Um etwas Unnötiges zu verkaufen, müssen Sie zuerst etwas Unnötiges kaufen, aber wir haben kein Geld.
- Drei aus Prostokvashino

Einführung

So kam es, dass ich in meiner Wohnung (oder Wohnung) in Montreal wohne. Und einmal, vor ungefähr einem Jahr, wurde ich von dem Gedanken besucht, dass es schön wäre, zu Ihnen nach Hause zu ziehen. Ich hatte bereits einige Erfahrungen mit dem Kauf und Verkauf von Wohnungen, und im Prinzip wäre es möglich, dieses Problem einfach anzugehen, wie es die Mehrheit der Anwohner tut: einen Makler einstellen und ihn mit allen Problemen befassen, aber es wäre langweilig und uninteressant.

Deshalb habe ich mich entschlossen, diese Angelegenheit wissenschaftlich anzugehen. Es gibt eine Aufgabe: Sie müssen herausfinden, wie viel sich das, was ich habe und wo ich es mir leisten kann, befindet. Nun, eine vorübergehende Frage - um zu verstehen, wo der Wind weht. Und erkunden die georäumliche Berechnungen in der R .

Im Prinzip war sofort klar, dass ich nicht nur ein separates Familienhaus (vor Ort) ziehen würde, wenn ich in einem zivilisierten Gebiet bleiben und mit einer täglichen Radtour die globale Erwärmung erreichen möchte. Eine andere übliche lokale Option ist der Kauf von Duplex oder Triplex, d.h. Häuser, in denen es zwei oder drei Wohnungen gibt: Sie wohnen in einer,im Rest züchtest du KaninchenDer Rest wird den Mietern übergeben. Dann erscheint eine andere unbekannte Menge - Mieteinnahmen.

Daher wollte ich eine Karte der Stadt mit den zum Verkauf stehenden Immobilienpreisen und Mietpreisen erstellen und auch nachverfolgen können, wie sich dies alles im Laufe der Zeit ändert.

zillow, , , , , , : https://apciq.ca/en/real-estate-market/. , , .

, , , , , , : https://github.com/Froren/realtorca

— , , - requests beatifulsoap, .

— , , , , , ; , .

, openstreet map, .

— , , sqlite , , . , , , , ..

R, tidy-verse, Simple Features for R, — - Geocomputation with R, ggplot2 ( tidyverse), tmap.

, , (join?) .

, , dplyr , :

R , :

library(tidyverse)
library(sf)

property<-read_csv("....") %>% 
 st_as_sf(coords=c("lng","lat"), crs=4326) %>% 
 st_transform(crs=32188)

:

neighbourhood<-geojson_sf("quartierreferencehabitation.geojson") %>%
 st_transform(32188) %>% 
 filter(nom_qr %in% c("Saint-Louis", "Milton-Parc")) %>% 
 summarize() %>% 
 st_buffer(dist=0)

:

neighbors <- st_join(property, neighbourhood, left=F)

openstreetmap :

osm_neighbourhood<-read_osm(st_bbox(neighbourhood%>%st_transform(4326)), ext=1.5, type="esri")

tmap :

library(tmap)
library(tmaptools)

tm_shape(osm_neighbourhood) + tm_rgb(alpha=0.7)+
  tm_shape(neighbourhood) + tm_borders(col='red',alpha=0.8)  + 
  tm_shape(neighbors) + tm_symbols(shape=3,size=0.2,alpha=0.8) +
  tm_shape(ref_home) + tm_symbols(col='red',shape=4,size=0.5,alpha=0.8)+
  tm_compass(position=c("right", "bottom"))+
  tm_scale_bar(position=c("right", "bottom"))

, :

( ):

lm(price ~ parking:area_interior)

:

## Coefficients:
##                            Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                33776.10   22175.97   1.523    0.129    
## parkingFALSE:area_interior   444.28      23.54  18.876   <2e-16 ***
## parkingTRUE:area_interior    523.01      19.65  26.614   <2e-16 ***

.. 444$ 33, +523$.

