简介这是一套面向高校计算机相关专业学生的Python毕业设计完整源码主题为房屋信息可视化与价格预测系统适合正在准备毕业设计或课程设计、需要可运行项目参考的学习者。系统功能覆盖用户注册登录、首页信息展示、房价数据爬取与分析、房屋预测数据管理等模块可爬取安居客、58同城等平台的房价数据并做可视化分析。资源包共310个文件约17.74MB包含46个py源码文件、43个js脚本、17个html页面、17个css样式及多个gif、png、jpg等界面素材另有sql数据库脚本、csv数据集、pdf与docx说明文档结构完整便于二次开发。开发环境为Python 3.6.8搭配MySQL 5.7使用PyCharm与Navicat11配套LW论文材料已有41人学习。读者可据此快速理解爬虫、数据分析与Web可视化整合的实现思路并对照目录结构完成部署与调试。1. 从一份房屋数据到能跑通的预测系统这套 Python 源码到底解决了什么很多人第一次拿到「基于 Python 的房屋信息可视化及价格预测系统源代码」这类毕业设计包时第一反应是解压、找main.py、双击运行然后被一堆ModuleNotFoundError劝退。它本质上不是一个「软件」而是一条从原始房源表格到可视化图表、再到价格预测模型的最小闭环链路数据清洗、特征工程、图表渲染、模型训练、结果展示五段拼在一起。适合两类人一是计算机、软件工程、大数据方向的毕业设计选题者需要一套能讲清楚、能改、能答辩的完整代码二是刚学完 Python 基础语法、想找一个真实数据集练手的入门者。它解决的核心问题不是「预测得多准」而是「让一条数据流水线在你自己的机器上跑起来并且每一段你都能改」。2. 环境搭建与数据准备让源码在你机器上先跑起来2.1 Python 版本与依赖安装的取舍这套源码通常基于 Python 3.8 到 3.10 之间不建议用 3.12 以上因为部分可视化库和机器学习库的轮子还没跟上。安装 Python 时勾选「Add to PATH」这是新手最容易漏的一步漏了后面pip命令全部报「不是内部或外部命令」。装完在终端验证python --version pip --version如果两条命令都能输出版本号环境就通了。接下来是依赖。这类项目一般会带一个requirements.txt但很多毕业设计包里的版本号写得比较随意直接pip install -r requirements.txt大概率会卡在某个库编译上。我一般会先装核心几个再补其余pip install pandas numpy matplotlib seaborn scikit-learn flask这里解释一下每个库的角色pandas负责表格读写和清洗numpy做数值运算matplotlib和seaborn出静态图表scikit-learn提供线性回归、决策树、随机森林这些模型flask用来把可视化结果挂到网页上。如果你的源码用的是pyecharts做交互图表再补一个pip install pyecharts。注意不要一次性把所有库都升到最新版scikit-learn和pandas的大版本变动会导致旧代码里的 API 报错比如sklearn.cross_validation在新版已经移除。2.2 房源数据集的字段结构与清洗脚本房屋数据一般长这样标题、总价、单价、面积、户型、楼层、朝向、建成年代、小区、区域。原始数据里最常见的脏数据是「面积」带「平米」后缀、「总价」带「万」字、「户型」写成「3室2厅1卫」。清洗脚本的核心就是把它们转成数值。import pandas as pd import re # 读取原始数据注意编码中文csv常见gbk和utf-8两种 df pd.read_csv(house_raw.csv, encodinggbk) # 面积去掉“平米”“㎡”等后缀转float def clean_area(x): if pd.isna(x): return None x re.sub(r[^\d.], , str(x)) return float(x) if x else None # 总价去掉“万”字统一成万元 def clean_price(x): if pd.isna(x): return None x re.sub(r[^\d.], , str(x)) return float(x) if x else None df[面积] df[面积].apply(clean_area) df[总价] df[总价].apply(clean_price) # 户型拆成三个数值列 df[室] df[户型].str.extract(r(\d)室).astype(float) df[厅] df[户型].str.extract(r(\d)厅).astype(float) df[卫] df[户型].str.extract(r(\d)卫).astype(float) # 丢掉关键字段为空的行 df df.dropna(subset[面积, 总价, 室]) # 算单价作为后续预测的辅助特征 df[单价] df[总价] / df[面积] df.to_csv(house_clean.csv, indexFalse, encodingutf-8-sig) print(df.shape)这段脚本的逻辑是先用正则把带单位的字符串剥成纯数字再把户型这种复合字段拆成独立特征最后丢掉无法修复的空值行。