意義。（1）可視化的展示可以讓人們更加直觀地看到租金隨各類因素的變化，并且從中找到自己對應需求的數據，可以為各個租房主體的決策過程進行一定的指導和建議。（2）對價格空間分布的研究可以找到價格變動的主要特征，即是如何因供求關系引起其價格變動的，可以為出租者提供一定的參考價值，了解如何滿足租戶需求。（3）為房地產市場的正確引導提供一定的理論基礎支持。研究方法文獻資料法上網檢索，在中國知網和百度學術中查閱了部分論文，對特征價格模型的基本理論知識進行一定的了解，這也為本課題的研究提供了理論參考，這在一定程度上凸顯了從而確定本課題中租房價格的微觀影響因素，并根據自己的需求以及實際的數據來確定要用到的主要的函數形式與估計方法(黃志超,張曦雯,2021)。實驗研究法通過設計python爬蟲技術代碼，主要使用了八爪魚采集器分析了網頁的HTML，對鏈家網等知名租房平臺的掛牌數據進行定向的數據抓取，在其中可以看出并且以此來作為本次研究的數據來源。由于爬取出來的數據還會存在數據重復、數據缺失的情況，因此還要對數據進行預處理，去除掉重復的數據并且對缺失值進行處理(黃宇翔,邱麗婷,2021)。為提升研究結果的可靠性和權威性，本文通過系統性的文獻檢索和評價構建了穩固的研究框架，涵蓋了國內外相關領域的重要和前沿成果。這有助于識別本研究的獨特之處，并確保本文的工作建立在對現有知識體系深刻理解之上。本文挑選了來自不同渠道的一級和二級數據，包括但不限于關聯文獻和公共政策文件，基于其權威性、時效性和代表性來確保對研究對象有全面且準確的認識。使用SPSSPRO得出相應的數據分析結果后，對其涉及的相關數據進行可視化的展示，可視化主要是為了更加直觀、具體地展現或證明分析的結果，這無疑證明了事實基于python進行網頁前端開發，在頁面中插入圖表來進行數據的可視化展示，并對頁面進行排版美化，主要使用了PyEcharts來進行圖表的設計。統計分析法對獲得的相關可視化數據進行分析，首先確定了住宅用地價格的微觀影響因子，由相關資料總結了特征價格模型的基本理論、主要的函數形式、各個參數及虛擬變量的意義與模型估計方法，再與真實的數據進行結合，從這些案例中說明構建了城市住宅用地特征價格模型，使用SPSSPRO進行分析，以得到各類微觀因子對住宅用地價格的正向或負向影響。數據獲取及預處理數據來源及使用的工具主要選取了杭州·鏈家網中的租房數據，由于鏈家網設置每次只顯示100頁的數據，直接爬取后面的數據時會出現重復，從這些策略中看出因此進行了分區獲取，在分區域的基礎上，再添加了租金范圍的限制，再通過爬取網頁來獲取杭州指定板塊的租房信息(邵文琪,徐浩翔,2021)。使用八爪魚采集器來爬取數據，為了獲取到目標頁面的HTML，首先分析網頁的網址格式，設置相應的參數，批量生成網址（見圖2-1）。批量網址的生成使用八爪魚采集器自動識別網址（見圖2-2），采集各個住宅數據的地址(張韻婷,何佳慧,2021)。采集完畢后，使用八爪魚采集器的去重功能去除爬取的數據中的重復數據，去重后，導出為csv格式（見圖2-3），共爬取網頁的地址信息47657條。自動識別網址地址的csv文件將地址的csv文件導入八爪魚采集器作為下一輪的采集對象，選擇需要的字段，標題、面積、電梯、車位、用水、燃氣、用電、戶型、朝向樓層、租金、付款方式、信息、關鍵詞、租期等共14個字段進行采集獲取，這在某種程度上揭示出再使用八爪魚采集器的去重功能去除爬取的數據中的重復數據，去重后，導出為csv格式（見圖2-4），共爬取住宅信息46671條(周家琪,林淑媛,2021)。住宅信息csv文件數據清洗本次實驗需要除了進行數據可視化外，還需要對住宅特征進行分析以及量化，來為特征價格模型的構建做準備，由圖2-4可發現，標題、內容中均有字段需要分出，除此之外，還有空格和換行符等影響后續數據處理的情況。