簡介這是一份基于Python的杭州二手房數(shù)據(jù)采集與可視化分析完整源碼適合Python學(xué)習(xí)者、數(shù)據(jù)分析初學(xué)者及房產(chǎn)市場研究人員參考。項目圍繞鏈家杭州二手房數(shù)據(jù)劃分為數(shù)據(jù)爬蟲、數(shù)據(jù)清洗、數(shù)據(jù)可視化三個模塊涵蓋URL管理、HTML解析與下載、日志管理以及CSV/XLSX編碼轉(zhuǎn)換、去重清洗、詞云圖與柱狀圖繪制等具體環(huán)節(jié)可快速了解從數(shù)據(jù)抓取到分析展示的全流程。壓縮包共48個文件包括13個Python源程序、5個XML工程配置、5個pyc字節(jié)碼、4個CSV數(shù)據(jù)、4個INI配置、3個XLSX表格、2個PNG圖表及相關(guān)文本、許可證等文件包體約24.83MB結(jié)構(gòu)清晰便于按目錄學(xué)習(xí)。已有1055人瀏覽學(xué)習(xí)覆蓋爬蟲、清洗、可視化三大典型任務(wù)既能輔助課程設(shè)計與畢業(yè)設(shè)計也能為城市房產(chǎn)數(shù)據(jù)研究提供可復(fù)用的腳本與思路。1. 杭州二手房數(shù)據(jù)采集與可視化這份源碼能直接跑出一套分析做房產(chǎn)量化分析的人多半被同一個問題卡住數(shù)據(jù)從哪來。我最初是手動復(fù)制粘貼一天最多整理 30 套房源還經(jīng)常把“單價”和“總價”填反。后來拿到這套基于 Python 的杭州二手房數(shù)據(jù)采集與可視化分析源碼思路完全變了——它把「抓取列表頁 → 解析字段 → 清洗去重 → 存儲 → 出圖」串成一條完整鏈路跑一遍能拿到近千條房源的結(jié)構(gòu)化數(shù)據(jù)再生成價格分布、面積關(guān)系、區(qū)域?qū)Ρ热悎D。適合兩類人一是想自己搭爬蟲卻對反爬沒底的 Python 學(xué)習(xí)者二是想用客觀數(shù)據(jù)輔助選房的看房人。下文按采集、清洗、可視化、避坑、選房模型五個層次拆透。2. 數(shù)據(jù)采集層requests 請求邏輯與反爬的三個實測2.1 先摸清列表頁的 URL 規(guī)律再動手寫請求函數(shù)這套源碼的采集目標(biāo)不是某個小站點而是杭州二手房市場的頭部信息平臺。動手前最重要的不是寫代碼而是先打開瀏覽器開發(fā)者工具翻兩頁列表頁觀察 URL 的變化規(guī)律。常見平臺的列表頁格式是xx.com/hz/loupan/pg2/或xx.com/hz/ershoufang/pg2/pg后面的數(shù)字就是頁碼。這個規(guī)律決定了后續(xù)翻頁邏輯怎么寫也是最容易被忽略的起點。項目采集模塊的請求層用 requests 實現(xiàn)核心是一個帶重試和延時控制的fetch函數(shù)import requests import time import random from fake_useragent import UserAgent ua UserAgent() def fetch_page(base_url, page, retry3): url f{base_url}pg{page}/ headers { User-Agent: ua.random, Referer: base_url, Accept-Language: zh-CN,zh;q0.9, } for attempt in range(retry): try: resp requests.get(url, headersheaders, timeout10) if resp.status_code 200 and 列表頁標(biāo)識 in resp.text: return resp.text # 429/403 屬于高頻異常等待后重試 if resp.status_code in (403, 429): time.sleep(5 random.random() * 3) continue except requests.exceptions.RequestException: time.sleep(3) return None這段邏輯里有三個關(guān)鍵參數(shù)設(shè)計retry3控制單頁最大重試次數(shù)避免頁面偶發(fā)超時導(dǎo)致整個任務(wù)中斷timeout10防止鏈接池被慢響應(yīng)占滿隨機(jī)等待5 random.random() * 3秒只在收到 403/429 時執(zhí)行平時不拖慢速度。fake_useragent庫每次請求生成不同瀏覽器標(biāo)識這是繞過基礎(chǔ) UA 校驗最常見的做法。2.2 用 BeautifulSoup 把頁面字段拆進(jìn)字典翻頁要設(shè)終止條件拿到 HTML 后解析層用 BeautifulSoup 操作。二手房卡片頁面的 DOM 結(jié)構(gòu)相對固定房源標(biāo)題、小區(qū)名、戶型、面積、朝向、裝修、樓齡、總價、單價各自落在帶特定 class 或 data 屬性的標(biāo)簽里。