कुछ अनावश्यक बेचने के लिए, आपको पहले कुछ अनावश्यक खरीदना चाहिए, लेकिन हमारे पास पैसा नहीं है।
- प्रोस्टोकवाशिनो से तीन

परिचय

ऐसा हुआ कि मैं मॉन्ट्रियल में अपने अपार्टमेंट (या स्थानीय कोंडो) में रहता हूं। और एक बार, लगभग एक साल पहले, मुझे इस विचार से दौरा किया गया था कि आपके अपने घर में जाना अच्छा होगा। मेरे पास पहले से ही आवास खरीदने और बेचने का कुछ अनुभव था और, सिद्धांत रूप में, इस मुद्दे पर बस दृष्टिकोण करना संभव होगा, जैसा कि अधिकांश स्थानीय निवासी करते हैं: एक रियाल्टार को किराए पर लें और उसे सभी मुद्दों से निपटने दें, लेकिन यह उबाऊ और निर्बाध होगा।

इसलिए, मैंने इस मामले को वैज्ञानिक रूप से अपनाने का फैसला किया। एक कार्य है: आपको यह पता लगाने की आवश्यकता है कि मेरे पास कितना मूल्य है, और वह है जो मैं वहन कर सकता हूं। खैर, एक गुजर सवाल - समझने के लिए जहां हवा चल रही है। और आर में भू-स्थानिक गणनाओं का पता लगाएं ।

सिद्धांत रूप में, यह तुरंत स्पष्ट हो गया था कि अगर मैं एक सभ्य क्षेत्र में रहना चाहता हूं और एक दैनिक बाइक की सवारी के साथ ग्लोबल वार्मिंग को मारना चाहता हूं, तो मैं सिर्फ एक अलग परिवार (स्थानीय रूप से) नहीं खींचूंगा। एक और आम स्थानीय विकल्प द्वैध या ट्रिपल खरीदने के लिए है, अर्थात। जिन घरों में दो या तीन अपार्टमेंट हैं: आप एक में रहते हैं,बाकी में आप खरगोशों का प्रजनन करते हैंबाकी किरायेदारों के सामने आत्मसमर्पण कर दिया जाता है। फिर एक और अज्ञात मात्रा दिखाई देती है - किराये की आय।

इसलिए, मैं बिक्री, किराये की कीमतों के लिए आवास की कीमतों के साथ शहर का नक्शा बनाना चाहता था, और यह भी पता लगाने में सक्षम था कि यह समय के साथ कैसे बदलता है।

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 मूल्यांकन करें कि क्या, कब और कहां खरीदना या बेचना है। लेकिन जीवन एक अधिक जटिल चीज है, वास्तविक अनुप्रयोग में वास्तविक बिक्री मूल्य का पर्याप्त ज्ञान नहीं है (हमारे क्षेत्र में यह केवल पंजीकृत रियल्टर के लिए उपलब्ध है)। इसलिए आपको उम्मीद नहीं करनी चाहिए कि प्राप्त पूर्वानुमान 100% तक वास्तविकता के साथ मेल खाएगा। सामान्य तौर पर, जिसने भी नहीं छिपाया वह मेरी गलती नहीं है।

स्रोत

सभी डेटा और स्रोत कोड रिपॉजिटरी में हैं । हमारे हाथी खरीदें!

अंत तक पढ़े हुए लोगों के लिए बोनस

परिणामों के साथ इंटरएक्टिव नक्शा: http://www.ilmarin.info/re_mtl/