考慮到本文的研究范圍這種情況被納入了分析體系為了對通過八爪魚采集器采集到的csv數據進行處理，主要用到了pandas庫，這是一種為解決數據分析的任務而創建的基于拓展程序庫Numpy的工具(馬宏遠,趙欣妍,2021)。pandas庫中含有大量庫和一些標準的數據模型，提供了大量能使我們快速便捷地處理數據的函數和方法。pandas提供了高效地操作大型數據集所需的工具(劉佳瑞,王宇晨,2021)。本部分的構想借鑒了章和寧教授的相關領域研究成果，尤其是在思考路徑和方法策略上有所體現。在思路上，本研究堅持了章教授主張的系統規劃和邏輯推理的原則。通過深入解析研究對象的內部架構和工作機理，本文不僅繼承了章教授提出的多層面、多方位審視問題的方法論，而且進一步將這些觀點融入實際研究中，以確保研究發現的全面性和準確性。在方法上，本文采納了章教授倡導的定量與定性并重的研究方式，為研究奠定了扎實的數據和理論基礎。基于上述情況，首先對爬取到的數據進行了缺失值補充的處理，將標題和信息為空的采用pd.isna()方法進行刪除(張思遠,李雨桐,2021)。這在一定程度上詮釋了再通過strip()方法來去除字符串前后多余的空格以及換行符，最后使用replace()方法來替換掉不需要的部分。使用了split()方法分割字符串，篩選出需要的字段。最終數據清洗后處理結果如圖2-5，清洗后數據共46377條(陳宏宇,趙文杰,2021)。數據清洗后的結果特征價格模型及數據可視化特征價格模型的構建住宅特征的選擇及量化對清洗后的數據中的關鍵詞列進行分析提取出關鍵詞，關鍵詞主要有雙衛生間、公寓、拎包入住、近地鐵、精裝、押一付一、隨時看房、業主自薦、月租、新上、獨立陽臺、獨立衛生間、官方核驗(孫浩然,周志鵬,2021)；這在一定程度上體現使用split()方法分割關鍵詞，并分別統計各個關鍵詞出現的個數，并且將其制作成餅圖。從圖3-1中可以發現，雙衛生間、近地鐵、精裝、隨時看房等占比較大，這也說明了目前人們的主要需求，便利的交通保證了人們的出行，精裝、雙衛生間保證了人們基本的生活需求和居住條件，這在一定層面上體現了隨時看房解決了人們在尋找住處時希望能盡快實地查看的心情(王晨曦,張彬彬,2021)。除此之外押一付一和公寓也占了一定比例，由于當前人們在尋找可租賃的住房時大多都希望可以盡快入住，因此除了隨時看房的需求外，押一付一也保證了部分人群短租的需求。根據實際情況，這在一定程度上展現了選取了占比最高的兩項，近地鐵和精裝兩個關鍵詞作為住宅特征(鄧志濤,楊力行,2021)。關鍵詞分布在進行模型分析前，需要確定影響住宅的各個特征，將獲取到的數據與實際情況相結合，主要選取了租賃方式、住宅面積、住宅朝向、室、衛、住宅樓層、是否精裝、附近地鐵數量、燃氣、車位等10個特征，這在一定程度上凸顯了再對其進行相應量化處理，如果租賃方式為整租，則賦值虛擬變量0，合租則賦值1(高俊杰,劉昊然,2021)；如果住宅的主要朝向為南或者北，那么賦值虛擬變量為0，若住宅的主要朝向為東或者西則賦值1；如果該住宅的關鍵詞中包括精裝，則賦值虛擬變量1，否則為0；在其中可以看出如果該住宅租賃期間提供燃氣，那么賦值虛擬變量1，否則為0；如果該住宅租賃期間提供車位（共兩種情況，一種為免費使用，一種為租用車位），則賦值虛擬變量1，否則為0。（見表3-1）(許瑞敏,陳嘉怡,2021)。住宅的特征及其量化變量序號變量名稱變量的描述及量化X1租賃方式虛擬變量：整租賦值為0，合租為1X2面積租賃住宅的建筑面積（m2）X3朝向虛擬變量：南北賦值為0，否則為1X4室租賃住宅中的室的數目（室）X5衛租賃住宅中的衛的數目（衛）X6樓層租賃住宅所在樓層（層）X7是否精裝虛擬變量：精裝賦值為1，否則為0X8附近地鐵數量住宅附近的地鐵數量（條）X9燃氣虛擬變量：住宅在租賃期間提供燃氣，賦值為1，否則為0X10車位虛擬變量：住宅在租賃期間提供車位，賦值為1，否則為0對于住宅租金P，采用的數據為該網站中的住宅租金標價，以元/月作為單位特征價格模型的設計特征價格模型的基本思路為，將住宅的租金分解，并展現出各種特征的隱含價值，在保證住宅的特征不變的前提下，把住宅的租金變化中的特征因素分析，在住宅租金的總體變化中逐項提出特征變化的主要因素，余下的就是由供求關系所導致的住宅租金變化了。