简介这是一套面向Python毕业设计与课程设计的房屋信息可视化及价格预测系统技术栈以Python为核心搭配MySQL数据库与PyCharm开发环境实现房源数据展示、分析图表和价格预测等功能适合需要完整可运行项目的计算机专业学生参考。资源共307个文件约10.07MB其中包含46个py源码文件、43个js脚本、17个css与17个html页面以及sql数据库脚本、csv数据集和多张gif演示动图覆盖项目运行所需的前后端代码、数据与可视化展示内容。系统经过严格调试可直接导入PyCharm后配置数据库运行并附带部署指导能帮助使用者快速完成环境搭建与项目启动。资料包还包含数据库可视化配置工具说明便于理解表结构和数据流向。目前已有91人学习下载对于缺乏完整项目经验、希望高效完成毕业设计的同学来说是一个实操性强、性价比高的参考资源。1. 基于Python的房屋信息可视化及价格预测系统一份作品覆盖数据全流程基于Python的房屋信息可视化及价格预测系统第一眼看上去像是管理系统换了层皮实际上它是数据采集、清洗、特征工程、模型训练、Web可视化一整条链路的集合体。这个系统要回答两类问题房价在哪些维度上分布、什么因素在影响价格以及给出一套房子的面积、户型、楼层和朝向能不能预测出大概总价。对正在选毕业设计方向的人来说它最大的价值在于「一次作品覆盖多个考点」Python语法、数据库设计、数据分析、机器学习、前后端接口每个环节都能单独拿出来讲。适合人群是Python基础尚可、想避开纯增删改查、又不想碰图像和NLP硬核算法的同学。整篇按「数据从哪来、怎么洗、模型怎么训、怎么串成系统、坑在哪、怎么加分」的顺序展开中途会给出大量能直接跑的代码和参数说明。2. 架构选型与数据来源动手前先想清楚的三条岔路2.1 数据从哪来爬虫采集、公开数据集还是程序生成模拟数据先说结论我一般不建议一上来就写爬虫。房屋信息可视化及价格预测系统的核心在于「可视化加预测」数据只是原材料。如果时间紧张用公开的房价示例数据集或者自己构造一批带真实分布特征的模拟数据就能把主要精力留给后续流程如果想把数据采集也写进简历再考虑用requests加BeautifulSoup抓取公开房产信息网站的挂牌数据。三种来源的取舍如下表。爬虫数据的优点是字段真实答辩说服力强但需要处理反爬、字段很脏、数据量不稳定开源房价示例数据集比较干净、有标注、拿来即用但城市字段可能和本地可视化地图对不上程序构造模拟数据完全可控能按需设计缺失和异常但真实感弱容易被追问「数据哪来的」。我的建议是折中抓取一批真实挂牌数据作为主体再用模拟数据补齐缺失板块的样本。数据来源优点缺点适合场景爬虫抓取公开挂牌数据字段真实答辩说服力强字段脏、反爬成本高中期时间充裕想做完整链路开源房价示例数据集干净、有标注城市字段可能对不上地图以模型和可视化为主的快速方案程序构造模拟数据完全可控能造分布真实感弱练手、原型演示、时间极紧模拟数据也不是凭空乱造通常按真实挂牌数据的分布来生成。面积服从60到140平方米的偏态分布总价与面积强相关再叠加随机噪声朝向以「南」为主占比约六成楼层在低、中、高里均匀分布。这样造出来的数据在模型看来和真实数据没有本质区别只是经不起抠细节。数据字段决定后面所有环节建议在项目开始就把结构定死否则后面改字段名会牵连模型和前端。下面这套字段是房屋类项目的常用最小集按这套设计基本够用。字段名类型说明示例districtTEXT城区粒度对应可视化地图层级城东blockTEXT板块城区下的子区域城东新区communityTEXT小区名用于重复样本去重示例小区AlayoutTEXT原始户型字符串3室2厅1卫areaREAL建筑面积单位平方米89.6orientationTEXT朝向建模时做one-hot南decorationTEXT装修程度精装floor_levelTEXT楼层分层转有序编码中楼层build_yearINTEGER建造年份2012total_priceREAL总价单位万元预测目标235.0unit_priceREAL单价由总价除以面积得到26228这个表里我把total_price和unit_price都列出来了但真正建模时只会用total_price作为预测目标unit_price在特征阶段就要删掉因为它由总面积直接算出属于典型的数据泄漏后面避坑章节会专门讲。2.2 存储选型为什么毕业设计优先用 SQLite 而不是 MySQL存储层常见的争执是「到底用MySQL还是SQLite」。我的判断标准很简单如果这套系统要交付给别人一键运行数据库单文件就是最大的便利。SQLite不需要安装服务、不需要配置账号密码、不依赖网络端口一个.db文件跟着源码走。MySQL方案虽然更接近企业生产但换一台机器跑起来要装服务、导数据、配字符集答辩演示当场翻车的概率明显增加。建表语句如下直接在Python里执行即可CREATE TABLE IF NOT EXISTS house_info ( id INTEGER PRIMARY KEY AUTOINCREMENT, district TEXT NOT NULL, block TEXT, community TEXT, layout TEXT, area REAL NOT NULL, orientation TEXT, decoration TEXT, floor_level TEXT, build_year INTEGER, total_price REAL NOT NULL, unit_price REAL, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP );需要注意两点一是id用自增主键后续可视化按id抽样很方便二是area和total_price用REAL而不是INTEGER爬虫数据里经常出现89.6、235.5这类带小数的值用整数类型会在入库时被截断。