Proyecto: Precio de las casas en Ecuador

import pandas as pd import matplotlib.pyplot as plt import plotly.express as px

df=pd.read_csv("/work/ec_properties.csv")

df.shape

df.info()

df.head()

years=pd.DatetimeIndex(df['start_date']).year.unique() years

df["currency"].value_counts()

df["property_type"].unique()

casa=["Casa", "Casa de campo"] dft = df[df["currency"]=="USD"] dft = dft[dft["property_type"].isin(casa)] dft = dft[dft["operation_type"]=="Venta"] dft = dft[["property_type","title","lat","lon","l2","price"] ] dft = dft.rename(index=str, columns={"l2":"province"}) dft=dft[dft["price"]!=0] dft=dft[dft["price"]>=20000] dft=dft[dft["price"]<=500000] dft.drop_duplicates(inplace=True) #dft.dropna(inplace=True) dft.reset_index(drop=True, inplace=True)

dft.head()

dft.info()

Realizamos un gráfico para observar como están distribuidas las propiedades.

fig = px.scatter_mapbox( dft, lat="lat", lon="lon", center={"lat": -0.225219, "lon": -78.5248}, # Map will be centered on Brazil width=600, height=600, color="price", hover_data=["price"], # Display price when hovering mouse over house ) fig.update_layout(mapbox_style="open-street-map") fig.show()

En el gráfico podemos observar en cada ciudad del Ecuador las casas que están disponibles para la venta. Además se usa una escala de colores para diferenciar el precio de las viviendas. Las casas que están representadas con el color amarillo son las más caras, mientras que las casas que se indican con el color morado son las más baratas.

plt.boxplot(dft["price"], vert=False);

Vemos que hay algunos datos que son outliers, pero es normal, pues son propiedades más caras.

A continación usamos en método describe para ver la media del precio de las casas, así como la desviación estándar, los precios mínimos, los precios máximos.

dft["price"].describe()

Graficamos un histograma para conocer la distribución de los precios. Podemos observar que los datos tienen un sesgo hacia la izquierda, pues la mediana es menor a la media.

plt.hist(dft["price"]); plt.xlabel("Precio") plt.ylabel("Frecuencia") plt.title("Distribución de los precios de casas");

precio_medio_por_provincia = dft.groupby("province")["price"].mean().sort_values(ascending=False)

Ahora realizamos un gráfico de barras para conocer el precio medio de las viviendas por provinica. Podemos observar que Pichincha, Azuay y Galápagos son las provincias cuyo precio medio es el más alto. Así mismo podemos ver que en las provincias de Orellana, Pastaza y Sucumbíos tenemos los precios más bajos.

precio_medio_por_provincia.plot( kind="bar", xlabel="Provincia", ylabel="Precio medio [USD]", title="Precio medio de casas por provincia" );

dfa=df[df["surface_total"]!=0]

dfa

casa=["Casa", "Casa de campo"] dfa = dfa[dfa["currency"]=="USD"] dfa = dfa[dfa["property_type"].isin(casa)] dfa = dfa[dfa["operation_type"]=="Venta"] dfa = dfa[["property_type","surface_total","title","lat","lon","l2","price"] ] dfa = dfa.rename(index=str, columns={"l2":"province"}) dfa = dfa[dfa["price"]!=0] dfa = dfa[dfa["price"]>=20000] dfa = dfa[dfa["price"]<=500000] dfa.drop_duplicates(inplace=True) dfa.dropna(inplace=True) dfa.reset_index(drop=True, inplace=True)

low,high=dfa["surface_total"].quantile([0,0.9]) dfa=dfa[dfa["surface_total"].between(low,high)]

Realizamos un scatter plot de Precio vs Area, en este podemos observar que existe una correlación entre ambas variables. A mayor área el precio de la casa es mayor.

plt.scatter(x=dfa["surface_total"], y=dfa["price"]) plt.xlabel("Área") plt.ylabel("Precio") plt.title("Precio vs. Área")

dfa["price"].corr(dfa["surface_total"])

Por último, con el método .corr() podemos observar que la correlación entre el precio de la casa y la superficie total es de 0.69. Es decir, existe una alta correlación entre ambas variables.