团队名称：梦之蓝小分队
队长介绍：【弥嘉琦】目前就职于一家医疗媒体公司，一家专业从事医生再教育的咨讯平台；我目前从事数据分析工作，对大健康和电商方向很感兴趣！
成员介绍：
- 【林菁菁】现某医药科技公司的数据分析师，是专注做医疗零售的，以前最喜欢的是数学课，觉得数学有它的逻辑之美和独特的神秘魅力，因此长大后就希望数据分析能成为自己的一计之长，目前还在不断地磨练自己地技术中。
- 【李梦辉】目前就职于某制造业的集团信息部，从事软件开发工作。个人对数据分析比较感兴趣，因为经过分析可以让我知道该如何做有依据的选择，而非简单的拍脑袋。
团队组成：在帆软社区因共同的想要成为伟大的数据分析师的梦想聚在一起！
团队照片：附上我们队颜值代表-美女分析师林菁菁女士的美照，欢迎交流
- 大赛奖励很诱人，我们冲着CDA的课程来的！
- 我们希望通过这次团队成员的学习与合作，加强实操和学习新知识的能力!
- 我们希望通过比赛实践锻炼和提升可视化BI工具的使用技能、方法和技巧!
- 在社群和优秀的FineBI大神交流学习，学习优秀的数据可视化作品及分析思维!
- 链家网西安市挂盘二手房达将近7万套，各个区域各个价格各个房型各有不同；对于购房者而言，如何快速来了解和评估各区域房源情况，对二手房市场价格行情心中有数就迫在眉睫。要是有针对性的拆解量化二手房市场现状，对于特定需求提供更性价比高的推荐，则可以将购房者从茫茫的选择漩涡里解放出来，减少时间精力及选择成本，快速锁定真正适合的高性价比的房子。
- 自选数据：我们分析的数据来源于和鲸社区上的数据集：“全网最全链家二手房信息——西安”，内含二手房的单位均价、所在区域、房屋朝向、结构、房屋年限等维度。
拿到数据后，我们围绕二手房价格分析主题，拆解了3个分析方向：首先拆解市场行情，再看有的房价影响因素、相关性，再对购买做建议。
【第1部分】对西安二手房的概况进行拆解,让购房者对西安各区房子市场心中有数；
【第2部分】对西安二手房的单价进行相关性分析，探索房价与医疗、教育、交通等之间的关系；
【第3部分】引入案例，对固定预算的主要因素次要因素打分做购买推荐分析。
4、数据处理
我们分析的数据来源于和鲸社区上的数据集：“全网最全链家二手房信息——西安”。在原数据集上，我们做了数据的清洗与拆分。 【清洗数据】——初步清洗，剔除不全和不完整的数据，将单位统一化成“万元/平方米” 【户型分析】——将户型分组汇总，分成“1室、2室、3室、4室、5室及以上” 【相关性表】——将房屋单价与学校、交通、药店、便民设施的数量做关联，计算相关系数
由于我们的表结构是这样的：
所以，当我们尝试用BI的折线图去制作时，总不能达到满意的效果，如下所示：
将小学数量与中学数量作为维度拖入横轴时，会出现有2个横坐标！
若将小学数量与中学数量作为指标拖入横轴，则会出现2个点！
解决方法： 重新规划了表结构，将小学数量与其对应的平均单价对应了起来：
这样修改了之后，就可以成功作图了，最终达到了满意的效果：
我们采用统一商务蓝进行可视化配色，简约大气，从整体的67,169条数据中，我们得出了以下结论：
(1) 整体概况：
【关于区域】：西安房价在雁塔区和未央区的房子占比最大；地理上从中心向外,房子逐渐变少；雁塔区房子多单价也贵，高于长安区近3000元/㎡。
【关于面积】：40-80平的房子最多，占32.44%，其次为80-100平的房子，然后是120-300平的房子。其中，单价最高的是80-100平的房子，为1.66万/平方米。
【关于户型】：2室和3室的房子占比最多，单价也是最高的，单价高代表需求量也相对较大，说明西安人买房的普遍需求还是在2室到3室之间。
【关于朝向】：朝南的房子占比最大，达到了62.08%，远远超过其他朝向的房子，并且单价也是最高的，达到了1.75万元/平方米。
【关于装修】：精装的房子最多(除其他)，占32.57%；精装的房子单价最高，高于平均线7000元/㎡。
【关于结构】：板塔结合的房子最多，占比达到了占44.59%，其单价也是最高的，达到了1.51万元/平方米，每平方米比单纯的塔楼、板楼约高出2000元。
