Python 価格予測解析

Question

マンションの価格予測解析を行うにあたって、以下リンク先のページを参考にさせて頂いています。

https://note.com/maytakesao/n/n126165676d30

このうち、《変更前コード》において、

《変更前エラー》

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-29-63695056f7a7> in <module>
      2 df_data_normal = df_data_normal[df_data_normal['種類'] == '中古マンション等']
      3 #面積（㎡）⇒120以内を使う, 最寄駅：距離（分）⇒30以内を使う,建築年(西暦) ⇒1950年以上を使う
----> 4 df_data_normal = df_data_normal.loc[df_data_normal['面積（㎡）'] <=120]
      5 df_data_normal = df_data_normal.loc[df_data_normal['最寄駅：距離（分）'] <=30]
      6 df_data_normal = df_data_normal.loc[df_data_normal['建築年(西暦)'] >= 1950]

5 frames
/usr/local/lib/python3.7/dist-packages/pandas/_libs/ops.pyx in pandas._libs.ops.scalar_compare()

TypeError: '<=' not supported between instances of 'str' and 'int'

というエラーが出ます。

そこで、astypeを用いて、文字列（str）から整数（int）に変換を試み、
《変更後コード》のように記載したところ、'面積（㎡）'に対してKeyerrorが出てしまい、
実行できませんでした。解決方法を教えて頂けるとありがたいです。

《変更後エラー》

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
<ipython-input-28-add3df40f807> in <module>
      2 df_data_normal = df_data_normal[df_data_normal['種類'] == '中古マンション等']
      3 #面積（㎡）⇒120以内を使う, 最寄駅：距離（分）⇒30以内を使う,建築年(西暦) ⇒1950年以上を使う
----> 4 df['面積（㎡）'] = df['面積（㎡）'].astype(int)
      5 df['最寄駅：距離（分）'] = df['最寄駅：距離（分）'].astype(int)
      6 df['建築年(西暦)'] = df['建築年(西暦)'].astype(int)

2 frames
/usr/local/lib/python3.7/dist-packages/pandas/core/indexes/range.py in get_loc(self, key, method, tolerance)
    386                 except ValueError as err:
    387                     raise KeyError(key) from err
--> 388             raise KeyError(key)
    389         return super().get_loc(key, method=method, tolerance=tolerance)
    390 

KeyError: '面積（㎡）'

《変更前コード》

#中古マンション等のみ抽出
df_data_normal = df_data_normal[df_data_normal['種類'] == '中古マンション等']
#面積（㎡）⇒120以内を使う, 最寄駅：距離（分）⇒30以内を使う,建築年(西暦) ⇒1950年以上を使う
df_data_normal = df_data_normal.loc[df_data_normal['面積（㎡）'] <=120]
df_data_normal = df_data_normal.loc[df_data_normal['最寄駅：距離（分）'] <=30]
df_data_normal = df_data_normal.loc[df_data_normal['建築年(西暦)'] >= 1950]

《変更後コード》

#中古マンション等のみ抽出
df_data_normal = df_data_normal[df_data_normal['種類'] == '中古マンション等']
#面積（㎡）⇒120以内を使う, 最寄駅：距離（分）⇒30以内を使う,建築年(西暦) ⇒1950年以上を使う
df['面積（㎡）'] = df['面積（㎡）'].astype(int)
df['最寄駅：距離（分）'] = df['最寄駅：距離（分）'].astype(int)
df['建築年(西暦)'] = df['建築年(西暦)'].astype(int)
df_data_normal = df_data_normal.loc[df_data_normal[df['面積（㎡）'] <=120]]
df_data_normal = df_data_normal.loc[df_data_normal[df['最寄駅：距離（分）'] <=30]]
df_data_normal = df_data_normal.loc[df_data_normal[df['建築年(西暦)'] >= 1950]]

よろしくおねがいします。

Comments

[meg_]

コードが見にくいので、「コードの挿入」で記入してください。

> うまくいかず
どの箇所が”どう”上手く行かないのでしょうか？

[can110]

エラーは表示されたもの（Traceback）をすべて提示ください。
また、エラーが発生するところまででよいので、実行可能な完全なコードを提示すると回答得られやすくなります。
なお、参考サイトでは「最寄駅：距離（分）」列などのデータクレンジング処理に関するコードが省略されているようです。

[can110]

「df_data_normal」と「df」は同じモノでしょうか？

[meg_]

> KeyError: '面積（㎡）'
上記が出たときに print(df.columns) を実行して、カラム名の差異を確認するとエラーの原因が分かるかと思います。

[Tanutanu]

＞can110さん

理解が不十分で質問に回答できず申し訳ありません。
丁寧なアドバイスありがとうございました。助かりました。

＞megさん

使用方法、確認方法等コメントありがとうございました。助かりました。

Answer 1

それぞれのカラムに、数字以外の文字が含まれています。例えば、

>>> print(df_data_normal['面積（㎡）'].unique())
['80' '110' '280' '70' '220' '75' '65' '85' '20' '140' '35' '60' '50' '55'
 '180' '130' '150' '45' '90' '250' '350' '260' '210' '460' '15' '120'
 '100' '730' '880' '115' '95' '40' '135' '30' '200' '185' '160' '105'
 '175' '330' '25' '155' '125' '165' '380' '1300' '1400' '570' '290' '1100'
 '390' '145' '190' '170' '500' '310' '195' '410' '2000㎡以上' '850' '270'
                                         :

>>> print(df_data_normal['最寄駅：距離（分）'].unique())
['7' '10' '13' '8' '11' '14' '2' '5' '6' '4' '9' '12' '3' '16' '18' '1'
 nan '15' '19' '21' '25' '20' '24' '30分?60分' '23' '26' '28' '17' '22' '29'
 '2H?' '0' '27' '1H?1H30']

整数値に変換できない場合は部分文字列だけを変換したり、nan に置き換えます。

import pandas as pd

pd.set_option('display.unicode.east_asian_width', True)

df_data_normal = pd.read_csv('13121_20101_20203.csv', encoding="cp932")

df_data_normal['面積（㎡）'] = df_data_normal['面積（㎡）'].replace(r'(\d+).*以上', r'\1', regex=True).astype(int)
df_data_normal['最寄駅：距離（分）'] = pd.to_numeric(df_data_normal['最寄駅：距離（分）'], errors='coerce')
df_data_normal['建築年(西暦)'] = df_data_normal['建築年'].replace({    
    '昭和': '1925@', '平成': '1988@', '令和': '2018@',
    '元年': '0', '年': '', r'(\d+)': r'\1'
}, regex=True).str.split('@', expand=True).dropna(how='any').astype(int).sum(axis=1)

condition = (
    # 中古マンション等のみ
    (df_data_normal['種類'] == '中古マンション等') &
    # 面積（㎡）⇒120以内
    (df_data_normal['面積（㎡）'] <= 120) &
    # 最寄駅：距離（分）⇒30以内
    (df_data_normal['最寄駅：距離（分）'] <= 30) &
    # 建築年(西暦) ⇒1950年以降
    (df_data_normal['建築年(西暦)'] >= 1950))

df_data_normal = df_data_normal[condition]
print(df_data_normal)

Comments

[Tanutanu]

早速丁寧にご回答頂きありがとうございました。大変助かりました。

置き換え方法の部分は、もう一度よく確認するようにします。