参数上要注意encoding读的时候用gbk写的时候用utf-8-sig这样用 Excel 打开不会乱码。dropna的subset参数只检查指定列不要直接df.dropna()否则会把一些虽然缺失但不影响建模的行也删掉样本量会骤减。2.3 数据分布检查与异常值处理清洗完不要急着建模先看一眼分布。房价数据几乎必然有极端值比如 10 平米卖 5000 万这种要么是录入错误要么是特殊房源留着会把模型带偏。import matplotlib.pyplot as plt # 看总价分布 plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) df[总价].hist(bins50) plt.title(总价分布) # 用四分位距法标记异常值 Q1 df[总价].quantile(0.25) Q3 df[总价].quantile(0.75) IQR Q3 - Q1 lower Q1 - 1.5 * IQR upper Q3 1.5 * IQR df df[(df[总价] lower) (df[总价] upper)] print(清洗后样本量:, len(df))四分位距法是常见做法1.5这个系数是经验值改小会更严格改大会更宽松。如果你的数据本身偏态严重也可以直接用quantile(0.01)和quantile(0.99)截断。这一步做完样本量通常会掉 5% 到 15%属于正常范围。3. 可视化模块把房源数据变成能讲清楚的图表3.1 区域均价对比与户型分布图可视化不只是为了好看答辩时老师最常问的是「你这个数据有什么规律」。区域均价柱状图和户型分布饼图是最容易讲出结论的两张图。import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体Windows用SimHeiMac用Arial Unicode MS plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 区域均价 region_price df.groupby(区域)[单价].mean().sort_values(ascendingFalse) plt.figure(figsize(12, 5)) sns.barplot(xregion_price.index, yregion_price.values) plt.xticks(rotation45) plt.title(各区域平均单价) plt.ylabel(单价元/平米) plt.tight_layout() plt.savefig(region_price.png, dpi150)groupby后面跟mean()是求均值也可以换成median()看中位数中位数受极端值影响更小。dpi150是保存图片的分辨率毕业设计论文里插图建议不低于 150否则打印出来发虚。tight_layout()是防止标签被裁掉很多人保存的图 x 轴文字缺一半就是漏了这一句。3.2 面积与总价的散点回归图散点图能直观看出面积和总价的相关性再叠一条回归线答辩时可以说「面积每增加一平米总价平均增加多少」。plt.figure(figsize(8, 6)) sns.regplot(x面积, y总价, datadf, scatter_kws{alpha: 0.3, s: 10}, line_kws{color: red}) plt.title(面积与总价关系) plt.xlabel(面积平米) plt.ylabel(总价万元) plt.savefig(area_price.png, dpi150)alpha0.3是点的透明度数据量大时设低一点否则点会糊成一团黑。s10是点的大小。regplot默认会画置信区间如果觉得太乱可以加ciNone关掉。这张图如果散点明显分成两簇说明数据里混了两种不同类型的房源比如住宅和别墅建模前要考虑是否分开处理。3.3 用 Flask 把图表挂到网页上如果源码带 Web 展示一般是用 Flask 起一个本地服务把生成的图片或pyecharts的 HTML 嵌进去。from flask import Flask, render_template app Flask(__name__) app.route(/) def index(): return render_template(index.html) if __name__ __main__: app.run(debugTrue, port5000)debugTrue只在开发时用改代码会自动重启但正式部署要关掉。port5000是默认端口如果被占用改成 5001。模板文件放在templates文件夹下静态图片放static文件夹这是 Flask 的默认约定放错位置会报TemplateNotFound。4. 价格预测模型从线性回归到随机森林的完整训练流程4.1 特征选择与训练集划分建模前先确定用哪些特征。