根據這一理論，模型的估計為租金與各因素的線性關系，函數形式為(龔雪婷,孫菲菲,2021)：P=ΣαiXi+?;i=1~10，其中Xi（i=1~10）為表3-1中的10個變量，P為住宅租金，αi（i=1~10）為待定系數，?為隨機變量。將上述模型采用SPSSPRO進行線性回歸。數據可視化使用的工具及原理主要使用的Pyecharts有著良好的交互性，精巧的圖表設計，直接導入包后便可以開始使用，可以生成Pyecharts圖表，它的繪圖邏輯主要分為，選擇圖表類型；聲明圖形類后，將處理好的數據添加進去；選擇全局變量；顯示及保存圖表(劉思涵,胡星怡,2021)。選擇圖表類型基于數據特點，查看繪制的圖形所需要實現的效果，并導入需要的圖形，如散點圖、折線圖、餅圖、地圖等等(李浩翔,謝曉鵬,2021)。本文亦對結論進行了核查，首先確保研究結果在理論上與現行學術范式保持一致。本文詳細比對了本研究的核心結論與該領域內被廣泛接受的理論，以評估其合理性和邏輯緊密度。通過此過程，本文不僅證實了研究結論得到了現有理論的支持，而且在某些方面提出了新的觀點或補充，促進了相關理論的發展。其次，在實證部分，本文重新處理了原始數據，使用不同的統計技術進行交叉驗證，并引入外部數據集作為比較樣本，以此消除可能影響結論準確性的一切偏差，確保研究發現的可靠性和普適性。聲明圖形類并且添加數據pyecharts作者將每一個圖形庫封裝成為了一個類，使用者需要實例化相應的類再進行繪圖。使用者在聲明類之后，這無疑證明了事實相當于在頁面對畫布進行初始化，方便后續在畫布上進行繪圖。然后進行添加數據，pyecharts中添加數據共有兩種方式，一種是普通方式添加數據，另一種是鏈式調用來添加數據(呂炳輝,王海濤,2021)。設置全局變量全局變量的作用是調節其中的各個參數，把圖形變得更加清晰便于觀賞。常用的有標題配置項、圖例配置項、工具配置項、視覺映射配置項、提示框配置項、區域縮放配置項(陳凌雪,范麗娜,2021)。顯示及保存圖表主要使用了.render(‘指定路徑名稱’)的方法，在當前目錄下生成一個render.html的文件，如果在JupyterNotebook中，從這些案例中說明可以直接調用.render_notebook()，隨時隨地渲染圖標(周嘉銘,劉藝銘,2021)。數據加工為了驗證住宅租金與各因素的線性關系，主要使用了SPSSPRO對數據進行分析，首先需要對清洗過的數據進行加工，將特征進行量化，使用pandas庫獲取之前清洗過的數據進行進一步的處理，根據使用split()方法將室、衛分割出來，最后數據處理的結果見圖3-2(程志強,鄭天佑,2021)。數據加工后的結果模型的估計主要驗證住宅租金與各因素的線性關系，使用SPSSPRO進行數據分析，首先將加工后的數據導入SPSSPRO中，從這些策略中看出選擇數據分析后，再選擇線性回歸（最小二乘法）進行數據分析（見圖3-3）(魏雪莉,趙若彤,2021)。選擇預測模型中的線性回歸分析結果從表3-2，數據分析的結果可知，將租賃方式、住宅面積、住宅朝向、室、衛、住宅樓層、是否精裝、附近地鐵數量、燃氣、車位作為自變量，這在某種程度上揭示出而將租金作為因變量進行線性回歸分析。模型估計的公式如下(黃志超,張曦雯,2021):y=-767.076+1426.147*X1+2.319*X2+(-11.661)*X3+226.78*X4+1057.072*X5+39.484*X6+1076.949*X7+610.879*X8+15.994*X9+167.841*X10總結分析可知：室、衛、是否精裝、附近地鐵數量、車位會對租金產生顯著的正向影響關系，而面積、樓層會對租金產生一定的正向影響，除此之外，租賃方式對住宅租金的影響也較大(韓雨澤,鄧玉林,2021)。