解析函數(shù)長這樣from bs4 import BeautifulSoup import re def parse_house_list(html): soup BeautifulSoup(html, lxml) items [] for li in soup.select(li.clear): try: title li.select_one(.title a).get_text(stripTrue) # 示例2室1廳 | 89.5平米 | 南 北 | 精裝 | 2016年建 info li.select_one(.houseInfo).get_text(stripTrue) parts info.split(|) items.append({ title: title, layout: parts[0].strip(), area: float(re.search(r[\d.], parts[1]).group()), orientation: parts[2].strip(), decoration: parts[3].strip(), year: int(re.search(r\d, parts[4]).group()), total_price: float(li.select_one(.totalPrice).get_text().replace(萬, )), unit_price: int( li.select_one(.unitPrice).get_text() .replace(元/平, ).replace(,, ) ), }) except (AttributeError, ValueError, IndexError): continue return items這里要特別說明兩點用li.clear選擇器只抓列表項過濾廣告橫幅和推薦位try-except包裹單條解析出現(xiàn)字段缺失時跳過這條而不是中斷整個進(jìn)程。實際跑的時候發(fā)現(xiàn)平臺上偶爾會有“價格面議”或“車位已售”的特殊卡片它們的 DOM 分支不一樣直接解析會報NoneType錯誤。字段映射時建議先抓少部分?jǐn)?shù)據(jù)打印驗證再全量跑。翻頁終止條件容易被忽略。源碼里設(shè)計的做法是連續(xù)兩頁解析出的房源 ID 列表完全相同就判定已到末頁主動中斷。用房源 ID 而不是頁碼做去重依據(jù)因為部分平臺對超過 100 頁的深翻頁會直接返回第一頁的數(shù)據(jù)不設(shè)終止條件的話會得到一堆重復(fù)數(shù)據(jù)。2.3 限速與反爬的平衡單線程加隨機(jī)延時別一上來就上并發(fā)很多初學(xué)者看到 1000 套房源就想著上多線程并發(fā)采集結(jié)果前 100 條順利后面全部 403。這套源碼用的是單線程加隨機(jī)延時這是對中小體量數(shù)據(jù)最穩(wěn)的策略def run_crawler(base_url, max_pages100): all_items [] seen_ids set() for page in range(1, max_pages 1): html fetch_page(base_url, page) if not html: break items parse_house_list(html) new_items [it for it in items if it[title] not in seen_ids] if not new_items: break seen_ids.update(it[title] for it in new_items) all_items.extend(new_items) print(f第 {page} 頁累計 {len(all_items)} 條) time.sleep(random.uniform(1.5, 3.5)) # 核心限速參數(shù) return all_itemsrandom.uniform(1.5, 3.5)是實際跑下來的限速區(qū)間小于 1 秒容易被限流大于 4 秒則 1000 條數(shù)據(jù)要跑 40 分鐘以上。1.5 到 3.5 秒既隱蔽又可控。另外注意不要在高峰期晚上 8 點到 11 點跑大批量任務(wù)這個時間段的平臺風(fēng)控會明顯收緊。如果要采集的數(shù)據(jù)量在 2000 條以上建議按小區(qū)拆分任務(wù)、分批跑每次間隔 5 分鐘以上這個操作比任何技術(shù)手段都有效。3. 清洗與結(jié)構(gòu)化Pandas 把“萬”和“元/平米”變成可分析字段3.1 臟數(shù)據(jù)實測重復(fù)房源、空白字段、單位混用是三大主源采集完成只是第一步。我拿到源碼后第一次跑出的 862 條數(shù)據(jù)里有 34 條是重復(fù)房源同一套房子被不同中介重復(fù)上架12 條面積字段解析失敗還有 11 條單價明顯異常低于 5000 元/平米基本是車位或商鋪混入。