常见的是面积、室、厅、卫、楼层、建成年代区域这种类别特征要做独热编码。from sklearn.model_selection import train_test_split from sklearn.preprocessing import OneHotEncoder from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline # 数值特征和类别特征分开 num_features [面积, 室, 厅, 卫, 建成年代] cat_features [区域, 朝向] # 预处理数值列不动类别列独热编码 preprocessor ColumnTransformer( transformers[ (num, passthrough, num_features), (cat, OneHotEncoder(handle_unknownignore), cat_features) ]) X df[num_features cat_features] y df[总价] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42) print(训练集:, X_train.shape, 测试集:, X_test.shape)test_size0.2是常见的八二开数据量小可以调到 0.3。random_state42是固定随机种子保证每次划分结果一样方便复现。handle_unknownignore是防止测试集里出现训练集没见过的区域时报错这个参数不加线上预测遇到新区域直接崩。4.2 线性回归基线模型先用线性回归跑一个基线看看到底能到多少。from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, r2_score lr_pipeline Pipeline([ (prep, preprocessor), (model, LinearRegression()) ]) lr_pipeline.fit(X_train, y_train) y_pred_lr lr_pipeline.predict(X_test) print(MAE:, mean_absolute_error(y_test, y_pred_lr)) print(R2:, r2_score(y_test, y_pred_lr))MAE是平均绝对误差单位是万元比如输出 30 就代表平均预测偏差 30 万。R2是决定系数越接近 1 越好0.6 以上在房价数据里就算能看。线性回归的优点是解释性强系数可以直接说「面积每多一平米总价涨多少」缺点是拟合非线性关系能力弱。4.3 随机森林与参数调优随机森林通常比线性回归准但调参更麻烦。from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import GridSearchCV rf_pipeline Pipeline([ (prep, preprocessor), (model, RandomForestRegressor(random_state42)) ]) param_grid { model__n_estimators: [100, 200], model__max_depth: [10, 20, None], model__min_samples_split: [2, 5] } grid GridSearchCV(rf_pipeline, param_grid, cv5, scoringneg_mean_absolute_error, n_jobs-1) grid.fit(X_train, y_train) print(最优参数:, grid.best_params_) y_pred_rf grid.predict(X_test) print(R2:, r2_score(y_test, y_pred_rf))n_estimators是树的数量越多越稳但越慢100 到 200 通常够用。max_depth控制树深太深会过拟合None表示不限制。cv5是五折交叉验证n_jobs-1表示用满所有 CPU 核心。scoring用负的 MAE因为 GridSearchCV 默认找最大值误差取负才能让「越大越好」等价于「误差越小越好」。这一步跑完如果 R2 比线性回归高 0.05 以上就值得在论文里重点写。5. 避坑与排查这套源码跑不起来时先看这几条5.1 中文乱码图表全是方框现象matplotlib画出来的图标题和轴标签全是小方块。原因默认字体不支持中文。解决在画图前加plt.rcParams[font.sans-serif] [SimHei]Mac 用户改成[Arial Unicode MS]Linux 用户先确认系统装了中文字体没有就apt install fonts-wqy-zenhei再指定WenQuanYi Zen Hei。5.2 路径问题读不到 CSV 文件现象FileNotFoundError: [Errno 2] No such file or directory。