Python房价预测系统实战：从数据清洗到XGBoost模型全流程解析

房价预测类项目一直是 Python 数据分析与机器学习方向的热门选题，无论是毕业设计、课程设计，还是作为入门机器学习的综合实战项目，都很适合用来串联“数据采集 → 数据清洗 → 特征工程 → 可视化分析 → 模型训练 → 结果评估”这条完整链路。本文将以一个可运行的房价趋势分析与预测系统为主线，拆解每个模块的设计思路、核心代码和常见问题，并给出可直接扩展的源码结构。读完这篇文章后，你可以独立搭建一个同样类型的预测系统，也能根据自己的数据集改造模型和界面。

1. 项目背景与核心概念

1.1 房价趋势分析与预测系统是什么

房价趋势分析与预测系统，本质上是利用历史房价数据，通过统计分析和机器学习算法，对房价的分布规律、影响因素和未来走势进行量化研究。它并不是简单地把房价数据画成折线图，而是包含三层内容：

• 描述性分析：回答“过去房价是怎样的”。例如房价均值、中位数、分布区间、不同区域价格差异、年份涨跌趋势等。
• 诊断性分析：回答“房价为什么这样变化”。例如面积、卧室数量、地理位置、房龄、周边配套等因素中，哪些对房价影响最大。
• 预测性分析：回答“未来价格大概是多少”。使用回归模型，根据已有特征预测房屋价格，并用误差指标评估可信度。

放到毕业设计或课程设计场景里，这个系统通常表现为：一个 Python 脚本或 Web 应用，输入房屋特征，输出预测价格；同时提供可视化图表和模型评估报告。

1.2 为什么适合作为实战项目

房价预测项目有很多适合教学和实战的特点：

• 数据容易理解：房价数据里的字段如面积、卧室数、位置等，不需要太多领域背景就能看懂。
• 算法覆盖全面：一套项目可以同时用到数据预处理、特征缩放、回归模型、交叉验证、模型保存与加载等知识。
• 可视化展示直观：房价数据和地理信息天然适合用图表展示，能很好地体现数据分析价值。
• 可扩展性强：完成基础版后，还可以继续加入时间序列预测、Web 可视化、数据库存储、爬虫抓取真实房源等功能。

1.3 项目主要技术点

本文实现的系统将覆盖以下技术点：

• 使用 pandas 完成数据加载、缺失值处理、重复值处理。
• 使用 matplotlib 和 seaborn 完成房价分布图、相关性热力图、特征关系图。
• 使用 scikit-learn 完成数据集划分、模型训练、评估和预测。
• 使用线性回归、随机森林、XGBoost 三种模型进行对比。
• 使用均方误差（MSE）、平均绝对误差（MAE）、决定系数（R²）评估模型性能。
• 将模型序列化保存，编写独立预测函数，方便集成到 Web 或桌面应用中。

2. 环境准备与版本说明

2.1 运行环境

本项目的运行环境相对简单，操作系统、IDE 均无强制要求。以下组合是常见且稳定的搭配：

• 操作系统：Windows 10/11、Linux、macOS 均可。
• 解释器：Python 3.8 及以上，建议使用 Python 3.10 或 3.11。
• 包管理工具：pip 或 conda。
• 开发工具：PyCharm、VS Code、Jupyter Notebook 均可。

如果电脑中还没有安装 Python，可以到 Python 官网下载对应系统的最新稳定版。安装过程中务必勾选Add Python to PATH选项，否则后续在命令行执行pip或python命令时可能提示找不到命令。

2.2 依赖库版本说明

本项目用到的主要库为：

在项目目录下创建requirements.txt，内容如下：

pandas>=1.5 numpy>=1.24 matplotlib>=3.7 seaborn>=0.12 scikit-learn>=1.2 xgboost>=1.7

然后执行安装命令：

pip install -r requirements.txt

如果你使用的是 conda，也可以用：

conda create -n house_price python=3.10 conda activate house_price pip install -r requirements.txt