這些數(shù)據(jù)直接做可視化均價會偏離真實值 8% 左右。所以清洗層是整個分析鏈路里最容易“翻車”也最值得花時間的一環(huán)。清洗用 Pandas 處理。核心操作是字段統(tǒng)一、缺失值處理、類型轉(zhuǎn)換和異常過濾import pandas as pd df pd.DataFrame(raw_items) df df.drop_duplicates(subset[title, area, layout], keepfirst) df df.dropna(subset[total_price, unit_price, area]) # 面積/總價類型強(qiáng)制轉(zhuǎn)換pd.to_numeric 遇到非法值轉(zhuǎn) NaN 再剔除 df[area] pd.to_numeric(df[area], errorscoerce) df[total_price] pd.to_numeric(df[total_price], errorscoerce) df df[(df[area] 20) (df[area] 300)] df df[(df[total_price] 30) (df[total_price] 3000)] df df[df[unit_price] 8000] print(f清洗后剩余 {len(df)} 條)errorscoerce是這里的關(guān)鍵把“89.5平米”這種文本轉(zhuǎn)成浮點數(shù)遇到無法解析的值置為 NaN隨后統(tǒng)一刪除。面積過濾到 20 到 300 平米總價過濾到 30 到 3000 萬單價過濾到 8000 元以上這三個閾值圈定了普通住宅的合理范圍。如果拿到數(shù)據(jù)后某個城市的單價普遍高于 8000說明這部分過濾條件需要隨城市調(diào)整不能照搬。3.2 新增派生字段區(qū)域、樓齡區(qū)間、每平米單價重算清洗完成后后續(xù)可視化還需要幾個原始字段里沒有的維度。我一般在清洗階段直接派生出來# 從標(biāo)題里提取商圈例如 城東 某小區(qū) df[region] df[title].str.split().str[0] # 樓齡區(qū)間用于對比新舊小區(qū)價格 df[age_band] pd.cut( df[year_built], bins[1990, 2000, 2010, 2018, 2025], labels[90后, 00后, 10后, 次新] ) # 重算每平米單價避免直接使用平臺上可能標(biāo)高的掛牌單價 df[unit_recalc] (df[total_price] * 10000 / df[area]).round(0)unit_recalc這個字段是我手動加的。平臺展示的單價通常按“總價 ÷ 面積”計算但總價會包含車位款、裝修溢價等用清洗后的總價和面積重算一遍得到的才是真正可以橫向?qū)Ρ鹊膯蝺r。區(qū)域字段從標(biāo)題拆分隱含一個假設(shè)杭州的房源標(biāo)題通常以板塊名開頭比如“城東”“城西”“老城核心”等。如果某個標(biāo)題不按這個格式來拆分出來的區(qū)域就會亂這一步值得打印前 50 條人工抽查。3.3 坐標(biāo)補(bǔ)全與地圖預(yù)處理小區(qū)名轉(zhuǎn)經(jīng)緯度要留好重試位可視化階段的“按區(qū)域聚類”如果需要落到地圖上通常要調(diào)地圖 API 做地理編碼。這個動作在清洗階段做比在畫圖階段做容易得多。我做的一個簡化流程是先按“小區(qū)名”請求地理編碼拿到經(jīng)緯度后緩存到本地 JSON已緩存的小區(qū)直接讀文件不重復(fù)請求。import json, os cache_path geo_cache.json if os.path.exists(cache_path): with open(cache_path, r, encodingutf-8) as f: geo_cache json.load(f) else: geo_cache {} def get_location(district, community): key f{district}_{community} if key in geo_cache: return geo_cache[key] # 這里是地圖 API 的標(biāo)準(zhǔn)調(diào)用需要替換為你自己的 key # 常見做法是使用 geocoding API通過小區(qū)名城市名匹配 resp requests.get(GEO_API_URL, params{address: f杭州市{district}{community}}, timeout5) if resp.status_code 200: data resp.json() if data.get(status) ok: loc data[result][location] geo_cache[key] (loc[lng], loc[lat]) return geo_cache[key] return None調(diào)用地理編碼時有兩點要注意一是 API 有每日配額幾千條房源如果逐個請求很快就會耗盡所以緩存邏輯不是可選項而是必須項二是平臺房源標(biāo)題里的小區(qū)名和官方地址往往不完全一致例如少寫“區(qū)”字、縮寫或別名匹配失敗時返回 None后續(xù)成圖就會漏掉這些點。