使用 Python 分析二手車銷售價格

---

分析二手車的銷售價格對於買賣雙方做出明智的決策至關重要，而使用 Python 可以輕鬆完成。透過利用 Python 的資料分析和視覺化功能，可以從可用資料集中獲得有價值的見解。

本文探討了使用各種圖表進行資料預處理、清洗和分析銷售價格的過程。此外，它還涵蓋了使用線性迴歸模型預測銷售價格。藉助 Python 的強大庫，如 pandas、matplotlib、seaborn 和 scikit-learn，此分析提供了一種全面方法來了解影響二手車價格的因素並做出準確的價格預測。

如何使用 Python 分析二手車的銷售價格？

請按照以下步驟使用 Python 分析二手車的銷售價格：

步驟 1：匯入重要庫

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

步驟 2：讀取資料集並將其儲存在 pandas 資料框中

data = pd.read_csv('C:/Users/Tutorialspoint/Documents/autos.csv', encoding='latin1')

步驟 3：檢查資料集的結構

data.info()
print(data.head())

輸出

dateCrawled  seller offerType  price vehicleType  \
3 2016-03-17 16:54:04  privat   Angebot   1500  kleinwagen   
4 2016-03-31 17:25:20  privat   Angebot   3600  kleinwagen   
5 2016-04-04 17:36:23  privat   Angebot    650   limousine   
6 2016-04-01 20:48:51  privat   Angebot   2200      cabrio   
7 2016-03-21 18:54:38  privat   Angebot      0   limousine   

   yearOfRegistration  gearbox  powerPS    model  kilometer  \
3                2001  manuell       75     golf     150000   
4                2008  manuell       69    fabia      90000   
5                1995  manuell      102      3er     150000   
6                2004  manuell      109  2_reihe     150000   
7                1980  manuell       50   andere      40000   

   monthOfRegistration fuelType       brand notRepairedDamage dateCreated  \
3                    6   benzin  volkswagen              nein  2016-03-17   
4                    7   diesel       skoda              nein  2016-03-31   
5                   10   benzin         bmw                ja  2016-04-04   
6                    8   benzin     peugeot              nein  2016-04-01   
7                    7   benzin  volkswagen              nein  2016-03-21   

              lastSeen  
3  2016-03-17 17:40:17  
4  2016-04-06 10:17:21  
5  2016-04-06 19:17:07  
6  2016-04-05 18:18:39  
7  2016-03-25 16:47:58  

步驟 4：處理缺失值

data = data.dropna()

步驟 5：僅在必要時轉換資料型別

data['dateCrawled'] = pd.to_datetime(data['dateCrawled'])
data['dateCreated'] = pd.to_datetime(data['dateCreated'])

步驟 6：資料清洗

# Remove irrelevant columns
columns_to_drop = ['name', 'abtest', 'nrOfPictures', 'postalCode']
data = data.drop(columns=columns_to_drop)

步驟 7：使用圖表分析銷售價格

示例 1：銷售價格的直方圖

plt.figure(figsize=(10, 6))
sns.histplot(data['price'], bins=20, kde=True)
plt.xlabel('Price')
plt.ylabel('Count')
plt.title('Histogram of Selling Price')
plt.show()

輸出

示例 2：按車輛型別劃分的銷售價格箱線圖

plt.figure(figsize=(10, 6))
sns.boxplot(x='vehicleType', y='price', data=data)
plt.xlabel('Vehicle Type')
plt.ylabel('Price')
plt.title('Boxplot of Selling Price by Vehicle Type')
plt.show()

輸出

示例 3：註冊年份與價格的散點圖

plt.figure(figsize=(10, 6))
sns.scatterplot(x='yearOfRegistration', y='price', data=data)
plt.xlabel('Year of Registration')
plt.ylabel('Price')
plt.title('Scatter plot of Year of Registration vs. Price')
plt.show()

輸出

步驟 8：使用線性迴歸預測銷售價格

選擇相關的特徵和目標變數

features = ['yearOfRegistration', 'powerPS', 'kilometer']
target = 'price'
X = data[features]
y = data[target]

將資料拆分為訓練集和測試集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

初始化並訓練線性迴歸模型

model = LinearRegression()
model.fit(X_train, y_train)

輸出

LinearRegression

步驟 9：對測試集進行預測並列印預測的銷售價格

# Make predictions on the test set
y_pred = model.predict(X_test)

# Print the predicted selling price
print("Predicted Selling Price:")
for price in y_pred:
   print(price)

輸出

Predicted Selling Price:
4697.820983235375
4882.88628493459
2407.3556394173065
4264.297985512414
5801.285403149028
6486.864555639331
18844.05037380848
3615.3753698624205
15154.480417441286
7511.02954521589
5815.107292202709
14360.747495675983
3868.0368050450925
6433.695591624826
3019.621718226932
……………………………………
3723.5291391374194

步驟 10：使用均方誤差 (MSE) 評估模型

mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse}")

輸出

Mean Squared Error: 3838157266.6337757

結論

總之，Python 的多功能性和強大的庫使其成為分析二手車銷售價格的理想工具。透過資料預處理、清洗和視覺化，可以獲得有價值的見解。此外，使用機器學習演算法進行預測建模可以實現準確的價格預測。此分析使買賣雙方能夠在二手車市場中做出明智的決策。