本次实验利用某爬虫软件爬取某房产网站中苏州地区的房产数据，数据文件为house.xlsx，部分数据显示如下。 house.png （1）爬取数据时，数据缺失是常见的现象，通过某爬虫软件从网站爬取的数据时，如果没有爬取到的数据会返回“暂无数据”，这会影响后期的空值处理。将这些“暂无数据”转换为空值，并统计各列的空值频数，查看缺失数据情况。¶ ​

首先，我们需要读取数据文件并将所有的“暂无数据”转换为空值。可以使用 pandas 库来完成这个任务。代码如下：

import pandas as pd

# 读取数据文件
df = pd.read_excel('house.xlsx')

# 将“暂无数据”转换为空值
df.replace('暂无数据', '', inplace=True)

# 统计各列的空值频数
print(df.isnull().sum())

上述代码中，`read_excel()` 函数用来读取数据文件，`replace()` 函数将所有的“暂无数据”替换为空值，`isnull()` 函数用来判断每个单元格是否为空值，`sum()` 函数用来统计空值的数量。

运行上述代码后，会输出每列空值的数量。根据输出结果，我们可以看到每个字段的缺失情况。

相关问题

本次实验利用某爬虫软件爬取某房产网站中苏州地区的房产数据，数据文件为house.xlsx，部分数据显示如下。 house.png（1）如何利用Python从地址中提取出区的数据，从建造年代中提取出房龄数据

可以使用Python中的正则表达式库re来从地址中提取出区的数据，代码如下：

import re

address = "江苏省苏州市相城区元和街道江南家园3幢1单元401室"
pattern = r"苏州市(.+?)区"
match = re.search(pattern, address)
if match:
    district = match.group(1)
    print(district)

该代码中的正则表达式`r"苏州市(.+?)区"`表示匹配以“苏州市”开头，以“区”结尾，中间部分为任意字符的字符串，并使用括号将区的名称部分作为捕获组。运行代码后，输出为“相城”。

从建造年代中提取房龄数据的方法也可以使用正则表达式，代码如下：

import re

build_year = "2005年"
pattern = r"(\d{4})年"
match = re.search(pattern, build_year)
if match:
    year = int(match.group(1))
    age = 2021 - year
    print(age)

该代码中的正则表达式`r"(\d{4})年"`表示匹配以四个数字和“年”结尾的字符串，并使用括号将四个数字作为捕获组。运行代码后，输出为“16”，表示该房屋的房龄为16年。

python爬取链家二手房信息400条，并存入house.xlsx表格中

好的，我可以为您提供以下代码来实现这个爬取任务。不过需要注意的是，网站的反爬虫机制比较严格，如果爬取过于频繁会被封IP，建议加上一些延时等措施。

import requests
import openpyxl
from bs4 import BeautifulSoup
import time

url = "https://bj.lianjia.com/ershoufang/pg"

headers = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.3"}

wb = openpyxl.Workbook()
sheet = wb.active
sheet.title = "house"
sheet['A1'] = '小区名称'
sheet['B1'] = '户型'
sheet['C1'] = '面积'
sheet['D1'] = '朝向'
sheet['E1'] = '楼层'
sheet['F1'] = '年代'
sheet['G1'] = '总价(万)'
sheet['H1'] = '单价(元/平米)'

row = 2

for i in range(1, 21):
    print("正在爬取第{}页数据".format(i))
    res = requests.get(url + str(i), headers=headers)
    res.encoding = 'utf-8'
    soup = BeautifulSoup(res.text, 'html.parser')
    house_list = soup.find_all('div', {'class': 'info clear'})

    for house in house_list:
        name = house.find('div', {'class': 'title'}).a.get_text()
        room = house.find('div', {'class': 'houseInfo'}).get_text().split('|')[1].strip()
        square = house.find('div', {'class': 'houseInfo'}).get_text().split('|')[2].strip()
        direction = house.find('div', {'class': 'houseInfo'}).get_text().split('|')[3].strip()
        floor = house.find('div', {'class': 'positionInfo'}).get_text().split('-')[1].strip()
        year = house.find('div', {'class': 'positionInfo'}).get_text().split('-')[0].strip()
        total_price = house.find('div', {'class': 'totalPrice'}).span.get_text()
        unit_price = house.find('div', {'class': 'unitPrice'}).get_text().strip()[2:-4]

        sheet.cell(row=row, column=1, value=name)
        sheet.cell(row=row, column=2, value=room)
        sheet.cell(row=row, column=3, value=square)
        sheet.cell(row=row, column=4, value=direction)
        sheet.cell(row=row, column=5, value=floor)
        sheet.cell(row=row, column=6, value=year)
        sheet.cell(row=row, column=7, value=total_price)
        sheet.cell(row=row, column=8, value=unit_price)

        row += 1
        time.sleep(1)

wb.save('house.xlsx')

print("数据爬取完成！")