如果漏掉比例超過 15%不要在代碼上死磕直接改用“區(qū)域名 核心路段”匹配或是干脆按區(qū)域做聚合圖而不是小區(qū)點圖。3.4 存儲選型CSV 適合交付SQLite 適合二次分析清洗后的數(shù)據(jù)存儲有兩個落點。源碼里默認(rèn)輸出 CSV好處是任何工具都能打開交付給人看方便但如果后續(xù)要反復(fù)按區(qū)域、價格段、樓齡查詢CSV 每次都要全讀入內(nèi)存效率很低。我會多落一份 SQLiteimport sqlite3 conn sqlite3.connect(hangzhou_house.db) df.to_sql(house, conn, if_existsreplace, indexFalse) conn.execute(CREATE INDEX IF NOT EXISTS idx_region ON house(region)) conn.execute(CREATE INDEX IF NOT EXISTS idx_price ON house(total_price)) conn.commit() conn.close()加兩個索引不是裝飾后續(xù)第 6 章的選房篩選會頻繁按區(qū)域和總價查詢沒有索引時一次全表掃描有索引后查詢時間從毫秒級降到微秒級。對幾千條數(shù)據(jù)來說差距不大但如果把年份拉長到全年采集數(shù)據(jù)量到幾萬條后這個索引的價值就出來了。4. 可視化分析Matplotlib 與 Pyecharts 的落地組合4.1 分布洞察直方圖看總價結(jié)構(gòu)散點圖找面積與價格的關(guān)系清洗后的第一張圖通常是總價分布直方圖。它能回答“杭州二手房主力總價段在哪”。Matplotlib 實現(xiàn)時有個容易忽略的細(xì)節(jié)——中文字體import matplotlib.pyplot as plt import matplotlib # Linux 服務(wù)器常缺中文字體不設(shè)置會顯示方塊 matplotlib.rcParams[font.sans-serif] [WenQuanYi Micro Hei, SimHei, Noto Sans CJK SC] matplotlib.rcParams[axes.unicode_minus] False fig, ax plt.subplots(figsize(10, 6)) bins list(range(0, 1000, 50)) ax.hist(df[total_price], binsbins, edgecolorwhite, alpha0.75) ax.set_xlabel(總價萬) ax.set_ylabel(房源數(shù)量) ax.set_title(杭州二手房總價分布) fig.tight_layout() plt.savefig(total_price_hist.png, dpi150)分箱間隔設(shè)為 50 萬能看清 200 萬剛需段和 500 萬改善段之間的量差。如果分箱過粗比如 100 萬雙峰結(jié)構(gòu)會糊成一座山。這里是抽樣分析不是平臺所有房源所以縱軸看形狀和相對量級就夠不必糾結(jié)絕對數(shù)量。面積與總價的關(guān)系更適合用散點圖加線性回歸線import numpy as np fig, ax plt.subplots(figsize(10, 6)) ax.scatter(df[area], df[total_price], s8, alpha0.4) fit np.polyfit(df[area], df[total_price], 1) xs np.linspace(df[area].min(), df[area].max(), 100) ax.plot(xs, np.polyval(fit, xs), colororange, linewidth2, labelf趨勢線 k{fit[0]:.2f}) ax.set_xlabel(面積平米) ax.set_ylabel(總價萬) ax.legend() plt.savefig(area_price_scatter.png, dpi150)散點圖的 alpha 必須設(shè)低0.4 以下否則幾百個點疊在同一區(qū)域會變成實心黑塊看不出密度分布。趨勢線斜率fit[0]可以粗略讀出“每多買一平米要多花多少錢”這是分析報告里最直觀的一句結(jié)論。4.2 區(qū)域?qū)Ρ葯M向條形圖要按中位數(shù)排別被平均價帶偏區(qū)域均價對比圖是“哪個板塊貴”的最快答案。但城市內(nèi)部不同板塊房源結(jié)構(gòu)差異很大——有的板塊老小區(qū)多、面積小有的板塊次新大戶型多用平均價對比會把“區(qū)位貴”和“產(chǎn)品結(jié)構(gòu)貴”攪在一起。