原因代码里写的是相对路径但运行时的工作目录不是脚本所在目录。解决要么在代码里用os.path.dirname(__file__)拼绝对路径要么在终端先cd到脚本目录再运行。VS Code 里可以在launch.json里配cwd这是很多人忽略的一步。5.3 版本冲突sklearn 的 API 找不到现象ImportError: cannot import name cross_validation。原因旧代码用的是sklearn.cross_validation新版本已经改成sklearn.model_selection。解决全局搜索替换把cross_validation改成model_selection。类似的还有sklearn.preprocessing.Imputer改成了SimpleImputer遇到报错先查官方迁移文档不要盲目降级。5.4 内存溢出数据量大时卡死现象跑随机森林时程序卡住内存占用飙升。原因n_estimators设太大或者数据没做采样。解决先把n_estimators降到 50 试跑确认流程通了再往上加。数据超过十万行时考虑用LightGBM替代随机森林速度快一个量级内存占用也低。5.5 预测结果为负模型输出不合理的价格现象预测出来的总价是负数。原因线性回归没有约束输出范围遇到极端特征组合会外推到负值。解决在预测后加一层截断y_pred np.maximum(y_pred, 0)或者改用对数变换np.log1p(y)训练预测后再np.expm1还原。后者更优雅但要注意还原后的误差评估要在原始尺度上做。6. 进阶技巧把预测系统做成能交互的工具6.1 用 joblib 持久化模型避免每次重新训练训练一次随机森林可能要几分钟没必要每次启动都重跑。用joblib把训练好的 pipeline 存下来。import joblib # 保存 joblib.dump(grid.best_estimator_, house_price_model.pkl) # 加载 model joblib.load(house_price_model.pkl) pred model.predict(X_test[:5]) print(pred)joblib比pickle更适合存 numpy 数组大的模型压缩率更高。存的时候用.pkl后缀是惯例加载时确保特征列顺序和训练时完全一致否则预测结果会错得离谱。6.2 加一个命令行预测入口让用户输入面积、室、厅、区域直接输出预测价格。def predict_price(area, rooms, halls, region): input_df pd.DataFrame([{ 面积: area, 室: rooms, 厅: halls, 卫: 1, 建成年代: 2010, 区域: region, 朝向: 南 }]) return model.predict(input_df)[0] if __name__ __main__: price predict_price(89, 3, 2, 朝阳区) print(f预测总价: {price:.1f} 万元)这里把缺失的特征用默认值填上实际使用时可以改成input()交互输入。注意input_df的列名和顺序必须和训练时的X完全一致差一个列名就会报KeyError。6.3 模型评估的三种验证方式对比验证方式适用场景优点缺点留出法数据量大简单快速结果受单次划分影响K折交叉验证数据量中等结果稳定训练次数多慢时间序列划分有时间顺序符合真实预测场景需要时间字段房价数据一般没有严格时间顺序用 K 折就够。如果你的数据带成交日期想模拟「用过去预测未来」就要按时间切分不能随机打乱。6.4 特征重要性的解读与论文写法随机森林可以直接输出特征重要性这是答辩时的加分项。import pandas as pd # 获取特征名 feature_names (num_features list(model.named_steps[prep] .named_transformers_[cat] .get_feature_names_out(cat_features))) importances model.named_steps[model].feature_importances_ feat_imp pd.Series(importances, indexfeature_names).sort_values(ascendingFalse) print(feat_imp.head(10))输出后通常会发现「面积」和「区域」排最前这符合直觉。论文里不要只贴图要写一句「面积是影响房价的首要因素重要性占比约 XX%其次是区域说明地段仍然是核心变量」。这种结论比单纯说「模型 R2 达到 0.8」更有说服力。我自己做这类项目最大的教训是不要一上来就调模型先把数据清洗和可视化做扎实。答辩老师问得最多的不是「你用了什么算法」而是「你的数据从哪来、怎么洗的、异常值怎么处理的」。模型换一个最多差几个点数据错了整个结论都是空中楼阁。希望帮到你。本文还有配套的精品资源点击获取 Python房屋价格预测系统源码：从数据清洗到模型部署全流程