需要注意：库版本之间存在联动关系。例如较新版本的 scikit-learn 可能要求 numpy 版本不能过低，如果安装出现依赖冲突，可以先把官方源切换到国内镜像源，再执行安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 项目结构规划

为了让系统结构清晰，建议将代码拆分为多个模块，而不是把所有逻辑写在一个文件里。

house_price_project/ │ ├── data/ │ ├── raw/ # 原始数据存放目录 │ └── processed/ # 处理后的数据存放目录 │ ├── src/ │ ├── __init__.py │ ├── data_loader.py # 数据加载 │ ├── data_clean.py # 数据清洗 │ ├── visualize.py # 可视化分析 │ ├── feature_engineer.py # 特征工程 │ ├── train_model.py # 模型训练与评估 │ └── predict.py # 预测接口封装 │ ├── models/ # 模型文件输出目录 ├── figures/ # 可视化图片输出目录 ├── requirements.txt └── main.py # 系统入口

这样的结构在写毕业论文或设计报告时也很有优势，每个模块对应一个章节，逻辑清晰，代码量适中。

3. 数据准备与预处理

3.1 数据集获取思路

房价预测项目可以使用的公开数据集比较多，常见选择包括：

• 加州房价数据集：scikit-learn 内置数据集，包含 20640 条样本，特征包括收入中位数、房龄、房间数、人口、经纬度等，适合入门。
• Kaggle House Prices 数据集：包含 79 个解释变量和 1460 条训练数据，字段丰富，适合进阶练习。
• 美国波士顿房价数据集：经典数据集，但需要注意，较新版本的 scikit-learn 已经将该数据集移除，不再建议作为新项目首选。

如果没有网络条件，也可以生成一份模拟数据来演示整个流程。模拟数据的好处是便于控制字段和样本量，缺点是不能反映真实世界复杂的房价规律。因此，官方推荐的做法是：教程中使用 scikit-learn 内置的加州房价数据集，快速跑通流程；正式毕业设计时，再替换为自己的数据集或网上公开比赛数据。

加州房价数据集的加载方式如下：

from sklearn.datasets import fetch_california_housing housing = fetch_california_housing(as_frame=True) data = housing.frame print(data.head())

该数据集的特征字段含义如下：

3.2 数据加载模块

在src/data_loader.py中实现数据加载函数。为了兼容内置数据集和本地 CSV 文件，可以设计一个简单参数来切换数据源。

# 文件路径：src/data_loader.py import pandas as pd from sklearn.datasets import fetch_california_housing def load_data(data_path: str = None) -> pd.DataFrame: """ 加载房价数据。 参数: data_path: 本地 CSV 文件路径。如果为 None，则加载加州房价内置数据集。 返回: DataFrame 格式的房价数据。 """ if data_path is not None: df = pd.read_csv(data_path) return df housing = fetch_california_housing(as_frame=True) return housing.frame if __name__ == "__main__": df = load_data() print(df.info()) print(df.describe())

加载数据后，df.info()可以看到每一列的数据类型和缺失值情况，df.describe()可以看到数值型特征的均值、标准差、最小值、最大值等统计信息，这是后续清洗和特征工程的重要依据。