【关于年限】：房屋年限满5年以上的房子最多，占比占46.11%，其次是2~5年限的房子，最少的是1~2年的房子；不过，在单价的对比中，随着房屋年限增加，单价整体呈下降趋势，其中满1-2年的二手房单价最贵，达到了1.68万元/平方米。
(2) 房价相关性：
【单价与交通】：单价与公交数的相关性：-1.5%，负相关性；单价与地铁数的相关性：-6.2%，负相关性。房价与地铁数量呈负相关，随着地铁站数量的增加而逐渐递减；房价与公交数量大致也为负相关，当公交数量为5时，单价最高；
【单价与学校】：单价与幼儿园数的相关性：0.02%，无相关性；单价与小学数的相关性：2.6%，弱相关性；单价与中学数的相关性：-7%，负相关性；单价与大学数：2.43%，弱相关性。房屋单价与小学和幼儿园数量最为相关，小学和幼儿园的数量越多，房屋单价越高；房屋单价与中学数量呈显著的负相关性，中学数量越多，房屋单价越低；与大学数量有一定的正相关性，大学数量越多，房屋单价相对较高。
【单价与药店】：单价与药店的相关性：-3.5%；单价与医院的相关性：-4%。在医院和药店数量为5之前，单价与医院和药店的相关性为正，药店数量越多，单价越高，而在数量为5个之后，价格波动不再明显，可以认为药店数量达到5个时，人们的需求达到饱和，价格的敏感度也随之降低。
【单价与便民设施】：单价与药店的相关性：-3.5%；单价与医院的相关性：-4%。在医院和药店数量为5之前，单价与医院和药店的相关性为正，药店数量越多，单价越高，而在数量为5个之后，价格波动不再明显，可以认为药店数量达到5个时，人们的需求达到饱和，价格的敏感度也随之降低。
(3) 购买推荐分析：
【案例】：王先生，预算两百万，要四室的，配套个人比较看重交通+学校+医疗，中层楼，精装最好，两梯两户最好，年限越短越好，最好朝南。
【推荐方法】：将影响房价的因素分为主要因素和次要因素，根据个人的重视及喜好程度进行打分，最后评选出分数最高的小区进行推荐。
【打分逻辑】：交通通过地铁数和公交数判断，学校通过幼儿园、小学、中学、大学进行判断，医院则通过医院数和药店数进行判断。
【影响打分的主要因素】：价格、面积、区域、户型以及用户所关心的交通、学校、医院为主要因素，根据用户预算及心理承受程度进行评分。
【影响打分的次要因素】：楼层、装修、梯户、年限、朝向作为次要因素，根据用户预算及心理承受程度进行评分。
【综合评分】：综合次要因素和主要因素的评分情况，将各小区的房源进行评分。
【强烈推荐】：筛选出评分中排名前10名的小区和房子。
【评分与选择】：与房屋排名进行联动，点击可看到房子的各得分情况，默认展示TOP1房子的得分。选出最符合条件的TOP10房源。 最终结果页面布局如图： 这款可视化工具对新手很友好，0基础可通过帮助文档快速上手；同时有很多特色的动效，比如特殊显示，可以让画面动起来；定时发邮件仪表板功能，可以帮助更好的监控核心指标；用户设置便于用户及权限的分级管理；多表联动，可以让数据粒度层层拆解，便于定位数据问题；FineBI工具中包含有许多封装好的函数：可以直接筛选出TOP10-TOP100的项目，还有avg、sum等函数，可以直接应用在图表上，比直接写SQL要方便得多。
BI的“自定义分组”功能也不错，不用回到自主数据集里重新添加列重新做分组求和，就可以直接将维度分成指定的分组，这也是很方便的一点。另外，FineBI的小组合作也是一大亮点，只要分享一个网址，一个账号密码，就可以支持多人合作，不用再另外下载客户端，这一点对用户来说也方便了不少。总体来说，FineBI操作是一款操作简单，容易上手，功能强大，方便合作的软件。
一开始参加比赛时有两个想法，一个是希望能借助这次比赛能锻炼对数据的理解和对工具的使用，提高数据分析的思维；另一个是希望能够得到外界对自己的认可，若能获得比赛的奖金、奖品和荣誉，也不枉我们的努力付出。
现在输出了作品，也确实有了很多收获，除了之前提到的自身的提高之外，还意识到了团队合作的重要性。在和团队成员的磨合之中，我们互相学习，互相进步，互相发掘对方的闪光点。也正是因为有了团队成员的共同努力，才有了我们作品的诞生。
总之，感谢我们团队队员的辛勤付出，感谢大会提供了这次机会，以后还将继续加油，继续前进！
3、作品附件
| 