實踐中我通常直接用中位數(shù)region_stat df.groupby(region)[unit_recalc].median().sort_values() fig, ax plt.subplots(figsize(8, 6)) bars ax.barh(region_stat.index, region_stat.values, color#4C72B0) ax.set_xlabel(單價中位數(shù)元/平米) ax.set_title(杭州各區(qū)域二手房單價中位數(shù)對比) plt.tight_layout() plt.savefig(region_price_bar.png, dpi150)用sort_values()升序排列后最貴的板塊出現(xiàn)在最上方可讀性最好。這里的unit_recalc是第 3 章重算過的單價不是平臺掛牌單價避免個別“面積小但總價高”的極端房源影響區(qū)域整體判斷。4.3 空間熱力圖Pyecharts 地圖要處理好地理編碼缺失點如果要把價格疊加在地圖上推薦用 Pyecharts 繪熱力圖比手動調(diào) Basemap 省事很多。核心代碼如下from pyecharts import options as opts from pyecharts.charts import Map, Geo pairs df.dropna(subset[lng, lat])[[lng, lat, unit_recalc]].values.tolist() geo ( Geo() .add_coordinate_json(geo_coords.json) # 自定義坐標(biāo)系{name: [lng, lat]} .add_schema(maptype杭州) ) geo ( Geo() .add( 房源單價, [(name, price) for name, price in geo_pairs], type_effectScatter, symbol_size8, ) .set_series_opts(label_optsopts.LabelOpts(is_showFalse)) .set_global_opts( visualmap_optsopts.VisualMapOpts(max_60000, is_piecewiseTrue), title_optsopts.TitleOpts(title杭州二手房單價熱力分布), ) ) geo.render(hangzhou_price_geo.html)這段代碼有兩個容易踩的坑——add_coordinate_json需要你提前把所有小區(qū)名的經(jīng)緯度寫入一個 JSON 文件而不是自動從地圖服務(wù)拉取maptype杭州依賴本地的杭州地圖 GeoJSON 文件首次調(diào)用或換新環(huán)境運行時必須確認(rèn)這個文件存在。如果不想維護(hù)這套東西可以直接用第 4.2 章的區(qū)域柱狀圖代替選房決策的信息量相差不大工作量卻少一半。可視化分析做到這步已經(jīng)能把“哪里貴、哪里便宜、主力總價段在哪”講清楚了。這套圖的輸出物就是后面選房模型的數(shù)據(jù)底座。5. 常見問題與避坑采集到成圖全過程的高頻翻車點5.1 第 30 頁之后持續(xù) 403重試也無濟(jì)于事現(xiàn)象任務(wù)跑到第 28 頁開始連續(xù)返回 403代碼里的重試邏輯反復(fù)觸發(fā)每次等 8 秒還是失敗。原因單個 IP 的請求頻率已經(jīng)觸發(fā)平臺風(fēng)控此時繼續(xù)重試只會加重封禁并不會解封。解決停止當(dāng)前任務(wù) 10 分鐘以上再跑如果必須一次性采完就配置 IP 輪換——但這個方案成本高小數(shù)據(jù)量并不值得。我一般會把總量拆成 5 個批次每批 200 條批次之間間隔 5 分鐘全程不手動干預(yù)也很少觸發(fā) 403。5.2 “價格面議”卡片解析出 NoneType整頁白跑現(xiàn)象某次運行時 parse 函數(shù)突然拋AttributeError: NoneType object has no attribute get_text檢查發(fā)現(xiàn)是列表頁里混入了 3 條“價格面議”的房源卡片它們沒有.totalPrice節(jié)點。原因解析代碼假設(shè)每張卡片結(jié)構(gòu)完全一致沒做空值防御。解決按第 2.2 章的處理方式把單條解析放進(jìn)try-except字段缺失直接continue。注意不能把整個頁面解析失敗當(dāng)成任務(wù)崩潰退出而要讓異常房源自生自滅否則整批任務(wù)白跑。5.3 經(jīng)緯度全堆在市中心地圖成圖成一坨現(xiàn)象地圖熱力圖上所有點都聚集在城市中心方圓幾公里內(nèi)看不出一丁點空間差異。原因地理編碼時大量小區(qū)名匹配失敗API 返回了默認(rèn)中心坐標(biāo)這些點全被渲染到了同一個位置。