简介这是一套面向高校计算机相关专业学生的Python毕业设计完整源码主题为房屋信息可视化与价格预测系统适合正在准备毕业设计或课程设计、需要可运行项目参考的学习者。系统功能覆盖用户注册登录、首页信息展示、房价数据爬取与分析、房屋预测数据管理等模块可爬取安居客、58同城等平台的房价数据并做可视化分析。资源包共310个文件约17.74MB包含46个py源码文件、43个js脚本、17个html页面、17个css样式及多个gif、png、jpg等界面素材另有sql数据库脚本、csv数据集、pdf与docx说明文档结构完整便于二次开发。开发环境为Python 3.6.8搭配MySQL 5.7使用PyCharm与Navicat11配套LW论文材料已有41人学习。读者可据此快速理解爬虫、数据分析与Web可视化整合的实现思路并对照目录结构完成部署与调试。1. 从一份房屋数据到能跑通的预测系统这套 Python 源码到底解决了什么很多人第一次拿到「基于 Python 的房屋信息可视化及价格预测系统源代码」这类毕业设计包时第一反应是解压、找main.py、双击运行然后被一堆ModuleNotFoundError劝退。它本质上不是一个「软件」而是一条从原始房源表格到可视化图表、再到价格预测模型的最小闭环链路数据清洗、特征工程、图表渲染、模型训练、结果展示五段拼在一起。适合两类人一是计算机、软件工程、大数据方向的毕业设计选题者需要一套能讲清楚、能改、能答辩的完整代码二是刚学完 Python 基础语法、想找一个真实数据集练手的入门者。它解决的核心问题不是「预测得多准」而是「让一条数据流水线在你自己的机器上跑起来并且每一段你都能改」。2. 环境搭建与数据准备让源码在你机器上先跑起来2.1 Python 版本与依赖安装的取舍这套源码通常基于 Python 3.8 到 3.10 之间不建议用 3.12 以上因为部分可视化库和机器学习库的轮子还没跟上。安装 Python 时勾选「Add to PATH」这是新手最容易漏的一步漏了后面pip命令全部报「不是内部或外部命令」。装完在终端验证python --version pip --version如果两条命令都能输出版本号环境就通了。接下来是依赖。这类项目一般会带一个requirements.txt但很多毕业设计包里的版本号写得比较随意直接pip install -r requirements.txt大概率会卡在某个库编译上。我一般会先装核心几个再补其余pip install pandas numpy matplotlib seaborn scikit-learn flask这里解释一下每个库的角色pandas负责表格读写和清洗numpy做数值运算matplotlib和seaborn出静态图表scikit-learn提供线性回归、决策树、随机森林这些模型flask用来把可视化结果挂到网页上。如果你的源码用的是pyecharts做交互图表再补一个pip install pyecharts。注意不要一次性把所有库都升到最新版scikit-learn和pandas的大版本变动会导致旧代码里的 API 报错比如sklearn.cross_validation在新版已经移除。2.2 房源数据集的字段结构与清洗脚本房屋数据一般长这样标题、总价、单价、面积、户型、楼层、朝向、建成年代、小区、区域。原始数据里最常见的脏数据是「面积」带「平米」后缀、「总价」带「万」字、「户型」写成「3室2厅1卫」。清洗脚本的核心就是把它们转成数值。import pandas as pd import re # 读取原始数据注意编码中文csv常见gbk和utf-8两种 df pd.read_csv(house_raw.csv, encodinggbk) # 面积去掉“平米”“㎡”等后缀转float def clean_area(x): if pd.isna(x): return None x re.sub(r[^\d.], , str(x)) return float(x) if x else None # 总价去掉“万”字统一成万元 def clean_price(x): if pd.isna(x): return None x re.sub(r[^\d.], , str(x)) return float(x) if x else None df[面积] df[面积].apply(clean_area) df[总价] df[总价].apply(clean_price) # 户型拆成三个数值列 df[室] df[户型].str.extract(r(\d)室).astype(float) df[厅] df[户型].str.extract(r(\d)厅).astype(float) df[卫] df[户型].str.extract(r(\d)卫).astype(float) # 丢掉关键字段为空的行 df df.dropna(subset[面积, 总价, 室]) # 算单价作为后续预测的辅助特征 df[单价] df[总价] / df[面积] df.to_csv(house_clean.csv, indexFalse, encodingutf-8-sig) print(df.shape)这段脚本的逻辑是先用正则把带单位的字符串剥成纯数字再把户型这种复合字段拆成独立特征最后丢掉无法修复的空值行。