基于Python的房价预测系统实战：从数据清洗到模型训练

毕业设计选题“基于 Python 的房价趋势分析与预测系统”是很多计算机、大数据、数据科学方向同学都会考虑的方向。原因很直接：房价数据容易获取、业务场景贴近生活、分析结论视觉化效果好、建模过程又能展现算法能力，非常适合做成课程设计或毕业设计。这篇教程会从项目需求出发，完整梳理系统设计、数据预处理、特征工程、模型训练与可视化展示的全流程，并给出可运行的核心代码。文中所有代码都基于 Python + pandas + scikit-learn 技术栈，结构上拆成了数据层、算法层、展示层三部分，方便你后续扩展成 Web 系统或研究报告。

1. 项目背景与核心概念

1.1 项目选题背景

房价预测本质上是一个回归问题：给定一套房产的区位、面积、户型、楼层、房龄等特征，预测它的成交价格。它与常见的分类问题最大的区别在于，目标变量是一个连续值，因此评估模型好坏不能只看“对不对”，还要看“误差有多大”。

从毕业设计的角度来说，这个选题能覆盖完整的数据分析流程：数据采集与清洗、探索性可视化分析（EDA）、特征工程、回归模型训练、模型评估与结果解释。也就是说，一个项目几乎涵盖了数据科学岗位面试中最常被问到的几个环节，无论是写在简历上，还是用于答辩展示，都比较有说服力。

1.2 系统解决什么问题

实际生活中，房产估价受多种因素影响：地段、交通、面积、楼层、装修、周边配套、市场周期等。一个优秀的房价预测系统，应该能做到两件事：

第一，解释趋势。通过可视化分析，告诉用户哪些因素与房价强相关，比如地段评分、面积、房龄对价格的影响程度有多大；

第二，预测价格。输入新样本的特征，输出一个尽可能接近真实成交价的预测值，并用误差指标说明预测的可靠程度。

在本项目中，我们重点实现的是“数据分析 + 模型预测”两大部分。考虑到毕设时间和数据获取成本，系统采用离线训练方式：读取历史房价数据 → 清洗与特征处理 → 训练多种回归模型 → 评估对比 → 保存最优模型 → 对新增样例进行预测。

1.3 技术栈选型

技术选型上，Python 依然是此类项目的主流选择，原因有以下三点：

• 数据分析生态成熟：pandas 处理表格数据、numpy 做数值计算、matplotlib 和 seaborn 做可视化，几乎是行业标配；
• 机器学习库开箱即用：scikit-learn 中封装了线性回归、随机森林、梯度提升树等经典算法，不需要重复造轮子；
• 文档资料丰富：遇到问题能快速检索到解决方案，课程设计和毕业设计周期内容易推进。

本文使用的核心依赖库包括：pandas、numpy、matplotlib、seaborn、scikit-learn、joblib。其中 joblib 用于模型持久化，也就是把训练好的模型保存到本地文件，下次直接加载使用。

2. 环境准备与版本说明

2.1 Python 环境搭建

本项目代码基于 Python 3.8 及以上版本编写，推荐使用 3.9 或 3.10。如果你的电脑还没有安装 Python，可以直接到 Python 官网下载安装包，安装时务必勾选“Add Python to PATH”。安装完成后，在命令行验证版本：

python --version

如果命令行能正常输出版本号，说明环境变量配置没有问题。这一步看起来简单，但不少同学因为安装时没有勾选 PATH，导致后面执行pip install时提示“python 不是内部或外部命令”，这一点在 Windows 上尤其常见。

2.2 创建虚拟环境与安装依赖

虚拟环境的作用是把当前项目的依赖隔离起来，避免多个项目之间的包版本冲突。在项目根目录执行：

python -m venv venv

Windows 系统激活方式：

venv\Scripts\activate

macOS / Linux 系统激活方式：

source venv/bin/activate

激活后，创建一个requirements.txt文件，内容如下：

pandas==2.0.3 numpy==1.24.3 matplotlib==3.7.2 seaborn==0.12.2 scikit-learn==1.3.0 joblib==1.3.1

然后执行安装命令：

pip install -r requirements.txt

版本号需要根据你的实际环境调整，上面的版本组合在 Python 3.9/3.10 下兼容性较好。如果安装时提示依赖冲突，可以去掉版本号，改成直接安装最新版：

pip install pandas numpy matplotlib seaborn scikit-learn joblib

如果你常用 VS Code 编写 Python，建议安装 Python 扩展，然后在.vscode/settings.json中指定虚拟环境的解释器路径，这样运行和调试时不会用错 Python 环境。