, 443k$, [433k$ — 453k$]

, , :

.. , .. . , . , , , generalized linear model inverse Gaussian distribution , - , :

: 435k$, 95% [419k$ — 450k$] — , .

, , , — .
, , — .. , , ( X X ) .

, () , ( , ).

generalized linear model inverse Gaussian distribution :

glm(price_sqft ~ parking + bedrooms,family=inverse.gaussian(link="log")

:

## (Intercept)    parkingTRUE   bedrooms2   bedrooms3   bedrooms4 
## 503.1981961   1.1215828   0.9720589   0.9662187   0.8325715

.. , 503$, 12% , — 2.8%, 3 — 3.3%, 4 17%, .
430k$ [ 413k$ — 448k$]

. .
- , - , — - , ?
, loess.

, — - .

, . , ( ) .

“ ” Generalized additive model

, . R mgcv gam:

gam(price_sqft ~ parking + bedrooms + s(start_date, k=24), family=inverse.gaussian(link="log"))

, , inverse Gaussian distribution, , , 24 . gam — , k .

( 2 ):

, : 429k [413k-447k], . . , .

, , .

, 60 . , .

, , . , 1, - :

#     
selected_mls=17758383 
#    2
max_distance=2000  
#       
plex_pe<-prop_geo_p %>% filter(type!='Apartment', type!='House')
ref<-plex_pe%>%filter(mls==selected_mls) 

#     
search_roi <- st_buffer(ref, max_distance) 
#      ,    -  
result <- st_intersection(plex_pe %>% filter(mls!=selected_mls), search_roi) %>% 
filter(area_interior<10000, area_interior>100,area_land>0,price<1e7,price>100 ) 

:

:

, , , - — , ( XX ), ..
, 523k$, [ 570k$ — 620k$]

, . , . sf :

, (), , :

aggregate(filter(kijiji_geo_p,bedrooms==2)%>%dplyr::select(price), mtl_p, median, join = st_contains)

, . . .
, :

gam(price_sqft ~ type + bedrooms + parking + s(x,y,k=100), family=inverse.gaussian(link="log"))

, 100:

pred_rent_whole <- raster(extent(mtl_land),res=100)
crs(pred_rent_whole)<-crs(mtl_land)
my_predict<-function(...) predict(...,type="response")
pred_rent_whole<- raster::interpolate(pred_rent_whole, model_rent_geo_whole, fun=my_predict, xyOnly=T,const=data.frame(bedrooms=2))

#      
pred_rent_whole <- mask(pred_rent_whole, mtl_land)

tmap:

tm_shape(osm_mtl)+tm_rgb(alpha=0.6)+
  tm_shape(mtl_arr) + tm_borders(alpha=0.8, col='black')+
  tm_shape(pred_rent_whole)+tm_raster(style="cont",alpha=0.7, title='$')+  tm_shape(subway_stop_p%>%dplyr::select(stop_name))+tm_symbols(col='blue',alpha=0.2,size=0.03)+
  tm_shape(subway_p)+tm_lines(col='blue',alpha=0.2)+
  tm_compass(position=c("right", "bottom"))+
  tm_scale_bar(position=c("left", "bottom"))+
  tm_layout(scale=1.5)

— .

, .

, .

, ( /( * ).
.

( / ).

, , ( ).

, R bewerten, was, wann und wo zu kaufen oder zu verkaufen ist. Das Leben ist jedoch komplizierter. In der realen Anwendung gibt es nicht genügend Kenntnisse über den tatsächlichen Verkaufspreis (in unserer Region steht dies nur registrierten Maklern zur Verfügung). Sie sollten also nicht erwarten, dass die erhaltenen Prognosen zu 100% mit der Realität übereinstimmen. Im Allgemeinen ist es nicht meine Schuld, wer sich nicht versteckt hat.

Quelle

Alle Daten und der Quellcode befinden sich im Repository . Kaufen Sie unsere Elefanten!

Bonus für diejenigen, die bis zum Ende gelesen haben

Interaktive Karte mit den Ergebnissen: http://www.ilmarin.info/re_mtl/