参数上要注意encoding读的时候用gbk写的时候用utf-8-sig这样用 Excel 打开不会乱码。dropna的subset参数只检查指定列不要直接df.dropna()否则会把一些虽然缺失但不影响建模的行也删掉样本量会骤减。2.3 数据分布检查与异常值处理清洗完不要急着建模先看一眼分布。房价数据几乎必然有极端值比如 10 平米卖 5000 万这种要么是录入错误要么是特殊房源留着会把模型带偏。import matplotlib.pyplot as plt # 看总价分布 plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) df[总价].hist(bins50) plt.title(总价分布) # 用四分位距法标记异常值 Q1 df[总价].quantile(0.25) Q3 df[总价].quantile(0.75) IQR Q3 - Q1 lower Q1 - 1.5 * IQR upper Q3 1.5 * IQR df df[(df[总价] lower) (df[总价] upper)] print(清洗后样本量:, len(df))四分位距法是常见做法1.5这个系数是经验值改小会更严格改大会更宽松。如果你的数据本身偏态严重也可以直接用quantile(0.01)和quantile(0.99)截断。这一步做完样本量通常会掉 5% 到 15%属于正常范围。3. 可视化模块把房源数据变成能讲清楚的图表3.1 区域均价对比与户型分布图可视化不只是为了好看答辩时老师最常问的是「你这个数据有什么规律」。区域均价柱状图和户型分布饼图是最容易讲出结论的两张图。import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体Windows用SimHeiMac用Arial Unicode MS plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 区域均价 region_price df.groupby(区域)[单价].mean().sort_values(ascendingFalse) plt.figure(figsize(12, 5)) sns.barplot(xregion_price.index, yregion_price.values) plt.xticks(rotation45) plt.title(各区域平均单价) plt.ylabel(单价元/平米) plt.tight_layout() plt.savefig(region_price.png, dpi150)groupby后面跟mean()是求均值也可以换成median()看中位数中位数受极端值影响更小。dpi150是保存图片的分辨率毕业设计论文里插图建议不低于 150否则打印出来发虚。tight_layout()是防止标签被裁掉很多人保存的图 x 轴文字缺一半就是漏了这一句。3.2 面积与总价的散点回归图散点图能直观看出面积和总价的相关性再叠一条回归线答辩时可以说「面积每增加一平米总价平均增加多少」。plt.figure(figsize(8, 6)) sns.regplot(x面积, y总价, datadf, scatter_kws{alpha: 0.3, s: 10}, line_kws{color: red}) plt.title(面积与总价关系) plt.xlabel(面积平米) plt.ylabel(总价万元) plt.savefig(area_price.png, dpi150)alpha0.3是点的透明度数据量大时设低一点否则点会糊成一团黑。s10是点的大小。regplot默认会画置信区间如果觉得太乱可以加ciNone关掉。这张图如果散点明显分成两簇说明数据里混了两种不同类型的房源比如住宅和别墅建模前要考虑是否分开处理。3.3 用 Flask 把图表挂到网页上如果源码带 Web 展示一般是用 Flask 起一个本地服务把生成的图片或pyecharts的 HTML 嵌进去。from flask import Flask, render_template app Flask(__name__) app.route(/) def index(): return render_template(index.html) if __name__ __main__: app.run(debugTrue, port5000)debugTrue只在开发时用改代码会自动重启但正式部署要关掉。port5000是默认端口如果被占用改成 5001。模板文件放在templates文件夹下静态图片放static文件夹这是 Flask 的默认约定放错位置会报TemplateNotFound。4. 价格预测模型从线性回归到随机森林的完整训练流程4.1 特征选择与训练集划分建模前先确定用哪些特征。