Анализ стоимости жилья в Калифорнии (California Housing Dataset)

Описание проекта

Цель проекта — провести exploratory data analysis (EDA) на датасете California Housing, чтобы изучить распределение стоимости жилья и зависимость от различных признаков. Проект реализован на Python с использованием

,

numpy

и

matplotlib

.

---

Источник данных

Данные взяты из sklearn:

.

Датасет содержит 20640 записей и 9 колонок (8 признаков и 1 целевая переменная):

---

Задачи проекта

1. Загрузить данные и подготовить DataFrame.
2. Провести анализ целевой переменной (
   MedHouseVal
   ).
3. Провести анализ статистики признаков.
4. Визуализировать распределения целевой переменной и признаков.
5. Создать scatter plots признаков против целевой переменной.
6. Провести анализ корреляций и визуализировать их.

---

Статистика целевой переменной

• Средняя стоимость дома ≈ $207,000.
• Большинство домов сосредоточены в диапазоне $138,000–$257,000.
• Максимальное значение 5 (обрезка данных в датасете).

---

Статистика признаков

---

Визуализации

1. Распределение целевой переменной

• Гистограмма с линией среднего значения.
• KDE график (оценка плотности).
• Вывод: большинство домов имеют стоимость ниже $300,000, распределение смещено вправо.

2. Распределение признаков

• Все признаки построены на гистограммах.

• Особенности:

  • MedInc
    и
    HouseAge
    имеют почти нормальное распределение.
  • AveRooms
    и
    AveOccup
    имеют длинный хвост из-за блоков с большим количеством комнат или жителей.

3. Scatter plots признаков против целевой переменной

• Показано, как каждый признак влияет на

  MedHouseVal
  .

• Выводы:

  • Средний доход (
    MedInc
    ) сильно положительно коррелирует с ценой.
  • Широта (
    Latitude
    ) и долгота (
    Longitude
    ) показывают географическую зависимость.

4. Корреляции

• Горизонтальная диаграмма коэффициентов корреляции с

  MedHouseVal
  .

• Топ-признаки по корреляции:

  • MedInc
    : +0.69
  • Latitude
    : -0.14
  • Longitude
    : -0.05
  • Остальные признаки слабее коррелируют с ценой.

---

Выводы

• Наибольшее влияние на стоимость жилья оказывает средний доход в районе.
• Географическое положение (широта/долгота) также имеет значение.
• Большинство признаков имеют относительно слабую корреляцию с ценой домов.
• Данные имеют несколько выбросов, особенно по количеству комнат и населения.

---

Технологии

• Python 3.10+
• pandas, numpy
• matplotlib
• sklearn (fetch_california_housing)

---

Инструкция по запуску

1. Установить Python 3.10+
2. Установить зависимости:

3. Запустить скрипт:

4. Графики сохранятся в текущей директории:

• 05_housing_target_distribution.png
• 05_housing_target_distribution_kde.png
• 05_housing_features_distribution.png
• 05_housing_features_vs_target.png
• 05_housing_correlation_bars.png