2.3 项目目录结构

为了后续开发和论文撰写方便，建议从一开始就按分层结构组织项目：

house_price_prediction/ ├── data/ │ ├── raw/ # 原始数据 │ └── processed/ # 预处理后的数据 ├── src/ │ ├── data_preprocess.py # 数据清洗 │ ├── eda_analysis.py # 探索性可视化分析 │ ├── feature_engineering.py # 特征工程 │ ├── train_model.py # 模型训练与评估 │ └── predict.py # 加载模型，对新样本预测 ├── models/ # 保存训练好的模型 ├── results/ │ ├── figures/ # 可视化图表 │ └── reports/ # 结果报告 └── requirements.txt

这样的结构有两点好处：一是代码职责清晰，每个脚本只负责一个环节，方便调试；二是答辩时老师问“XX 功能在哪”，你可以直接指出对应的文件和函数，展示工程规范性。

3. 系统架构与核心原理

3.1 系统整体流程

整个系统的数据处理流程可以拆成五步：

1. 数据读取：从 CSV 文件或数据库中读取历史房价数据；
2. 数据清洗：处理缺失值、重复值、异常值，统一数据格式；
3. 特征工程：对类别特征编码，对数值特征做标准化或归一化，筛选有效特征；
4. 探索性分析：绘制房价分布、特征相关性热力图、特征与价格的散点图；
5. 模型训练与评估：划分训练集和测试集，训练多个模型，对比指标后选择最优模型保存。

这五步对应了论文中的“需求分析、系统设计、系统实现、系统测试”四章内容，所以项目代码结构和论文章节可以形成很好的对应关系。

3.2 数据清洗的关键原则

数据清洗是数据类项目中耗时最长、却最容易被忽略的环节。简单说，清洗工作围绕三个目标展开：

• 处理缺失值：删除缺失比例过高的行或列，或者用均值、中位数、众数填充；
• 处理重复值：同一套房源重复出现在数据中，会导致样本被高权重复用，影响模型泛化；
• 处理异常值：面积、价格等字段出现极端不合理的数值时，需要用箱线图或分位数法识别出来。

特别提醒一点：清洗时不要盲目删除所有异常值。比如一套豪宅价格远高于普通住宅，这不一定代表数据错误，可能只是长尾分布的一部分。具体是否删除，要结合业务背景判断。

3.3 特征工程的核心思路

特征工程的目标是把原始数据转换成更适合模型学习的输入。常见操作包括：

• 数值特征归一化/标准化：让不同量纲的特征处于同一尺度；
• 类别特征编码：比如用 0/1/2 表示装修等级，或用 One-Hot 编码处理城市、朝向等；
• 构造新特征：比如“单价 = 总价 / 面积”，在很多场景下预测单价比直接预测总价更稳定；
• 特征筛选：通过相关性矩阵，剔除与目标变量相关性极弱、且与其他特征高度相关的冗余特征。

房价预测领域有一条经验：特征工程对模型的提升往往比换一个更复杂的算法更明显。因此建议在课程设计报告中，用一小节专门说明每个特征的构造逻辑和筛选依据。

3.4 回归模型与评估指标

本系统选择线性回归和随机森林回归作为基础模型，前者逻辑简单，适合作为基线（Baseline）；后者能捕捉非线性关系，通常效果更好。

评价回归模型最常用的三个指标：

• MAE（平均绝对误差）：预测值与真实值绝对误差的平均值，单位与房价一致；
• RMSE（均方根误差）：对大误差更敏感，能放大模型在极端样本上的表现；
• R²（决定系数）：表示模型解释了多少比例的目标变量方差，越接近 1 越好。

如果 R² 较低，往往不是模型不够复杂，而是特征本身的信息量不足，需要回到特征工程环节继续优化。

4. 完整实战实现

4.1 准备示例数据

本项目以本地 CSV 数据为例演示。实际项目中，你可以使用网络爬虫采集公开房产网站数据，也可以使用开源数据集。为了便于复现，这里设计一个结构简单、字段含义明确的示例表格。