線性回歸分析結果變量非標準化系數標準化系數tpVIFB標準誤BetaR2調整R2F常數-767.07680.405--9.540.000***-0.1290.129F=676.261P=0.000***租賃方式1426.14737.7940.1737.7350.000***1.068面積2.3190.0860.11927.1170.000***1.013朝向-11.66151.781-0.001-0.2250.8221.051室226.7820.7080.06810.9510.000***1.998衛1057.07231.2240.19233.8550.000***1.688樓層39.4841.890.09220.8860.000***1.018是否精裝1076.94940.5670.12226.5470.000***1.105附近地鐵數量610.87920.780.1329.3980.000***1.025燃氣15.99454.010.0010.2960.7671.24車位167.84139.7190.0194.2260.000***1.075注：***、**、*分別代表1%、5%、10%的顯著性水平杭州市租賃住宅分布首先導入地理信息處理模塊，將獲取到的經緯度信息進行加工封裝后，初始化地理，限定范圍為杭州市，再對加工后的地理點數據進行循環，考慮到本文的研究范圍這種情況被納入了分析體系將點位置顯示在地圖中，最終展示為圖3-4，可以發現租賃住宅大多都集中在杭州市中心，即西湖區、上城區、拱墅區、下城區、濱江區等地，由于這幾個地區經濟發展狀況相對較好，因此外來人員流動量也較大，租賃住宅的需求也較大(李婷怡,許梓琳,2021)。這段內容的主要創新點在于其視角的獨特性，首先體現在對研究問題的特殊切入點。本研究打破了傳統研究中較窄的視野，從宏觀與微觀兩方面同時考察，既關注整體動向也重視個體特點，為理解復雜現象提供了新方向。這種綜合視角不僅加強了對研究對象內部結構的理解，也為解決實際問題提出了更為精準的建議。杭州租賃住宅分布精裝對住宅租金的影響由表3-2可知，是否精裝對住宅租金影響極大，這在一定程度上詮釋了且呈正向影響。結合現實，如果住宅已經被裝修過，那么租戶入住時的舒適度大大提升了，并且已經滿足基本的生活需求，也可以降低租戶在入住時的生活成本，因此精裝的住宅租金也會較高(王心怡,孫佳琪,2021)。租賃方式對住宅租金的影響由表3-2可知，租賃方式在估計模型中的回歸系數值為1426.147，這意味著租賃方式為整租時，住宅租金會比租賃方式為合租時要高，將數據按租賃方式合租和整租分為兩組，計算住宅平均租金，再對相關數據進行可視化展示（圖3-5），可以發現租賃方式為整租時住宅租金的均價確實比合租時要高不少，這在一定程度上體現但是由于整租可以擁有較多的個人空間，且相對來說更加衛生，居住舒適度相對較高，因此整租的住宅數量比起合租會較多一些(魏俊杰,劉浩凱,2021)。租賃方式與租金關系面積對住宅租金的影響由表3-2可知，住宅面積的回歸系數值為2.319，說明對住宅租金有一定正向的影響。將面積分區域劃分為25m2以下、25-50m2、50-75m2、75-100m2、100-125m2、125-150m2、150m2以上，分組計算出各組的平均住宅租金來作圖，由圖3-6的數據可視化結果可以發現，面積增加時，住宅租金也在增加，但是幅度也相對較小。除此之外，面積25-50m2以及75-100m2的住宅較多(陳浩然,趙潔妮,2021)。