3.3 数据清洗模块

数据清洗是房价预测系统中直接影响模型效果的关键步骤。常见的脏数据问题包括缺失值、重复值、异常值三类。

在src/data_clean.py中，编写如下清洗函数：

# 文件路径：src/data_clean.py import pandas as pd import numpy as np def clean_data(df: pd.DataFrame) -> pd.DataFrame: """ 对房价数据进行清洗。 清洗内容包括： - 缺失值处理 - 重复值删除 - 异常值处理 参数: df: 原始数据 返回: 清洗后的数据 """ df = df.copy() # 1. 删除全为空的行 df = df.dropna(how="all") # 2. 删除重复行 df = df.drop_duplicates() # 3. 缺失值填充 # 对于数值型特征，使用中位数填充，避免均值受异常值影响 numeric_cols = df.select_dtypes(include=[np.number]).columns for col in numeric_cols: if df[col].isnull().sum() > 0: median_val = df[col].median() df[col] = df[col].fillna(median_val) # 4. 针对业务字段做简单的异常值过滤 # 这里以加州房价数据集为例：平均每户房间数不可能为 0 或过大 if "AveRooms" in df.columns: df = df[(df["AveRooms"] > 0) & (df["AveRooms"] < 50)] if "MedHouseVal" in df.columns: # 目标变量极大异常值可以视情况剔除，保留大多数正常样本 q99 = df["MedHouseVal"].quantile(0.99) df = df[df["MedHouseVal"] <= q99] return df if __name__ == "__main__": from data_loader import load_data raw_df = load_data() cleaned_df = clean_data(raw_df) print(f"清洗前样本量: {len(raw_df)}") print(f"清洗后样本量: {len(cleaned_df)}")

关于缺失值处理，需要解释清楚为什么使用中位数而不是均值。房价这类数据往往包含长尾分布，即少数极高或极低价格的样本会拉高均值，用均值填充会引入偏差，而中位数对异常值不敏感，更适合作为填充值。

3.4 特征工程模块

特征工程的目的是让原始数据更容易被模型学习。针对房价预测，比较常用的手段是特征构造和特征选择。

在src/feature_engineer.py中，可以构造出以下几个有业务含义的特征：

# 文件路径：src/feature_engineer.py import pandas as pd import numpy as np def engineer_features(df: pd.DataFrame) -> pd.DataFrame: """ 特征工程：根据原始特征构造新特征，提高模型表达能力。 参数: df: 清洗后的数据 返回: 新增特征后的数据 """ df = df.copy() # 1. 平均房间数与平均卧室数的比值 # 房间数中卧室占比可以在一定程度上反映房屋户型结构 if "AveRooms" in df.columns and "AveBedrms" in df.columns: df["RoomsPerBedroom"] = df["AveRooms"] / df["AveBedrms"] # 2. 房间密度：每户对应的房间数 / 人口 if "AveRooms" in df.columns and "Population" in df.columns: df["RoomsPerPerson"] = df["AveRooms"] / df["Population"] # 3. 经纬度交互特征 # 位置对房价影响明显，构造经纬度距离某个基准点的近似距离 if "Latitude" in df.columns and "Longitude" in df.columns: df["LocationDistance"] = np.sqrt( (df["Latitude"] - df["Latitude"].mean()) ** 2 + (df["Longitude"] - df["Longitude"].mean()) ** 2 ) # 4. 房龄分组 if "HouseAge" in df.columns: df["AgeGroup"] = pd.cut( df["HouseAge"], bins=[0, 10, 20, 30, 40, 100], labels=[0, 1, 2, 3, 4] ).astype(int) return df

特征工程不是越多越好。新增特征后需要在后续建模中用特征重要性或相关性分析验证其有效性，如果加了特征后模型效果没有提升，甚至下降，就可以考虑删掉部分特征。

4. 房价趋势可视化分析

在建模之前，先通过可视化了解数据，是很重要的步骤。可视化能帮助我们回答：房价分布是否接近正态分布？哪些特征与房价相关性较高？不同经纬度区域的房价是否存在明显分层？

