要出售不必要的东西，您必须先购买不必要的东西，但我们没有钱。
-Prostokvashino的三人

介绍

碰巧我住在蒙特利尔的公寓（或当地公寓）中。大约一年前，有一次，我想到可以搬到自己的家来。我已经有一些买卖房屋的经验，从原则上讲，可以像大多数当地居民一样简单地解决这个问题：雇用一名房地产经纪人并让他处理所有问题，但这将是无聊且无趣的。

因此，我决定科学地处理此问题。有一项任务：您需要弄清楚我所拥有的价值，以及我能承受的价格。好吧，这是一个过去的问题-了解风在哪里吹。并探索R中的地理空间计算。

原则上，很明显，如果我想留在一个文明的地区并每天骑自行车来应对全球变暖，我不会只在当地（当地）租一间单独的家庭住宅。另一个常见的本地选择是购买双工或三层，即有两三个公寓的房子：你住在一个，~~在其余的地方，你会繁殖兔子~~其余的则交还给房客。然后出现另一个未知数量-租金收入。

因此，我想绘制一张包含待售房屋价格，租金价格的城市地图，并且还能够跟踪所有这些随时间的变化。

zillow之类的服务无法显示出带有估计房屋价格图表的精美图片，因此不适用于我们所在的地区，您只能研究当地房地产经纪人协会的定期报告，该报告定期报告价格上涨，但我无法保持下去：https : //apciq.ca/ zh /房地产市场/。没有人可以在任何地方大规模地分析租金价格，您只需监视留言板，但这是一项相当无聊的任务。

总的来说，我做的第一件事是浏览Internet上关于本地房地产价格的现成开放数据，但我发现几乎没有任何发现，但是我发现本地待售房屋挂牌服务的文档记录不良，无法携带有关现有信息的信息。在市场上：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)

— .