示例数据格式如下：

字段说明：

• area：房屋面积，单位平方米
• rooms：卧室数量
• floor：所在楼层
• total_floor：总楼层
• age：房龄，单位年
• location_score：地段评分，0-10 分
• decoration_level：装修等级，0 表示毛坯，1 表示简装，2 表示精装
• price：成交总价，单位万元（目标变量）

把这份数据保存为data/raw/house_data.csv，就可以开始后续处理。注意：这里是一份演示用的数据结构，真实项目的字段数量可在此基础上扩展，比如加入小区、周边学校数量、距地铁站距离等。

4.2 数据预处理模块

首先编写数据读取和清洗脚本src/data_preprocess.py。该脚本会完成 CSV 读取、缺失值检查、重复值删除和基础信息输出。

# 文件路径：src/data_preprocess.py import pandas as pd import numpy as np def load_raw_data(filepath): """ 读取原始 CSV 数据。 """ df = pd.read_csv(filepath) print(f"原始数据形状: {df.shape}") return df def inspect_data(df): """ 检查数据类型、缺失值、基本信息。 """ print("=== 数据类型 ===") print(df.dtypes) print("\n=== 缺失值统计 ===") print(df.isnull().sum()) print("\n=== 描述性统计 ===") print(df.describe(percentiles=[0.25, 0.5, 0.75, 0.9])) return df def clean_data(df): """ 数据清洗： 1. 删除完全重复的行 2. 删除目标变量 price 为空的样本 3. 用中位数填充数值型特征的缺失值 """ # 删除重复行 df = df.drop_duplicates() # 删除价格缺失的样本 df = df.dropna(subset=["price"]) # 对数值型列用中位数填充 numeric_cols = df.select_dtypes(include=[np.number]).columns df[numeric_cols] = df[numeric_cols].fillna(df[numeric_cols].median()) print(f"清洗后数据形状: {df.shape}") return df def save_processed_data(df, output_path): """ 保存清洗后的数据。 """ df.to_csv(output_path, index=False) print(f"预处理数据已保存到: {output_path}") if __name__ == "__main__": df = load_raw_data("../data/raw/house_data.csv") df = inspect_data(df) df = clean_data(df) save_processed_data(df, "../data/processed/house_data_clean.csv")

这段代码里的describe()方法可以输出数据的描述性统计信息，帮助你快速发现价格、面积等字段是否存在异常极值。比如 price 的最大值是几百万，但大量样本集中在几十万，就要考虑是否需要去掉极少数极端值。

4.3 探索性可视化分析

探索性分析（EDA）是课程设计报告中最容易出彩的部分。通过图表能直观回答“哪些因素影响房价”这个问题。

新建src/eda_analysis.py，实现三张核心图表：房价分布直方图、特征相关性热力图、关键特征与房价的散点图。

# 文件路径：src/eda_analysis.py import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns # 设置中文字体，避免图表中文乱码 plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "PingFang SC"] plt.rcParams["axes.unicode_minus"] = False def plot_price_distribution(df, save_path): """ 绘制房价分布直方图。 """ plt.figure(figsize=(8, 5)) sns.histplot(df["price"], bins=30, kde=True, color="#4C72B0") plt.title("房价分布直方图") plt.xlabel("价格（万元）") plt.ylabel("频数") plt.tight_layout() plt.savefig(save_path, dpi=200) plt.show() print(f"图表已保存: {save_path}") def plot_correlation_heatmap(df, save_path): """ 绘制特征相关性热力图。 """ corr = df.corr() plt.figure(figsize=(10, 8)) sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm", linewidths=0.5, cbar=True) plt.title("特征相关性热力图") plt.tight_layout() plt.savefig(save_path, dpi=200) plt.show() print(f"图表已保存: {save_path}") def plot_scatter_with_price(df, feature, save_path): """ 绘制指定特征与房价的散点图，并画出回归趋势线。 """ plt.figure(figsize=(8, 5)) sns.regplot(x=feature, y="price", data=df, scatter_kws={"alpha": 0.5}, line_kws={"color": "red"}) plt.title(f"{feature} 与房价的关系") plt.xlabel(feature) plt.ylabel("价格（万元）") plt.tight_layout() plt.savefig(save_path, dpi=200) plt.show() print(f"图表已保存: {save_path}") if __name__ == "__main__": df = pd.read_csv("../data/processed/house_data_clean.csv") plot_price_distribution(df, "../results/figures/price_distribution.png") plot_correlation_heatmap(df, "../results/figures/correlation_heatmap.png") plot_scatter_with_price(df, "area", "../results/figures/area_vs_price.png")