在src/visualize.py中实现四个常用的分析图表。

# 文件路径：src/visualize.py import matplotlib.pyplot as plt import seaborn as sns import pandas as pd # 解决中文乱码和负号显示问题 plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "Arial Unicode MS"] plt.rcParams["axes.unicode_minus"] = False def plot_price_distribution(df: pd.DataFrame, save_path: str = "figures/price_dist.png"): """绘制房价分布直方图""" plt.figure(figsize=(10, 6)) sns.histplot(df["MedHouseVal"], bins=50, kde=True) plt.title("房价中位数分布") plt.xlabel("房价中位数（单位：万美元）") plt.ylabel("频数") plt.tight_layout() plt.savefig(save_path, dpi=150) plt.show() def plot_correlation_heatmap(df: pd.DataFrame, save_path: str = "figures/corr_heatmap.png"): """绘制特征相关性热力图""" plt.figure(figsize=(12, 10)) corr_matrix = df.corr(numeric_only=True) sns.heatmap(corr_matrix, annot=True, fmt=".2f", cmap="coolwarm", square=True) plt.title("特征相关性热力图") plt.tight_layout() plt.savefig(save_path, dpi=150) plt.show() def plot_price_scatter(df: pd.DataFrame, x_col: str, y_col: str, save_path: str = "figures/price_scatter.png"): """绘制指定特征与房价的散点图""" plt.figure(figsize=(10, 6)) sns.scatterplot(data=df, x=x_col, y=y_col, alpha=0.5) plt.title(f"{x_col} 与房价关系") plt.xlabel(x_col) plt.ylabel("房价中位数") plt.tight_layout() plt.savefig(save_path, dpi=150) plt.show() def plot_geo_distribution(df: pd.DataFrame, save_path: str = "figures/geo_price.png"): """绘制经纬度与房价的散点图，观察地理位置对房价的影响""" plt.figure(figsize=(10, 8)) scatter = plt.scatter( df["Longitude"], df["Latitude"], c=df["MedHouseVal"], cmap="viridis", s=5, alpha=0.6 ) plt.colorbar(scatter, label="房价中位数") plt.title("地理位置与房价分布") plt.xlabel("经度") plt.ylabel("纬度") plt.tight_layout() plt.savefig(save_path, dpi=150) plt.show()

运行可视化模块后，通常会看到几个比较明显的规律：

• 大多数房屋价格集中在 20 万美元以下，整体呈现右偏分布。
• 收入中位数（MedInc）与房价的相关性最高，相关系数通常超过 0.6。
• 在不同经纬度区域，房价存在明显的颜色分层，说明位置是影响房价的重要变量。

这些分析结论不仅可以在论文里作为“探索性数据分析”章节的支撑材料，也能帮助你决定后续模型保留哪些特征。

5. 预测模型构建与评估

5.1 数据集划分

在训练模型之前，需要将数据划分为训练集和测试集。常见比例是 7:3 或 8:2。为了让模型评估更稳定，可以使用随机种子固定划分结果。

from sklearn.model_selection import train_test_split feature_cols = ["MedInc", "HouseAge", "AveRooms", "AveBedrms", "Population", "AveOccup", "Latitude", "Longitude"] X = df[feature_cols] y = df["MedHouseVal"] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) print(f"训练集样本数: {len(X_train)}") print(f"测试集样本数: {len(X_test)}")

这里需要说明一点：如果后续做了特征工程，feature_cols应该包含新构造的特征列。实际项目中，可以在特征工程函数执行完后，使用df.columns查看全部特征再选择。