常见的是面积、室、厅、卫、楼层、建成年代区域这种类别特征要做独热编码。from sklearn.model_selection import train_test_split from sklearn.preprocessing import OneHotEncoder from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline # 数值特征和类别特征分开 num_features [面积, 室, 厅, 卫, 建成年代] cat_features [区域, 朝向] # 预处理数值列不动类别列独热编码 preprocessor ColumnTransformer( transformers[ (num, passthrough, num_features), (cat, OneHotEncoder(handle_unknownignore), cat_features) ]) X df[num_features cat_features] y df[总价] X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42) print(训练集:, X_train.shape, 测试集:, X_test.shape)test_size0.2是常见的八二开数据量小可以调到 0.3。random_state42是固定随机种子保证每次划分结果一样方便复现。handle_unknownignore是防止测试集里出现训练集没见过的区域时报错这个参数不加线上预测遇到新区域直接崩。4.2 线性回归基线模型先用线性回归跑一个基线看看到底能到多少。from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_absolute_error, r2_score lr_pipeline Pipeline([ (prep, preprocessor), (model, LinearRegression()) ]) lr_pipeline.fit(X_train, y_train) y_pred_lr lr_pipeline.predict(X_test) print(MAE:, mean_absolute_error(y_test, y_pred_lr)) print(R2:, r2_score(y_test, y_pred_lr))MAE是平均绝对误差单位是万元比如输出 30 就代表平均预测偏差 30 万。R2是决定系数越接近 1 越好0.6 以上在房价数据里就算能看。线性回归的优点是解释性强系数可以直接说「面积每多一平米总价涨多少」缺点是拟合非线性关系能力弱。4.3 随机森林与参数调优随机森林通常比线性回归准但调参更麻烦。from sklearn.ensemble import RandomForestRegressor from sklearn.model_selection import GridSearchCV rf_pipeline Pipeline([ (prep, preprocessor), (model, RandomForestRegressor(random_state42)) ]) param_grid { model__n_estimators: [100, 200], model__max_depth: [10, 20, None], model__min_samples_split: [2, 5] } grid GridSearchCV(rf_pipeline, param_grid, cv5, scoringneg_mean_absolute_error, n_jobs-1) grid.fit(X_train, y_train) print(最优参数:, grid.best_params_) y_pred_rf grid.predict(X_test) print(R2:, r2_score(y_test, y_pred_rf))n_estimators是树的数量越多越稳但越慢100 到 200 通常够用。max_depth控制树深太深会过拟合None表示不限制。cv5是五折交叉验证n_jobs-1表示用满所有 CPU 核心。scoring用负的 MAE因为 GridSearchCV 默认找最大值误差取负才能让「越大越好」等价于「误差越小越好」。这一步跑完如果 R2 比线性回归高 0.05 以上就值得在论文里重点写。5. 避坑与排查这套源码跑不起来时先看这几条5.1 中文乱码图表全是方框现象matplotlib画出来的图标题和轴标签全是小方块。原因默认字体不支持中文。解决在画图前加plt.rcParams[font.sans-serif] [SimHei]Mac 用户改成[Arial Unicode MS]Linux 用户先确认系统装了中文字体没有就apt install fonts-wqy-zenhei再指定WenQuanYi Zen Hei。