这段代码有三个细节值得注意：

第一，中文字体设置。Windows 上通常用SimHei，macOS 上用PingFang SC，Linux 上可能需要额外安装中文字体。如果不设置，图表会出现方框乱码，报告中需要使用图片时必须提前处理。

第二，sns.regplot()会自动绘制线性回归趋势线和置信区间，能帮助直观判断特征与房价是否呈线性关系。

第三，相关性热力图用颜色深浅表达相关系数大小，annot=True会在格子上显示数值，方便论文引用。

4.4 特征工程模块

特征工程模块src/feature_engineering.py负责对预处理后的数据进行转换，包括特征编码、标准化、特征选择。

# 文件路径：src/feature_engineering.py import pandas as pd import numpy as np from sklearn.preprocessing import StandardScaler def create_features(df): """ 构造特征： 1. 楼层比例 = 所在楼层 / 总楼层 2. 房屋单价 = 总价 / 面积（该特征用于后续分析，不参与训练） """ df = df.copy() df["floor_ratio"] = df["floor"] / (df["total_floor"] + 1e-6) # 单价列仅用于可视化分析 df["unit_price"] = df["price"] / df["area"] return df def encode_features(df): """ 对类别特征进行编码，这里 decoration_level 已经是数值型。 如果存在字符串类别特征，可以在此处做 One-Hot 编码。 """ df = df.copy() # 示例：若有 location 类别字段，可执行 # df = pd.get_dummies(df, columns=["location"], drop_first=True) return df def split_feature_label(df, feature_cols=None): """ 拆分特征矩阵 X 和目标变量 y。 """ if feature_cols is None: feature_cols = ["area", "rooms", "floor", "total_floor", "age", "location_score", "decoration_level", "floor_ratio"] X = df[feature_cols] y = df["price"] return X, y def standardize_features(X_train, X_test): """ 标准化训练集和测试集特征。 注意：必须先 fit 训练集，再 transform 测试集。 """ scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) return X_train_scaled, X_test_scaled, scaler if __name__ == "__main__": df = pd.read_csv("../data/processed/house_data_clean.csv") df = create_features(df) df = encode_features(df) X, y = split_feature_label(df) print("特征矩阵形状:", X.shape) print("目标变量形状:", y.shape)

标准化操作这里使用了fit_transform和transform的区分，这是面试常考的点：测试集只能使用训练集拟合好的参数进行转换，不能参与fit，否则会造成数据泄露，使得评估结果偏乐观。

4.5 模型训练与评估模块

模型训练模块src/train_model.py是系统的核心。这里实现两个模型：线性回归（Linear Regression）和随机森林回归（Random Forest Regressor），在同一个数据集上进行训练评估，并输出评估指标对比。

# 文件路径：src/train_model.py import pandas as pd import numpy as np import joblib from sklearn.model_selection import train_test_split, cross_val_score from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score # 导入自定义模块 from data_preprocess import load_raw_data, clean_data from feature_engineering import create_features, split_feature_label, standardize_features def evaluate_model(model, X_test, y_test, model_name): """ 计算并打印模型评估指标。 """ y_pred = model.predict(X_test) mae = mean_absolute_error(y_test, y_pred) rmse = np.sqrt(mean_squared_error(y_test, y_pred)) r2 = r2_score(y_test, y_pred) print(f"\n===== {model_name} 评估结果 =====") print(f"MAE = {mae:.2f} 万元") print(f"RMSE = {rmse:.2f} 万元") print(f"R² = {r2:.4f}") return {"model_name": model_name, "mae": mae, "rmse": rmse, "r2": r2} def train_models(X_train, y_train): """ 训练线性回归和随机森林模型。 """ models = { "LinearRegression": LinearRegression(), "RandomForest": RandomForestRegressor(n_estimators=200, max_depth=10, random_state=42) } trained_models = {} for name, model in models.items(): print(f"训练模型: {name} ...") model.fit(X_train, y_train) trained_models[name] = model return trained_models def select_best_model(results): """ 根据 R² 选择最优模型，返回模型名称。 """ best = max(results, key=lambda x: x["r2"]) print(f"\n最优模型: {best['model_name']} , R² = {best['r2']:.4f}") return best if __name__ == "__main__": # 1. 加载数据 df = load_raw_data("../data/raw/house_data.csv") df = clean_data(df) # 2. 构造特征 df = create_features(df) X, y = split_feature_label(df) # 3. 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 4. 标准化 X_train_scaled, X_test_scaled, scaler = standardize_features(X_train, X_test) # 5. 训练与评估 trained_models = train_models(X_train_scaled, y_train) results = [] for name, model in trained_models.items(): result = evaluate_model(model, X_test_scaled, y_test, name) results.append(result) # 保存模型 joblib.dump(model, f"../models/{name}.pkl") # 6. 保存标准化器，预测时保持一致 joblib.dump(scaler, "../models/scaler.pkl") # 7. 输出最优模型 best = select_best_model(results) joblib.dump(trained_models[best["model_name"]], "../models/best_model.pkl") print("所有模型已保存至 models 目录")