5.2 模型选择：线性回归、随机森林、XGBoost

房价预测本质上是一个回归问题。本文重点验证三类模型的差异：

在src/train_model.py中实现模型训练与评估模块。

# 文件路径：src/train_model.py import joblib import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score from sklearn.model_selection import train_test_split from xgboost import XGBRegressor def train_and_evaluate(X_train, X_test, y_train, y_test): """ 训练并评估多个回归模型。 返回: 模型字典、预测结果字典、评估指标 DataFrame """ models = { "线性回归": LinearRegression(), "随机森林": RandomForestRegressor( n_estimators=100, max_depth=15, random_state=42, n_jobs=-1 ), "XGBoost": XGBRegressor( n_estimators=200, max_depth=6, learning_rate=0.1, random_state=42, eval_metric="rmse" ) } trained_models = {} predictions = {} metrics_summary = [] for name, model in models.items(): model.fit(X_train, y_train) y_pred = model.predict(X_test) trained_models[name] = model predictions[name] = y_pred mse = mean_squared_error(y_test, y_pred) mae = mean_absolute_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) metrics_summary.append({ "模型": name, "MSE": round(mse, 4), "MAE": round(mae, 4), "R²": round(r2, 4) }) print(f"\n模型: {name}") print(f"MSE (均方误差): {mse:.4f}") print(f"MAE (平均绝对误差): {mae:.4f}") print(f"R² (决定系数): {r2:.4f}") metrics_df = pd.DataFrame(metrics_summary) return trained_models, predictions, metrics_df def save_model(model, model_path: str = "models/house_price_model.pkl"): """保存模型到指定路径""" joblib.dump(model, model_path) print(f"模型已保存到: {model_path}") if __name__ == "__main__": from data_loader import load_data from data_clean import clean_data from feature_engineer import engineer_features df = load_data() df = clean_data(df) df = engineer_features(df) # 这里为了方便演示，手动指定特征列 feature_cols = [ "MedInc", "HouseAge", "AveRooms", "AveBedrms", "Population", "AveOccup", "Latitude", "Longitude" ] X = df[feature_cols] y = df["MedHouseVal"] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) trained_models, predictions, metrics_df = train_and_evaluate( X_train, X_test, y_train, y_test ) print("\n模型评估汇总:") print(metrics_df)

5.3 模型评估指标解读

对于房价预测回归模型，最核心的三个评估指标含义如下：

• MSE（均方误差）：预测值与真实值差的平方的平均值。MSE 越小越好，但量纲是原始单位的平方，不太直观。
• MAE（平均绝对误差）：预测值与真实值绝对差的平均值。MAE 与房价本身单位一致，比如 MAE 为 3 万美元，说明平均预测误差为 3 万美元。
• R²（决定系数）：取值范围通常为 0 到 1，表示模型解释了目标变量多少比例的方差。R² 越接近 1，拟合效果越好。

运行后，三种模型的表现通常呈现以下规律：

• 线性回归的 R² 相对最低，因为它假设特征与房价之间是线性关系，而真实房价受非线性因素影响更多。
• 随机森林和 XGBoost 的 R² 明显更高，但随机森林训练时间可能稍长，XGBoost 需要调节学习率等参数。

在论文或报告里，可以画一张柱状图对比三种模型的 R² 或 MAE，这部分可以使用 matplotlib 完成：

import matplotlib.pyplot as plt fig, ax = plt.subplots(figsize=(8, 5)) metrics_df.plot(x="模型", y="R²", kind="bar", ax=ax, color="#4C72B0") ax.set_title("不同模型 R² 对比") ax.set_ylabel("R²") ax.set_ylim(0, 1) plt.xticks(rotation=0) plt.tight_layout() plt.savefig("figures/model_compare.png", dpi=150) plt.show()

5.4 特征重要性分析

随机森林和 XGBoost 模型都提供了特征重要性属性，可以用来分析哪些特征对房价预测贡献最大。

def plot_feature_importance(model, feature_names, save_path="figures/feature_importance.png"): """ 绘制特征重要性柱状图。 注意：只有树模型有 feature_importances_ 属性。 """ importance = model.feature_importances_ indices = np.argsort(importance)[::-1] plt.figure(figsize=(10, 6)) plt.bar(range(len(importance)), importance[indices], color="#2E8B57") plt.xticks( range(len(importance)), [feature_names[i] for i in indices], rotation=45 ) plt.title("特征重要性 Top 特征") plt.tight_layout() plt.savefig(save_path, dpi=150) plt.show()

