上海房价影响因素挖掘

本项目以链家公开的上海租房数据（house_rent.csv，约 41 万条）与售房数据 （house_sell.csv，约 32 万条）为数据源，围绕「影响房价的因素是什么」这一问题展开。 在数据清洗与小区聚合的基础上，构建可比较的标准化指标，并通过直方图、箱线图与 QGIS 空间可视化，观察房价、租金与售租比在上海市域范围内的分布规律。

售租比是衡量「买房 vs 租房」经济性的关键指标：数值越大，说明房价相对于租金越贵， 买房的投资回收期越长；反之则租房成本相对偏高、买房更划算。结合行政区维度对比， 可以直观看出哪些区域存在明显的价格偏离。

# 核心计算逻辑（streamlit_app.py 摘要）
rent["rent_area"] = rent["price"] / rent["area"]          # 每平米月租金
data = pd.merge(d_rent, d_sell, on="community")            # 小区级合并
data["sell_rent_ratio"] = data["average_price"] / data["rent_area"]  # 售租比

以下三张图分别展示上海市域范围内房价、租金与售租比的空间分布。 颜色由蓝到红代表数值由低到高，可以直观看到核心城区与外围区域的梯度差异。

房价空间分布

每平米房价的空间梯度，高值集中于中心城区及优质板块。

租金空间分布

每平米月租金的分布情况，反映居住需求与租赁市场的空间格局。

售租比空间分布

房价相对租金的偏离程度，识别估值偏高或偏低区域。

项目内置一个 Streamlit 交互式分析应用，无需修改代码即可完成以下探索：

# 启动交互式应用（需与数据文件位于同一目录）
streamlit run streamlit_app.py