5.2 路径问题读不到 CSV 文件现象FileNotFoundError: [Errno 2] No such file or directory。原因代码里写的是相对路径但运行时的工作目录不是脚本所在目录。解决要么在代码里用os.path.dirname(__file__)拼绝对路径要么在终端先cd到脚本目录再运行。VS Code 里可以在launch.json里配cwd这是很多人忽略的一步。5.3 版本冲突sklearn 的 API 找不到现象ImportError: cannot import name cross_validation。原因旧代码用的是sklearn.cross_validation新版本已经改成sklearn.model_selection。解决全局搜索替换把cross_validation改成model_selection。类似的还有sklearn.preprocessing.Imputer改成了SimpleImputer遇到报错先查官方迁移文档不要盲目降级。5.4 内存溢出数据量大时卡死现象跑随机森林时程序卡住内存占用飙升。原因n_estimators设太大或者数据没做采样。解决先把n_estimators降到 50 试跑确认流程通了再往上加。数据超过十万行时考虑用LightGBM替代随机森林速度快一个量级内存占用也低。5.5 预测结果为负模型输出不合理的价格现象预测出来的总价是负数。原因线性回归没有约束输出范围遇到极端特征组合会外推到负值。解决在预测后加一层截断y_pred np.maximum(y_pred, 0)或者改用对数变换np.log1p(y)训练预测后再np.expm1还原。后者更优雅但要注意还原后的误差评估要在原始尺度上做。6. 进阶技巧把预测系统做成能交互的工具6.1 用 joblib 持久化模型避免每次重新训练训练一次随机森林可能要几分钟没必要每次启动都重跑。用joblib把训练好的 pipeline 存下来。import joblib # 保存 joblib.dump(grid.best_estimator_, house_price_model.pkl) # 加载 model joblib.load(house_price_model.pkl) pred model.predict(X_test[:5]) print(pred)joblib比pickle更适合存 numpy 数组大的模型压缩率更高。存的时候用.pkl后缀是惯例加载时确保特征列顺序和训练时完全一致否则预测结果会错得离谱。6.2 加一个命令行预测入口让用户输入面积、室、厅、区域直接输出预测价格。def predict_price(area, rooms, halls, region): input_df pd.DataFrame([{ 面积: area, 室: rooms, 厅: halls, 卫: 1, 建成年代: 2010, 区域: region, 朝向: 南 }]) return model.predict(input_df)[0] if __name__ __main__: price predict_price(89, 3, 2, 朝阳区) print(f预测总价: {price:.1f} 万元)这里把缺失的特征用默认值填上实际使用时可以改成input()交互输入。注意input_df的列名和顺序必须和训练时的X完全一致差一个列名就会报KeyError。6.3 模型评估的三种验证方式对比验证方式适用场景优点缺点留出法数据量大简单快速结果受单次划分影响K折交叉验证数据量中等结果稳定训练次数多慢时间序列划分有时间顺序符合真实预测场景需要时间字段房价数据一般没有严格时间顺序用 K 折就够。如果你的数据带成交日期想模拟「用过去预测未来」就要按时间切分不能随机打乱。6.4 特征重要性的解读与论文写法随机森林可以直接输出特征重要性这是答辩时的加分项。import pandas as pd # 获取特征名 feature_names (num_features list(model.named_steps[prep] .named_transformers_[cat] .get_feature_names_out(cat_features))) importances model.named_steps[model].feature_importances_ feat_imp pd.Series(importances, indexfeature_names).sort_values(ascendingFalse) print(feat_imp.head(10))输出后通常会发现「面积」和「区域」排最前这符合直觉。论文里不要只贴图要写一句「面积是影响房价的首要因素重要性占比约 XX%其次是区域说明地段仍然是核心变量」。这种结论比单纯说「模型 R2 达到 0.8」更有说服力。我自己做这类项目最大的教训是不要一上来就调模型先把数据清洗和可视化做扎实。答辩老师问得最多的不是「你用了什么算法」而是「你的数据从哪来、怎么洗的、异常值怎么处理的」。模型换一个最多差几个点数据错了整个结论都是空中楼阁。希望帮到你。本文还有配套的精品资源点击获取