在加州房价数据集上，特征重要性排在前面的通常是 MedInc、Latitude、Longitude，这再次说明位置和收入水平是影响房价的核心因素。

6. 预测功能封装与结果展示

6.1 模型预测接口

完成模型训练后，需要把训练好的模型保存下来，然后提供一个简单的预测入口，方便用户在真实业务中传入房屋信息，得到预测价格。

# 文件路径：src/predict.py import joblib import pandas as pd import numpy as np class HousePricePredictor: """ 房价预测器。 使用方式: predictor = HousePricePredictor("models/house_price_model.pkl") result = predictor.predict(med_inc=6.5, house_age=20, ave_rooms=5.2, ...) """ def __init__(self, model_path: str): self.model = joblib.load(model_path) def predict(self, **kwargs): """ 根据传入的特征关键字参数进行预测。 实际使用时，需要确保特征名称和训练时一致。 """ feature_names = [ "MedInc", "HouseAge", "AveRooms", "AveBedrms", "Population", "AveOccup", "Latitude", "Longitude" ] values = [] for name in feature_names: if name not in kwargs: raise ValueError(f"缺少特征: {name}") values.append(kwargs[name]) input_df = pd.DataFrame([values], columns=feature_names) pred = self.model.predict(input_df) return float(pred[0]) if __name__ == "__main__": predictor = HousePricePredictor("models/house_price_model.pkl") price = predictor.predict( MedInc=6.5, HouseAge=25, AveRooms=5.0, AveBedrms=1.1, Population=1200, AveOccup=3.0, Latitude=34.5, Longitude=-118.5 ) print(f"预测房价中位数: {price:.3f} 万美元")

6.2 主程序入口

创建一个main.py作为系统入口，串联数据加载、清洗、可视化、训练、评估、预测的完整流程。

# 文件路径：main.py from src.data_loader import load_data from src.data_clean import clean_data from src.feature_engineer import engineer_features from src.visualize import ( plot_price_distribution, plot_correlation_heatmap, plot_geo_distribution ) from sklearn.model_selection import train_test_split from src.train_model import train_and_evaluate, save_model from src.predict import HousePricePredictor def main(): # 1. 加载数据 print("===== 加载数据 =====") df = load_data() print(f"原始数据量: {len(df)}") # 2. 数据清洗 print("===== 数据清洗 =====") df = clean_data(df) print(f"清洗后数据量: {len(df)}") # 3. 特征工程 print("===== 特征工程 =====") df = engineer_features(df) print("新增特征完成") # 4. 可视化分析 print("===== 可视化分析 =====") plot_price_distribution(df) plot_correlation_heatmap(df) plot_geo_distribution(df) # 5. 划分数据集并训练模型 print("===== 模型训练 =====") feature_cols = [ "MedInc", "HouseAge", "AveRooms", "AveBedrms", "Population", "AveOccup", "Latitude", "Longitude" ] X = df[feature_cols] y = df["MedHouseVal"] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) trained_models, predictions, metrics_df = train_and_evaluate( X_train, X_test, y_train, y_test ) print(metrics_df) # 6. 保存最优模型（这里以 XGBoost 为例） print("===== 模型保存 =====") best_model = trained_models["XGBoost"] save_model(best_model, "models/house_price_model.pkl") # 7. 预测演示 print("===== 预测演示 =====") predictor = HousePricePredictor("models/house_price_model.pkl") price = predictor.predict( MedInc=6.5, HouseAge=25, AveRooms=5.0, AveBedrms=1.1, Population=1200, AveOccup=3.0, Latitude=34.5, Longitude=-118.5 ) print(f"预测房价中位数: {price:.3f} 万美元") if __name__ == "__main__": main()

6.3 运行结果示例

运行main.py后，控制台会输出类似下面的信息。不同环境、不同数据下数值会有差异，但整体流程保持一致。

===== 加载数据 ===== 原始数据量: 20640 ===== 数据清洗 ===== 清洗后数据量: 20334 ===== 特征工程 ===== 新增特征完成 ===== 可视化分析 ===== ===== 模型训练 ===== 模型: 线性回归 MSE (均方误差): 0.5122 MAE (平均绝对误差): 0.5371 R² (决定系数): 0.6081 模型: 随机森林 MSE (均方误差): 0.2621 MAE (平均绝对误差): 0.3319 R² (决定系数): 0.7951 模型: XGBoost MSE (均方误差): 0.2304 MAE (平均绝对误差): 0.3056 R² (决定系数): 0.8192 模型评估汇总: 模型 MSE MAE R² 0 线性回归 0.5122 0.5371 0.6081 1 随机森林 0.2621 0.3319 0.7951 2 XGBoost 0.2304 0.3056 0.8192 ===== 模型保存 ===== 模型已保存到: models/house_price_model.pkl ===== 预测演示 ===== 预测房价中位数: 2.401 万美元