如果后面要按城区统计均价就在district字段上建索引数据量上万条之后不带索引的GROUP BY会有明显卡顿。2.3 Web 框架与工程结构Flask 加模型分离的最小布局框架选型上Flask和FastAPI都能做。毕设场景我偏向Flask原因是Flask的模板渲染和静态资源托管对ECharts这类前端库支持最省心资料多遇到问题容易搜到答案。FastAPI的优势是高性能和自动接口文档但对一个内部演示系统来说属于过度设计还引入异步概念增加理解成本。项目目录按职责拆分常见结构如下。把训练脚本和Web应用分开是我的习惯原因很实际模型只在数据更新后重跑一次而Flask进程会频繁启动如果在app.py里每次启动都重新训练页面打开会慢好几秒。训练产物用joblib持久化Web启动时只加载不训练后面第四章会给出对应代码。house_project/ ├── app.py # Flask 入口路由和接口 ├── model/ │ ├── train.py # 训练脚本输出模型文件 │ └── house_price_model.joblib ├── data/ │ ├── house_raw.csv # 原始数据 │ └── house_clean.csv # 清洗后数据 ├── database/ │ └── house.db # SQLite 数据库文件 ├── static/ │ ├── echarts.min.js │ ├── style.css │ └── main.js # 图表渲染与请求逻辑 └── templates/ └── index.html # 可视化大屏页面数据文件保留CSV版本也有好处导师或评审想看数据时可以直接打开表格软件不需要连接数据库。这个目录结构本身就是一个很好的答辩材料每一层职责都能讲清楚。3. 数据预处理与特征工程价格预测不翻车的地基3.1 缺失值与异常值清洗房屋数据最容易出问题的三个位置爬虫或示例数据进入DataFrame之后第一时间要处理三类脏数据面积或总价为0的记录、户型字符串缺房间数、楼层和朝向写得不统一。这步不做后面训练出来的模型会被几条异常值拉偏最典型的表现是总价预测在100万以下的区间系统性偏高。我常用的清洗脚本如下直接跑就能得到一份可建模的数据集import pandas as pd import numpy as np df pd.read_csv(house_raw.csv) # 面积和总价下界过滤避免 0 值和录入错误 df df[(df[area] 10) (df[area] 300)] df df[(df[total_price] 5) (df[total_price] 5000)] df df.dropna(subset[area, total_price]) # 户型字符串统一格式提取室和厅数量 df[layout] df[layout].astype(str) df[bedrooms] df[layout].str.extract(r(\d)室).astype(float) df[living_rooms] df[layout].str.extract(r(\d)厅).astype(float) df df.dropna(subset[bedrooms]) # 楼层映射为有序编码朝向做 one-hot floor_map {低楼层: 0, 中楼层: 1, 高楼层: 2} df[floor_code] df[floor_level].map(floor_map) df pd.get_dummies(df, columns[orientation], prefixorient) print(df.shape) print(df[[area, total_price]].describe())这段代码里的边界值不是随手写的。面积小于10平方米通常是车位或储藏室挂牌属于和住宅不同的样本面积大于300再结合总价过滤是为了剔除别墅或录入异常。正则(\d)室提取第一个数字适用「3室2厅1卫」这类标准写法如果源数据里有「三室」这种中文数字要先把中文数字替换成阿拉伯数字再提取。朝向做one-hot之后会生成orient_东、orient_南、orient_西、orient_北等若干列注意如果新数据里出现训练时没见过的朝向比如「东南」predict会报特征数量不一致。所以清洗阶段就要把少见朝向归并成「其他」后文避坑章节会提具体做法。3.2 特征工程从现有字段里再挖两层有效信息基础字段清洗完还能再加工出几个对价格解释力很强的派生特征。第一类是房龄直接用当前年份减建成年份第二类是面积与房间数的比值能侧面反映户型合理性第三类是楼层和朝向的组合比如「南加高楼层」在定价上通常有溢价虽然树模型自己能学到交互项但显式构造出来对稳定性和可解释性都有帮助。