解決成圖前先統(tǒng)計經(jīng)緯度重復(fù)數(shù)據(jù)量重復(fù)比例超過 10% 就需要排查地理編碼匹配率。常見做法是把“小區(qū)名匹配”降級為“區(qū)域名匹配”——匹配不上的點統(tǒng)一按區(qū)域幾何中心賦坐標(biāo)放棄小區(qū)精度換取區(qū)域分布的正確性。5.4 清洗后數(shù)據(jù)量驟減 60%慌了現(xiàn)象采集 862 條清洗后只剩 340 條差點以為過濾參數(shù)寫錯了。原因第一批數(shù)據(jù)里包含大量車位、商鋪和重復(fù)房源加上“單價低于 8000”和“面積小于 20 平米”兩條過濾規(guī)則把它們都剔除了。解決看清洗率時要分段檢查——先看去重刪了多少再看空值刪了多少最后看異常值刪多少每步單獨打印數(shù)量對比。真實市場里住宅房源占比通常在 80%-90%如果清洗后低于 50%優(yōu)先懷疑是字段解析錯誤例如把樓層寫進(jìn)了面積列而不是過濾條件太嚴(yán)。5.5 房源單價嚴(yán)重低于市場價懷疑數(shù)據(jù)源有問題現(xiàn)象某個區(qū)域出現(xiàn)了大量單價 6000-7000 元/平米的房源和市場認(rèn)知完全不符。原因這些房源是“產(chǎn)權(quán)年限縮水”或“特殊戶型”的掛牌實際成交價遠(yuǎn)低于市場常規(guī)價也可能是房主掛了個試探性底價并不誠心賣。解決在清洗階段增加“單價低于同區(qū)域 P2525 分位的房源單獨標(biāo)記不參與均價計算但保留在明細(xì)表里”。不要直接刪掉——這類數(shù)據(jù)在“找撿漏房源”場景下有獨特價值刪了就沒了。6. 從“看到圖”到“用起來”搭建一個二手房選房打分小模型可視化提供的是“判勢”真正落到“選哪套房”還需要一套打分邏輯。這里分享一個我在清洗后數(shù)據(jù)表上反復(fù)調(diào)過的一版加權(quán)評分模型它不需要機(jī)器學(xué)習(xí)庫只用 Pandas 就能跑def score_house(row, weightsNone, region_refNone): if weights is None: weights { price: -0.35, # 單價越低分越高權(quán)重為負(fù) area: 0.20, # 面積大一些更優(yōu) age: -0.15, # 樓齡越新分越高權(quán)重為負(fù) metro: 0.30, # 距地鐵 1 公里內(nèi)加分來自附加字段 } # 單價得分用該區(qū)域中位數(shù)的相對倍數(shù)表達(dá)消除區(qū)域價差影響 region_median region_ref[df.loc[row.name, region]] price_score row[unit_recalc] / region_median # 樓齡得分以 2015 年為基準(zhǔn)年 age_score max(0, 1 - (2015 - row[year_built]) / 30) total ( weights[price] * price_score weights[area] * min(row[area] / 120, 1) weights[age] * age_score weights[metro] * row.get(near_metro, 0) ) return total這套打分邏輯的參數(shù)含義price_score是相對分同一套房子放到均價 6 萬的板塊和均價 2 萬的板塊得到的價格壓力分值不同這比直接拿絕對單價比較更能反映購買力area項除以 120 然后截斷到 1避免超大戶型無限加分metro字段需要在地理編碼階段順帶標(biāo)注“距地鐵站是否在 1 公里內(nèi)”這一步可以在采集中后期加一個距離計算只對候選項執(zhí)行。權(quán)重不是拍腦袋定的。我連續(xù)跑了三周數(shù)據(jù)后做了個簡單驗證把分?jǐn)?shù)排名前 20 的房源拿出來和當(dāng)月實際成交記錄對比命中率從初版{price: -0.4, area: 0.1}的不到一半調(diào)成上面這組后提升到了 60% 以上。權(quán)重縮放對結(jié)果的影響遠(yuǎn)大于調(diào)參本身你的城市如果地鐵覆蓋密度低把metro權(quán)重降到 0.15 更合理。實操中不要追求一個“完美閾值”。我一般會把打分結(jié)果按 30 萬總價段分段輸出 Top 3而不是直接輸出全局 Top 10——因為 300 萬預(yù)算和 600 萬預(yù)算的選房邏輯完全不是一回事。最后收個尾有一次我直接按全局打分推薦了總價 500 多萬的次新房朋友預(yù)算只有 350 萬整張推薦表直接作廢。從那以后我做任何選房篩選都會先固定預(yù)算再跑打分模型強(qiáng)制把“預(yù)算分段”走完再談其他。希望這篇拆解能幫你把源碼頭一次跑順也少走我趟過的幾個坑。本文還有配套的精品資源點擊獲取