从结果可以看出，线性回归的解释能力明显弱于树模型，而 XGBoost 在这个数据集上表现最优。需要注意，这里展示的是一个典型结果，实际运行时代码版本、随机种子、特征处理方法都会导致具体数值变化，不要直接照搬数字写入论文，而是以自己运行结果为准。

7. 常见问题与排查思路

房价预测系统在开发过程中，有几个高频问题很容易遇到。下面整理了典型报错和解决思路。

7.1 解决中文乱码问题

在 Windows 系统上，上面代码中的字体设置通常可以正常显示中文。如果仍然乱码，可以手动指定系统存在的字体，例如：

import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["Microsoft YaHei"] # 微软雅黑 plt.rcParams["axes.unicode_minus"] = False

在 Linux 服务器上，如果提示找不到字体，可以安装中文字体：

# 以 Ubuntu 为例 apt-get install -y fonts-wqy-zenhei

安装后清除 matplotlib 字体缓存，再重新运行。

7.2 数据集下载失败的处理办法

fetch_california_housing在执行时会自动下载数据。如果公司网络或校园网限制外网访问，可以选择以下方案：

1. 在浏览器中手动打开数据集所在地址，下载 CSV 或压缩包。
2. 将下载后的数据放入项目的data/raw/目录。
3. 修改load_data函数，传入本地文件路径。

df = load_data(data_path="data/raw/california_housing.csv")

7.3 模型评估不稳定的问题

如果多次运行后模型指标变化很大，可以从以下几个方面排查：

• 固定random_state，保证数据集划分结果一致。
• 增加交叉验证，使用cross_val_score代替单次训练测试划分。
• 检查数据清洗和特征工程步骤是否在训练前统一执行。
• 注意避免数据泄露，比如使用全量数据做特征缩放再进行数据集划分。

8. 最佳实践与工程建议

8.1 数据层面：重视数据质量

房价预测项目的上限往往不是模型，而是数据质量。

• 编写清洗代码时，优先处理缺失值，再处理异常值。
• 利用df.isnull().sum()和df.duplicated().sum()建立数据质量基线。
• 对于真实爬虫数据，需要进一步做地址解析、经纬度坐标转换等操作。
• 数据划分后，检查训练集和测试集目标变量的分布是否接近。

8.2 特征层面：不多不少，重可解释

特征工程要避免两个极端：一个是不做特征工程，直接把原始字段丢给模型；另一个是一口气构造几十个特征，导致维度爆炸。

建议保持以下原则：

• 特征数量控制在 10 到 50 之间，除非数据量非常大。
• 每次新增特征后，通过特征重要性和模型效果验证其价值。
• 保留业务可解释的特征，便于论文中分析原因。
• 对于经纬度类空间特征，可以尝试聚类或区域编码，但不要过度拆解。

对于真实业务场景中的价格预测，应该避免直接把模型输出作为唯一决策依据。房价受政策、市场情绪、突发事件等实时因素影响较大，模型只能反映历史数据中的统计规律，训练数据覆盖不到的边界情况需要人工判断。

8.3 建模层面：交叉验证与超参数调优

不要只做一次训练集、测试集划分，建议引入 K 折交叉验证。

from sklearn.model_selection import cross_val_score from sklearn.ensemble import RandomForestRegressor model = RandomForestRegressor(n_estimators=100, random_state=42) scores = cross_val_score(model, X, y, cv=5, scoring="r2") print(f"交叉验证 R² 均值: {scores.mean():.4f}") print(f"交叉验证 R² 标准差: {scores.std():.4f}")