from datetime import datetime current_year datetime.now().year df[house_age] current_year - df[build_year] # 户均面积面积除以房间数过大或过小都可能异常 df[area_per_room] df[area] / (df[bedrooms] df[living_rooms]) # 中高楼层且朝南的溢价标记 df[good_orient_floor] ((df[floor_code] 1) (df[orient_南] 1)).astype(int) # 构造特征集注意过滤原始户型字符串和泄漏字段 feature_cols [area, bedrooms, living_rooms, house_age, area_per_room, floor_code, good_orient_floor, orient_东, orient_南, orient_西, orient_北] X df[feature_cols] y df[total_price]这里过滤掉了layout、community、district这样的冗余或非数值字段。小区名和板块名不是不能建模但需要再做标签编码或目标编码毕设阶段容易把数据量小的板块编码出很高的重要性导致过拟合。area_per_room这类比值特征是从面积和房间数算出来的和unit_price那种直接由目标变量推导出来的泄漏字段有本质区别可以放心使用。3.3 目标变量处理为什么先 log1p 变换再训练房价数据的典型特点是右偏大量普通房源集中在100到300万少数房源拉到千万级。直接预测原始总价模型会被长尾样本带偏损失函数在千万级样本上的误差权重远高于普通房。常用做法是对总价做log1p变换即y ln(1 y)让目标变量更接近正态分布训练完成后再用expm1还原。from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, r2_score y_log np.log1p(df[total_price]) X_train, X_test, y_train, y_test train_test_split( X, y_log, test_size0.2, random_state42 ) model RandomForestRegressor( n_estimators200, max_depth10, min_samples_leaf3, n_jobs-1, random_state42 ) model.fit(X_train, y_train) y_pred_log model.predict(X_test) rmse_log np.sqrt(mean_squared_error(y_test, y_pred_log)) r2 r2_score(y_test, y_pred_log) print(RMSE(log):, round(rmse_log, 4), R2:, round(r2, 4))random_state42是刻意固定的否则每次运行随机划分不同模型分数忽高忽低实验报告没法复现。n_estimators取200在几千条样本量上已经足够再往上加对精度提升很小训练时间线性增长。max_depth10和min_samples_leaf3是给树模型加正则防止决策树把训练集的个案模式背下来。注意这里打印的RMSE是在log空间里的不能直接说「预测误差是XX万元」。要还原成万元口径需要用expm1对预测值做逆变换再重新计算误差这是实验报告里容易被挑刺的细节。提示把预测目标做log变换并不是所有回归任务都必须只有当目标变量明显右偏时才推荐。房屋总价是最典型的右偏分布之一所以这个处理在这个项目里性价比很高。4. 把可视化和价格预测串起来Flask 加 ECharts 加 sklearn 的最小闭环4.1 可视化第一屏看什么房价分布图表的选型思路可视化模块在答辩中的权重很高因为评委第一眼看到的就是页面。房屋数据能做的图很多但第一屏建议只放四类面积与总价的散点图、各城区均价柱状图、影响因素相关性热力图、户型分布饼图。散点图直观展示总价与面积的线性关系城区柱状图回答「哪个区贵」热力图说明建模时选了哪些特征饼图补充样本结构。ECharts通过option对象描述图表Flask端只需要把数据转成JSON传到模板。我一般是把聚合计算放在Python里完成前端只做渲染不在JS里写查询逻辑。from flask import Flask, render_template, jsonify import sqlite3 import pandas as pd app Flask(__name__) app.route(/) def index(): return render_template(index.html) app.route(/api/scatter, methods[GET]) def scatter_data(): conn sqlite3.connect(database/house.db) df pd.read_sql_query( SELECT area, total_price FROM house_info LIMIT 2000, conn ) conn.close() # 转成 ECharts 需要的 [{area: 89, total_price: 235}, ...] 结构 data df.to_dict(orientrecords) return jsonify(data)LIMIT 2000是刻意加的散点图超过2000个点之后浏览器渲染和交互都会明显变卡而且点点重叠反而看不清趋势。