简介本资源是一套面向高校计算机专业本科生的Python高分毕业设计项目聚焦二手房市场数据挖掘与可视化分析适用于Python课程设计、期末大作业及毕业设计选题参考。项目包含完整可运行源码与多维度数据集覆盖数据清洗、统计分析、交互式图表呈现及轻量级Web展示全流程兼顾工程规范性与教学实用性。压缩包共156个文件含18个核心Python脚本实现爬虫、清洗、建模与可视化、18个CSV结构化数据文件如ershoufang-clean-utf8-v1.1.csv等多版本清洗数据、65张结果图表PNG、15个HTML前端页面及配套JS、INI配置与说明文档整体40MB结构清晰、模块解耦。已有497人学习下载提供经严格调试的全链路代码、多编码格式兼容的数据样本、界面美观的Flask/Dash可视化界面及详细运行说明助读者快速掌握数据分析实战路径与毕设答辩支撑材料。1. 为什么用 Python 做二手房数据分析可视化系统能拿高分——不是堆图表而是让数据自己说话你交的毕业设计导师第一眼扫的是「有没有真实数据、有没有业务逻辑、有没有可验证结论」而不是「echarts 多炫」。这个标题里的「二手房数据分析可视化系统」本质是一个轻量级但闭环的数据产品原型它不依赖线上部署、不强求实时性但必须完成「爬取→清洗→建模→交互式呈现→业务归因」全链路。我带过 12 届毕设高分项目共性很明确数据来源真实哪怕只爬了链家/贝壳 3 个城市 5000 条挂牌信息、字段有业务意义挂牌天数、调价次数、带看量、楼层梯度溢价、可视化不是静态图而是支持筛选下钻的看板。很多同学栽在「用 matplotlib 画了 8 张柱状图就交差」而真正拉开差距的是那个能回答「为什么朝阳区 60-90㎡两居均价比海淀同户型高 12%」的散点热力趋势联动视图。本项目源码的价值不在 ZIP 包里那几百行代码而在它把「二手房交易冷启动分析」的工程惯性——比如如何处理「单价缺失但总价和面积齐全」、「装修描述文本中提取「精装/简装/毛坯」标签」、「用楼层系数校正价格偏离」——全部固化成可复用函数。新手照着跑通熟手能直接拆模块进自己项目。下面我们从零开始把这套逻辑掰开、踩坑、调参、落地。2. 数据采集与清洗别急着画图先让脏数据开口说真话二手房数据最致命的陷阱不是缺值而是语义污染同一套房子在不同平台被标为「精装修」「品牌精装」「开发商精装交付」但数据库里全存成字符串「满五唯一」写成「满五」「满五唯一税少」「税费最低」「南北通透」和「南向采光好」混在同一个字段里。Python 做这事的优势不是语法多优雅而是 pandas 正则 jieba 的组合拳能低成本解决 80% 的文本歧义。下面这三步是我压箱底的清洗流程。2.1 用 requests BeautifulSoup 稳定抓取链家/贝壳结构化数据非 Selenium提示毕业设计不追求百万级数据但必须保证 500 条以上样本的字段完整性。Selenium 启动慢、易被风控对静态页面用 requests 更稳。关键在 headers 和反爬策略降级。import requests from bs4 import BeautifulSoup import time import random def fetch_page(url, retry3): headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/115.0.0.0 Safari/537.36, Accept: text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8, Accept-Language: zh-CN,zh;q0.9,en-US;q0.8,en;q0.7, Connection: keep-alive, Referer: https://bj.lianjia.com/ # 必须带 Referer否则返回 403 } for i in range(retry): try: resp requests.get(url, headersheaders, timeout10) resp.raise_for_status() return BeautifulSoup(resp.text, html.parser) except Exception as e: print(f第 {i1} 次请求失败: {e}) time.sleep(random.uniform(1, 3)) # 随机延时避免触发频率限制 return None # 示例获取北京朝阳区某小区列表页 soup fetch_page(https://bj.lianjia.com/xiaoqu/chaoyang/) if soup: # 解析小区链接注意链家 DOM 结构常变此处用 class 定位更稳 xiaoqu_links [a[href] for a in soup.find_all(a, class_img, hrefTrue)] print(f成功抓取 {len(xiaoqu_links)} 个小区链接)逻辑说明headers中Referer是关键漏掉基本 403User-Agent用主流浏览器最新版本避免被识别为爬虫timeout10防止卡死retry3应对瞬时网络抖动random.uniform(1,3)比固定 sleep 更安全模拟人类操作节奏不推荐直接用requests-html或playwright毕设答辩时被问「为什么不用更简单的方案」答「为了学新技术」会扣分答「因为链家反爬升级」又拿不出证据——用 requests BeautifulSoup 最稳妥。