4.5.1 运行说明

在src目录下执行：

python train_model.py

预期会输出类似这样的信息：

原始数据形状: (500, 8) 清洗后数据形状: (497, 8) 训练模型: LinearRegression ... 训练模型: RandomForest ... ===== LinearRegression 评估结果 ===== MAE = 15.23 万元 RMSE = 20.11 万元 R² = 0.8821 ===== RandomForest 评估结果 ===== MAE = 11.87 万元 RMSE = 16.35 万元 R² = 0.9245 最优模型: RandomForest , R² = 0.9245

注意：这里输出的数值会随实际数据不同而变化，请以你自己数据的运行结果为准。如果你发现 R² 值偏低，优先检查特征工程和数据清洗是否到位，不要急着换更复杂的模型。

4.6 新样本预测模块

训练好的模型被保存为.pkl文件，预测阶段只需要加载模型与标准化器，不需要重新训练。新建src/predict.py：

# 文件路径：src/predict.py import pandas as pd import joblib def load_model(model_path="../models/best_model.pkl", scaler_path="../models/scaler.pkl"): """ 加载训练好的模型和标准化器。 """ model = joblib.load(model_path) scaler = joblib.load(scaler_path) return model, scaler def predict_price(features_dict, model, scaler): """ 对单条房产信息进行预测。 features_dict 为字典，键名需与训练特征列一致。 """ # 构造 DataFrame，保持特征顺序与训练时一致 feature_cols = ["area", "rooms", "floor", "total_floor", "age", "location_score", "decoration_level", "floor_ratio"] # 手动计算楼层比例特征 floor_ratio = features_dict["floor"] / (features_dict["total_floor"] + 1e-6) features_dict["floor_ratio"] = floor_ratio df = pd.DataFrame([features_dict])[feature_cols] df_scaled = scaler.transform(df) price = model.predict(df_scaled)[0] return price if __name__ == "__main__": model, scaler = load_model() sample = { "area": 98.0, "rooms": 3, "floor": 15, "total_floor": 30, "age": 3, "location_score": 9.0, "decoration_level": 2 } result = predict_price(sample, model, scaler) print(f"预测房价: {result:.2f} 万元")

这段代码体现了工程实践中的一个关键点：预测时的输入处理必须与训练时完全一致。训练阶段我们构造了floor_ratio特征，预测阶段同样要构造这个特征，否则模型输入特征数量不匹配，程序直接报错。

4.7 单模型实验对比脚本

在课程设计报告中，通常需要对比不同参数对模型效果的影响。可以写一个小型实验脚本，固定训练数据，改变随机森林的树数量，观察 RMSE 变化：

# 文件路径：src/experiment_rf.py import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, r2_score from data_preprocess import load_raw_data, clean_data from feature_engineering import create_features, split_feature_label, standardize_features if __name__ == "__main__": df = load_raw_data("../data/raw/house_data.csv") df = clean_data(df) df = create_features(df) X, y = split_feature_label(df) X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) X_train_scaled, X_test_scaled, _ = standardize_features(X_train, X_test) n_estimators_list = [50, 100, 200, 300] results = [] for n in n_estimators_list: model = RandomForestRegressor(n_estimators=n, random_state=42) model.fit(X_train_scaled, y_train) y_pred = model.predict(X_test_scaled) rmse = np.sqrt(mean_squared_error(y_test, y_pred)) r2 = r2_score(y_test, y_pred) results.append({"n_estimators": n, "rmse": rmse, "r2": r2}) print(f"n_estimators={n}, RMSE={rmse:.2f}, R²={r2:.4f}") best_idx = int(np.argmin([r["rmse"] for r in results])) print(f"\n推荐参数: n_estimators={results[best_idx]['n_estimators']}")