to_dict(orientrecords)生成列表套字典正好对应ECharts散点图的数据格式。需要注意pandas的float64类型在jsonify时可能序列化成非标准JSON稳妥做法是先用round限制小数位数。4.2 模型训练与接口封装训练脚本和 Web 应用各管各的模型部分按第三章脚本训练一次保存成joblib文件然后Flask启动时加载。预测接口接收前端传来的房屋属性返回预测总价。字段顺序是这步最关键的坑模型记住的是训练时特征列的顺序接口里组装特征列表时顺序必须完全一致否则预测结果就是错的。import joblib import numpy as np from flask import Flask, request, jsonify app Flask(__name__) model joblib.load(model/house_price_model.joblib) FEATURE_ORDER [area, bedrooms, living_rooms, house_age, area_per_room, floor_code, good_orient_floor, orient_东, orient_南, orient_西, orient_北] app.route(/api/predict, methods[POST]) def predict(): data request.get_json() try: features [float(data.get(col, 0)) for col in FEATURE_ORDER] except (TypeError, ValueError): return jsonify({error: 参数格式错误}), 400 pred_log model.predict([features])[0] price float(np.expm1(pred_log)) return jsonify({predicted_price: round(price, 2), unit: 万元}) if __name__ __main__: app.run(host127.0.0.1, port5000, debugFalse)FEATURE_ORDER这个列表是从训练脚本里复制出来的我习惯把它单独写成常量两边共同引用避免改动特征后接口忘记同步。data.get(col, 0)给缺失字段补默认0one-hot列缺失时会自动落到都不选中但数值列缺失补0会产生无意义预测所以前端提交前要做好必填校验。debugFalse是演示环境的必要设置debug模式会在出错时弹出交互调试器虽然方便排查但被别人访问到等于开放了服务器执行权限。实际预测误差一般在什么水平在训练集约八千条、特征包含面积户型和楼层朝向的情况下随机森林在还原后的总价上中位误差大概在10%到15%。这个精度对毕设完全够用。不要期待机器学习把房价预测到5%以内房价受太多宏观因素影响能稳定做到那个精度的模型反而值得怀疑。4.3 前端表单与结果回显Ajax 请求不要刷新页面可视化页面还需要一个预测入口用户填面积、户型、年份、楼层和朝向提交后在不刷新页面的情况下显示预测价格。刷新页面会丢失散点图缩放状态和地图选中状态交互体验差一个档次所以用fetch发异步请求。async function submitPrediction() { const payload { area: parseFloat(document.getElementById(area).value), bedrooms: parseInt(document.getElementById(bedrooms).value), living_rooms: parseInt(document.getElementById(living_rooms).value), house_age: new Date().getFullYear() - parseInt(document.getElementById(build_year).value), area_per_room: 0, floor_code: parseInt(document.getElementById(floor_level).value), good_orient_floor: 0, orient_东: 0, orient_南: document.getElementById(orientation).value 南 ? 1 : 0, orient_西: 0, orient_北: 0 }; const resp await fetch(/api/predict, { method: POST, headers: { Content-Type: application/json }, body: JSON.stringify(payload) }); const data await resp.json(); document.getElementById(predictionResult).textContent data.predicted_price 万元; }house_age和area_per_room这两个派生特征不想让用户填就放在前端计算这就是特征工程与接口对齐的典型场景。good_orient_floor同理它在「中楼层且朝南」时为1其余情况为0前端用floor_level和orientation组合算出来。