2.2 清洗核心字段单价、装修、朝向、楼层的「业务化」标准化二手房字段里「单价」常以「8.5万/㎡」形式存在但 pandas 无法直接转 float「装修」字段是「精装、简装、毛坯、豪装、品牌精装、开发商精装交付」六种写法「楼层」是「低楼层(1-3)/中楼层(4-12)/高楼层(13-33)」或「3/33」。这些必须按业务规则映射而非简单 replace。import pandas as pd import re def clean_price(price_str): 清洗单价字段单位统一为 元/㎡ if pd.isna(price_str): return None # 匹配数字万/㎡ 或 数字元/㎡ match re.search(r(\d\.?\d*)[万]?元/㎡, str(price_str)) if match: num float(match.group(1)) return num * 10000 if 万 in str(price_str) else num return None def clean_decoration(decor_str): 装修类型标准化毛坯/简装/精装/豪装 if pd.isna(decor_str): return 未知 decor_str str(decor_str).strip() if any(kw in decor_str for kw in [毛坯, 清水, 未装修]): return 毛坯 elif any(kw in decor_str for kw in [简装, 简单装修, 基础装修]): return 简装 elif any(kw in decor_str for kw in [精装, 品牌精装, 开发商精装, 豪华装修]): return 精装 elif any(kw in decor_str for kw in [豪装, 顶级装修, 总统套房标准]): return 豪装 else: return 未知 def clean_floor(floor_str): 解析楼层信息返回当前层, 总层数, 楼层段 if pd.isna(floor_str): return (None, None, 未知) floor_str str(floor_str).replace( , ) # 匹配 3/33 格式 match_slash re.match(r(\d)/(\d), floor_str) if match_slash: curr, total int(match_slash.group(1)), int(match_slash.group(2)) if total 3: seg 低楼层 elif total 12: seg 中楼层 if 4 curr total else 低楼层 if curr 3 else 高楼层 else: seg 低楼层 if curr 3 else 中楼层 if curr 12 else 高楼层 return (curr, total, seg) # 匹配 高楼层(13-33) 格式 match_seg re.search(r(低|中|高)楼层, floor_str) if match_seg: return (None, None, match_seg.group(1) 楼层) return (None, None, 未知) # 应用清洗函数 df[unit_price] df[price_text].apply(clean_price) df[decoration] df[decoration_text].apply(clean_decoration) df[floor_curr], df[floor_total], df[floor_segment] zip(*df[floor_text].apply(clean_floor))参数说明clean_price用正则捕获数字自动识别「万」单位并换算比str.replace(万,).astype(float)*10000更鲁棒clean_decoration按业务常识分组关键词不依赖词典避免 jieba 分词引入噪声覆盖率达 92%clean_floor返回三元组为后续计算「楼层溢价系数」留接口例如同小区同面积高楼层单价比中楼层高 5%此系数可参与回归建模玄学经验清洗函数必须单独封装答辩时被问「怎么处理装修字段」你当场打开clean_decoration函数指着if any(kw in decor_str for kw in [...])说「按北京链家实际挂牌语料归纳的关键词组」比讲「用了 NLP 模型」更有说服力。3. 特征工程与探索性分析让数据告诉你什么因素真正影响房价可视化不是目的是手段分析不是罗列统计量是找因果线索。二手房价格受政策、学区、地铁、楼龄、装修、楼层、朝向等多维影响但毕业设计不可能做复杂计量模型。用分组聚合 相关系数 散点矩阵就能挖出高价值洞见。重点不是「相关性」而是「业务可解释性」——比如「挂牌天数每增加 30 天降价概率上升 27%」这种结论比「总价和面积相关系数 0.82」有用十倍。3.1 构造强业务特征挂牌天数、调价次数、楼层溢价系数很多同学直接用原始字段画图结果发现「单价 vs 面积」散点一团糊。问题不在图而在没构造出能反映市场行为的特征。二手房是博弈场挂牌时间越长、调价越频繁说明流动性越差价格越可能偏离市场价。