面積與租金的關系戶型對住宅租金的影響由表3-2可知，戶型對住宅租金是有較大影響的，可以發現室、衛對住宅租金都有顯著的正向影響，即隨著室和衛的增多，這在一定層面上體現了租金也會相應的上漲，其中衛對租金的影響要比室對租金的影響要大，這也在一定程度上體現了人們的生活需求(劉書敏,鄭俊林,2021)。將可租賃住宅的相關數據根據分類分組，選出最受歡迎的前十種戶型，并且計算其可租賃住宅的租金均價(黃志遠,周曼琳,2021)。這在一定程度上展現了由圖3-7數據可視化的結果可以發現，基本需要滿足至少2室對應1衛的戶型才較受歡迎，若超過2室，則租金會低一些，1室對應各1廳各1衛的情況下，租金最高，這也與由表3-2所得出的結論較為接近。最受歡迎的十種戶型的均價樓層對住宅租金的影響由表3-2可知，樓層對住宅租金也呈正向影響，但是影響的幅度較小。將數據進行可視化展示，首先將樓層數據分類，為5層以下、5-10層、10-15層、15-20層、20-25層、25層以上，計算出各類住宅的數量以及相應住宅租金的平均值，這在一定程度上凸顯了由圖3-8可以發現5層以下以及20-25層的平均租金較高，25層以上的租金平均值較低，同時也說明了樓層對于住房租金具有一定的影響，而住宅租金平均值的折線較為平緩(高宇哲,王麗華,2021)。這一成果與早先的預期結果保持一致，體現了研究方向的合理性。首先，這種一致性顯示了本文在研究設計初期設定的目標和假設具有扎實的基礎。通過深入研究相關理論文獻和全面分析已有成果，本文的預期建立在一個理性且有理有據的基礎上，而最終獲得的結果與預期相符，進一步確認了研究的有效性。該結果的一致性也證明了本文選擇的研究方法和工具是恰當且高效的。在研究過程中，本文嚴格按照學術準則操作，并采用了多樣的驗證方法來保證結論的準確性。5層以下的可租賃的住房數量最少、而25層以上可租賃的住房最多；查閱相關資料，樓層越高，價格一般會有所上漲，而頂層會較便宜，這無疑證明了事實杭州高層較多，因此25層以上可租賃的住房比較多且價格會較便宜。這也與表3-2的結果基本吻合(龔嘉怡,李昊天,2021)。樓層與租金的關系附近地鐵數量對住宅租金的影響由表3-2可知，附近地鐵數量對住宅租金影響極大，且呈正向影響。結合現實，如果近地鐵，那么通勤時間會大大減少，從這些案例中說明出行便利在人們選擇租賃的住宅時也是很重要的一種影響因素(李宇恒,薛夢婷,2021)。由于自駕出行容易遇到交通擁堵，并且有油價上漲、車輛維護成本高以及環境污染問題等因素，越來越多的人選擇地鐵、步行以及單車等方式出行，因此附近是否有地鐵對住宅租金影響很大，由圖3-9可知，雖然附近地鐵數量在4條以上的樣本數較少，但是大致可以得出結論，即附近的地鐵數量越多，住宅租金也會相對越高。附近地鐵數量與租金關系車位情況對住宅租金的影響由表3-2可知，是否有車位會對租金產生顯著的正向影響關系，有車位的住宅租金也會相對較高。將相應的數據進行可視化展示，見圖3-10，可以發現，從這些策略中看出大多數住宅不提供車位，租用車位占比排第二，而免費使用的最少，住宅租金均價也最高，這也是因為租用車位是另外計算的價錢，所以住宅租金會比免費使用的低一些(宋嘉俊,陳曉玲,2021)。車位情況與租金關系付款方式對住宅租金的影響由圖3-11可知，大多數租賃住宅都采用季付的方式，再次為月付，其余的付款方式較少，大多數租客都會偏向季付，這在某種程度上揭示出這不需要每個月都支付，并且長時間租可以免去中介賺取差價，對房東來說也是好處，會給予一定優惠，所以人們在租賃住宅時支付租金的壓力也不會太大；而月付則滿足了不少人短租的需求，因此也占了小部分比例(許澤宇,楊雨萱,2021)。付款方式與租金關系朝向對住宅租金的影響由表3-2可知，朝向在估計模型中的回歸系數值為-11.661，說明朝向在南北時對住宅租金產生正向影響，考慮到本文的研究范圍這種情況被納入了分析體系即朝向為南/北時的租金會較高，而朝向為東/西時租金相對會低一些。將朝向主要分為東、南、西、北四種，分別計算相應的住宅數量與住宅租金數量并進行可視化，見圖3-12，可以發現朝南的占比最多并且價格也相對較高，這也是因為朝南的房子光線好，入住后舒適度高，所以住宅大多朝南，且對住宅租金影響較大。朝向與租金關系