交叉验证可以有效评估模型在未知数据上的稳定性，避免因为一次划分而产生运气成分。

8.4 工程层面：环境隔离与模型版本管理

• 使用virtualenv或conda创建项目独立环境，避免污染全局环境。
• 将requirements.txt提交到代码仓库，方便复现环境。
• 模型文件使用joblib.dump保存时，记录训练时间、特征列表、模型参数，可以额外保存一份元数据文件。
• 在部署到 Web 服务时，需要封装预测接口为独立服务，并做好输入参数校验和错误捕获。

8.5 代码层面：模块化与日志

前期项目可以为了效率把所有代码放在一个.py文件中，但中期建议拆分成模块。

日志打点方面，可以引入logging替代print：

import logging logging.basicConfig( level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s" ) logger = logging.getLogger(__name__) logger.info("开始加载数据")

这样在项目变大后，可以更方便地定位问题，也能为论文中的系统设计部分提供素材。

8.6 论文与文档写作建议

如果你是在做毕业设计，代码之外还需要注意文档建设：

• 需求分析部分可以写系统要解决的核心问题、用户角色和使用场景。
• 数据库设计部分如果使用本地 CSV 文件，可以说明数据字典。
• 系统设计部分画好架构流程图和模块调用关系。
• 实验结果部分建议加入模型对比表格和可视化结果图。
• 总结部分重点写项目创新点、不足和未来改进方向。

9. 项目扩展方向

当基础版本跑通后，可以从以下几个方向扩展，让系统更有深度，也更容易在答辩或简历中展示亮点。

9.1 增加时间序列预测

当前方案使用的是截面数据回归，预测的是“同一时间点上不同房屋的价格”。如果想预测“同一房屋未来一段时间内价格走势”，可以改用 ARIMA、Prophet、LSTM 等时间序列模型。具体改动思路是：把历史交易时间作为特征，将价格序列按时间排序，切分训练集与测试集后建模。

9.2 构建 Web 可视化系统

可以使用 Flask 或 Django 将模型部署为 Web 服务。用户在浏览器中填写房屋特征，点击按钮后返回预测价格。后端接口可以这样设计：

# Flask 示例，仅展示思路 from flask import Flask, request, jsonify import joblib app = Flask(__name__) model = joblib.load("models/house_price_model.pkl") @app.route("/predict", methods=["POST"]) def predict(): data = request.get_json() features = [ data["MedInc"], data["HouseAge"], data["AveRooms"], data["AveBedrms"], data["Population"], data["AveOccup"], data["Latitude"], data["Longitude"] ] pred = model.predict([features])[0] return jsonify({"predict_price": pred}) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000)

9.3 接入真实房源爬虫

如果希望使用真实城市数据，可以编写爬虫获取房产交易平台的房源信息。但在爬虫开发过程中必须注意遵守目标网站的 robots 协议，控制请求频率，尊重版权，仅将数据用于学习研究。合法合规始终是底线。

类似上面提到的依赖安装问题，比如 pip 安装慢、缺少编译环境等，都属于 Python 开发中的通用问题。如果你在安装xgboost时遇到编译或依赖错误，可以先尝试安装预编译的 wheel 包：

pip install xgboost -i https://pypi.tuna.tsinghua.edu.cn/simple

如果仍然失败，建议更新 pip 后再试：

python -m pip install --upgrade pip

整体来说，不要被环境问题劝退。大部分报错都可以通过搜索错误信息、确认版本兼容性、使用虚拟环境等方式解决。

最后说一点实际经验：房价预测系统这类项目，代码建模只是其中一部分，更重要的是你对数据的理解和对调研结论的整理。建议在动手写代码前，先花时间梳理好“数据有哪些字段、目标变量是什么、哪些字段适合做特征、模型结果如何解释”，然后带着问题去实现代码。这样不仅代码结构更清晰，论文和答辩的素材也会更充实，项目完成后你对 Python 数据处理和机器学习的理解会明显上一个台阶。