通过这个实验，你可以在报告中说明“增加树的数量一开始能提升模型表现，但当树的数量超过某个阈值后，效果趋于稳定，而训练时间持续增加”，这是随机森林一个非常经典的特点。

5. 常见问题与排查思路

5.1 中文乱码问题

运行 EDA 脚本时，图表中的中文可能显示为方框。解决方案是在代码开头设置plt.rcParams["font.sans-serif"]，并指定系统已安装的中文字体。如果设置后仍然无效，可能是系统缺少中文字体，需要先安装，再清除 matplotlib 缓存。

5.2 数据形状不匹配

预测阶段报错 ValueError，通常是训练和预测时的特征列不一致。排查步骤：

• 打印训练时的特征列X.columns；
• 打印预测时构造的 DataFrame 列名；
• 确保两者顺序完全一致。

5.3 模型过拟合

如果训练集 R² 很高，但测试集 R² 明显偏低，说明模型过拟合。针对随机森林，解决方案包括：增大min_samples_leaf、减小max_depth、增加训练数据量；针对线性回归，可以考虑添加正则化（Ridge 或 Lasso）。

5.4 常见的报错与处理

5.5 数据规模太小

如果你的原始数据只有几十条，训练出来的模型几乎不可靠。常规做法是收集至少几百条样本，如果确实无法扩展数据，可以在论文中明确说明数据规模限制，并调整研究问题为“基于小样本的实验性分析”，这也是可以接受的选题处理方式。

6. 最佳实践与工程建议

6.1 数据层面

不要把全部时间花在调模型参数上，数据质量才是决定性因素。建议在报告中增加一节“数据质量分析”，用图表展示缺失值比例、异常值处理前后的分布变化。这样的细节能让答辩老师认为你真的理解数据，而不是只会调库。

6.2 代码层面

每个 Python 脚本都写清楚if __name__ == "__main__":入口，并添加函数注释。这样做的好处有两个：一是方便单文件调试，不会因为导入模块而自动执行整段代码；二是论文附录可以直接引用核心代码，评委阅读体验更好。

数据文件、训练结果、图表分别放在固定目录下，不要在根目录散落一堆.csv和.png。良好的目录组织本身就是工程能力的体现。

6.3 模型层面

不要只汇报最优模型的结果，建议列出多个模型的对比表格。答辩时老师大概率会问“为什么选随机森林而不是 XGBoost”。你可以回答：随机森林结构简单、对异常值容忍度高、默认参数效果稳定；如果数据量进一步增大，还可以尝试 XGBoost 或 LightGBM 做对比。这样的回答既诚实又显示了你的知识边界。

6.4 安全与规范

房产数据如果来自网络爬虫，一定要在论文中声明数据来源和合规性。涉及个人信息的数据要脱敏。不要展示任何非公开渠道获取的敏感数据。本项目使用的示例数据结构是通用教学场景，不涉及具体楼盘和隐私信息，可以放心用于课程设计和毕业设计演示。

7. 项目扩展方向

如果时间允许，可以在现有系统上做以下扩展，这些方向也可以在论文的“展望”章节中体现：

• 加入时间序列维度：把历史成交价按月聚合，用 ARIMA 或 Prophet 做市场趋势预测；
• 构建 Web 界面：使用 Flask 或 Streamlit 封装模型，实现“输入房产信息，返回预测价格”的交互页面；
• 引入地图可视化：结合地图库展示不同区域的房价热力分布；
• 使用更多特征：加入轨交距离、周边学校、商圈配套等数据，进一步提升模型表现。

从模型调优的角度考虑，还可以尝试集成学习中的加权融合，将线性回归和随机森林的预测结果取加权平均，往往能在测试集上获得小幅提升。

最后给你一个比较实在的项目推进建议：先跑通数据清洗和线性回归基线，生成第一版图表和评估结果，然后在此基础上逐步加入随机森林、特征工程和界面优化。前期不要追求完美，先保证系统从数据到预测的主链路是通的。这样即使时间紧张，你手上也始终有一个可以演示、可以写进报告的核心版本，后面的优化都属于增量增强。

如果你正在准备答辩，建议把相关性热力图和模型对比表格放在 PPT 最显眼的位置，这两张图能回答大部分关于“数据怎么分析”和“模型怎么选”的问题。希望这篇文章能帮你把这个项目做得更扎实，顺利交付。