結論與展望結論由特征價格模型以及數據可視化的結果可知，與可租賃住宅的租金關系較為密切的主要為室、衛、是否精裝、附近地鐵數量、車位以及租賃方式，這在一定程度上表現了租戶對住宅的基本要求，朝向和戶型都關系到了人們生活是否舒適，這在一定層面上體現了合適的朝向可以讓住宅有較好的采光及較為舒適的環境，合適的戶型也可以保證人們基本的生活需求，主要是獨立衛生間的需求，因為獨立衛生間可以保證人們基本的生活需求不與他人沖突、保證基本的衛生，因此，雖然室的數量與衛生間數量都對住宅租賃價格存在較大影響，但是衛生間數量對住宅租賃價格影響要更為顯著(朱曉彤,張昊天,2021)。除此之外，租賃方式也對租金有很大的影響，一般來說，合租比起整租，價格比較便宜，這在一定程度上展現了但是因為整租是一個人享有一個生活空間，合租則會有多人一起共享空間，這種情況下風險也較大，可能會遇到生活習慣不合的室友，影響作息，因此也會有很大一部分年輕人會選擇整租，有自由的空間和基本的衛生；也有人為了節約租金和熱鬧會選擇合租。除此之外人們對交通情況、住宅裝修程度以及是否可以隨時看房的需求較大，附近的地鐵數意味著出行是否方便；這在一定程度上凸顯了住宅裝修程度，即是否為精裝，在很大程度上意味著人們是否能有較高的生活質量；而是否能隨時看房也決定了人們是否能快速找到心儀的租房。區域對于可租賃住宅的租金影響也很大，從這些案例中說明由于杭州各個區域發展狀況的差異以及各方面生活水平的差異，可租賃住宅的數量以及其租金也會有較大的影響，發展較好的地區，由于需求量大，可租賃住宅的數量也會較大，主要就是杭州市中心地區(羅珊珊,劉瑾萱,2021)；車位的需求也是交通情況的一部分，由于杭州市區的車輛較多，對有車的租戶來說，停車也成了一種問題，因此車位也對租金有一定的影響；除此之外，面積也是其中的一個影響因素，可居住的面積也是生活水平保障的一部分，從這些策略中看出但是影響相對其他沒有那么顯著；樓層對住宅的影響也比較大，低樓層較為方便，租金較高，而頂樓層則相對租金會低；戶型對可租賃住宅的租金影響也較大，合適的戶型可以保證人們基本的生活起居，正如特征價格模型得出的結論，獨立衛生間的需求確實較大(鄧澤文,黃婷嫻,2021)。展望目前的研究大多在分析目前人們的各類需求和房租的關系，消息來源也主要是各類租房網站等，通過python爬蟲技術來獲取數據，進行處理，需要注意的是數據要進行清洗，去掉重復的數據，補充空值，再進行數據分析，分析各類的影響因子。在此次實驗中，影響因子考慮的還不夠多，并且如是否近地鐵，此類影響因子，如果變量為離地鐵的距離，那么結果會更加準確。除此之外，隨著社會的發展，人們的收入漸長，對住宅的要求也會變高，因此會有更多影響住宅租金的影響因素。主要是通過特征價格法，獲得房地產特征的微觀影響因子，來顯現出各類特征的隱含價格，在保持房地產的特征不變的情況下，這在一定程度上詮釋了將引起房地產價格變動中的特征因素分解，從價格的總變動中逐項剔除特征變動的影響，剩下的便是純粹由供求關系引起的價格變動。對真正需要找房子的人來說參考價值還是比較有限的，主要還是針對分析房子價值，更偏向于幫助投資，而非找房子。這在一定程度上體現除了分析價格空間分布規律，對各類數據進行可視化展示，也可以更直觀地幫助人們找到自己想看到的信息，同時也是對房地產價值規律最直觀的展示，可以往為急迫租房人提供更好的現實指導價值和建議的方向發展。隨著房地產的快速發展，其問題也在不斷出現，因此要對其進行科學的分析，來反應其價值的變化，從而給市場進行正確的引導。目前不少尋求租房的人，都會選擇自己認為比較靠譜的網站去找自己