要注意parseInt后空值会变成NaN提交前先做合法性判断否则接口会返回400错误。5. 避坑房屋价格预测系统里最容易翻车的 5 个环节5.1 数据泄漏总价和单价互相反推模型变成「开卷考试」现象随机森林在测试集上的R²高达0.99预测曲线几乎贴合真实值看着非常漂亮但一换新数据就完全失效。原因数据集里同时保留了total_price和unit_price而unit_price就是total_price除以面积得到的。树模型在特征里找到了这条确定性规律相当于把答案写进了考卷。解决建模时从特征里删除unit_price同时删除其他由目标变量直接计算出的列。判断标准很简单任何「知道答案后才能算出来」的列都不能进特征。5.2 中文乱码和 JSON 转义CSV 正常显示但 ECharts 全是方框现象CSV在Excel里打开中文乱码页面图表里的城区名显示成一串方框或者\uXXXX转义字符。原因read_csv默认按系统编码读Windows下Excel默认用GBK而Python写入常用UTF-8JSON传输时unicode默认转义。解决写CSV时指定编码为utf-8-sig读写保持一致Flask的jsonify已默认按UTF-8输出但前端取到后要确保页面meta charset为utf-8且echarts的label不要用富文本样式强制指定不存在的字体。5.3 叠加特征顺序不一致接口升级后预测结果悄悄变掉现象加了新特征、模型重新训练后接口依然能跑通但同样输入预测价格却变了而且变化幅度大到不合理。原因训练特征列顺序和接口FEATURE_ORDER不一致。DataFrame和字典的键按名称匹配但numpy数组和列表只认位置。解决把特征列顺序声明为训练和接口共享的单一常量并写一段校验代码加载模型后校验模型特征数与当前特征列表一致。提示加载sklearn模型后可以检查model.feature_names_in_是否与当前特征列表顺序一致这是最省事的自检方式。5.4 少见朝向和新城区样本训练里没见过的类别直接报错现象用户选了「东南」朝向提交接口返回500错误日志显示特征数量不匹配。原因one-hot只在训练集的取值上生成列新类别没有对应列两侧特征维度对不上。解决清洗时把所有非主要朝向归并成「其他」保证训练集和预测入口的类别集合固定。前端下拉框只提供模型见过的选项这也是限制输入空间的有效手段。5.5 每次运行分数忽高忽低忘记固定随机种子现象同一份数据、同一个模型代码两次运行打印出来的RMSE和R²不一样实验报告没法写。原因train_test_split和随机森林内部都依赖随机数没固定种子时每次划分和采样都不同。解决在train_test_split里传random_state42在RandomForestRegressor里也传random_state42。这样结果可复现报告里也能对应上一张确定的实验表格。6. 让系统超出预期模型对比、SHAP 解释与一键交付打包6.1 给答辩加分的模型对比别只交一版随机森林只放一个随机森林模型虽然完整但体现不出「为什么选它」。常见做法是同时跑线性回归、决策树和随机森林输出一张对比表。线性回归作为基线展示特征系数方向决策树展示可解释性随机森林作为最终选型。表格记录还原到万元后的RMSE和R²让评委一眼看出模型选型有依据。模型RMSE(万元)R²可解释性选型结论线性回归偏大中等系数直接可读作为基线决策树中等中等可打印树结构可解释方案随机森林最小最高特征重要性最终选择6.2 SHAP 解释让模型预测不再是黑匣子随机森林能给出特征重要性但那只是整体排序说不清「这套房子为什么比同小区的贵」。SHAP可以按单条样本解释每个特征的贡献方向。装上shap库后几行代码就能画出蜂群图这也是数据分析类毕设里很加分的一块。import shap explainer shap.TreeExplainer(model) shap_values explainer.shap_values(X_test[:500]) shap.summary_plot(shap_values, X_test[:500], feature_namesFEATURE_ORDER)TreeExplainer的参数就是训练好的模型不需要重新训练。summary_plot里每个点代表一条样本颜色代表特征值高低从图里能直观看出面积和房龄如何推动价格。注意shap库版本要和模型库匹配版本差异严重时会直接报类型错误。6.3 一键运行requirements 锁定与启动脚本交付物要让人能零成本跑起来这是源码包里教程文档最核心的价值。至少包含一份requirements.txt和一句启动命令依赖版本全部锁死才能避免版本不兼容的尴尬。pip install -r requirements.txt python app.pyrequirements.txt只需列出刚需库flask、pandas、numpy、scikit-learn、joblib、shap。版本号用锁定比如pandas2.0.3而不是写成pandas2.0。数据库和模型文件跟随项目目录走不依赖外部服务这样换一台机器解压即可运行。这套系统做完我的一个习惯是逼自己从头跑一遍安装流程看能否在一台干净环境里把页面打开。以前我交付前只在自己电脑上验证过到了演示时才发现在线服务没启动、页面一直空白从那以后凡是带数据库和模型的项目我都会先写一个启动前自检确认数据库文件存在、模型文件存在、端口没被占用再开始展示。希望帮到你。本文还有配套的精品资源点击获取