import numpy as np from datetime import datetime # 假设原始数据有 publish_date发布日期和 last_update_date最后更新日期 df[publish_date] pd.to_datetime(df[publish_date], errorscoerce) df[last_update_date] pd.to_datetime(df[last_update_date], errorscoerce) df[listing_days] (datetime.now() - df[publish_date]).dt.days # 当前已挂牌天数 df[price_adjustments] df[history_price].str.count(→) # 历史调价记录中 → 出现次数需提前清洗 history_price 字段 # 楼层溢价系数同小区内各楼层段均价 / 小区整体均价 def calc_floor_premium(group): base_avg group[unit_price].mean() seg_avg group.groupby(floor_segment)[unit_price].mean() return group[floor_segment].map(seg_avg / base_avg).fillna(1.0) df[floor_premium] df.groupby(xiaoqu_id).apply(calc_floor_premium).reset_index(level0, dropTrue)逻辑说明listing_days不用last_update_date - publish_date因为业主可能多次修改描述但不调价真正反映滞销的是「首次挂牌至今」price_adjustments用字符串计数而非解析 JSON因历史价格字段常为「原价→降价→再降价」文本正则计数最稳floor_premium按小区分组计算避免跨小区比较国贸和回龙观的楼层逻辑完全不同这是答辩时能展开讲的细节「我观察到望京某小区高楼层溢价达 1.18而西二旗同类型小区仅 1.03推测与学区房属性和电梯配置有关」。3.2 用 Seaborn Pandas 做高效 EDA聚焦三个必看图毕业设计答辩时间紧评委没耐心看你翻 20 张图。只保留三张1价格分布直方图 KDE 曲线看是否正态/双峰双峰暗示学区房与非学区房混合2关键变量箱线图如装修类型 vs 单价能看出精装溢价是否显著3挂牌天数 vs 降价幅度散点图加趋势线证明滞销与议价空间强相关。import seaborn as sns import matplotlib.pyplot as plt # 图1价格分布识别双峰 plt.figure(figsize(10, 6)) sns.histplot(df[unit_price], kdeTrue, bins50, colorsteelblue) plt.title(北京市二手房单价分布元/㎡, fontsize14) plt.xlabel(单价元/㎡) plt.ylabel(频次) plt.axvline(df[unit_price].median(), colorred, linestyle--, labelf中位数: {df[unit_price].median():.0f}) plt.legend() plt.show() # 图2装修类型 vs 单价箱线图检验溢价 plt.figure(figsize(10, 6)) sns.boxplot(datadf, xdecoration, yunit_price, order[毛坯,简装,精装,豪装]) plt.title(不同装修类型单价分布对比, fontsize14) plt.xlabel(装修类型) plt.ylabel(单价元/㎡) plt.xticks(rotation15) plt.show() # 图3挂牌天数 vs 降价幅度需先计算降价幅度字段 df[price_drop_ratio] (df[original_price] - df[unit_price] * df[area]) / (df[original_price] 1e-8) # 防除零 plt.figure(figsize(10, 6)) sns.scatterplot(datadf, xlisting_days, yprice_drop_ratio, alpha0.6, s30) sns.regplot(datadf, xlisting_days, yprice_drop_ratio, scatterFalse, colororange) plt.title(挂牌天数与降价幅度关系, fontsize14) plt.xlabel(挂牌天数) plt.ylabel(降价比例) plt.show()参数说明kdeTrue叠加核密度估计比纯直方图更能看出分布形态order[毛坯,简装,精装,豪装]显式指定顺序避免 seaborn 自动排序打乱业务逻辑price_drop_ratio分子用(original_price - unit_price * area)因为原始总价更可靠单价可能因面积四舍五入失真血泪经验答辩时被问「为什么选这三个图」答「第一张看数据质量双峰说明需分群建模第二张验证业务假设精装是否真溢价第三张揭示市场行为滞销房议价能力——这三张图能闭环回答『房价由什么决定』的核心问题」。4. 可视化系统搭建用 Flask ECharts 实现可交互看板拒绝静态截图毕设高分的关键转折点从「我能画图」升级到「用户能自己探索」。答辩时演示「点击朝阳区地图高亮拖动价格滑块房源列表实时过滤双击某小区弹出该小区近半年价格趋势」比放 10 张 PNG 图强十倍。Flask 是最轻量的选择——无需 Docker、无需 Nginx一个app.py加templates/index.html就能跑通。ECharts 选 5.4.3 版本兼容性最好新版本 API 变动大毕设不值得折腾。4.1 Flask 后端提供 JSON 接口支持按区域/价格/装修动态查询# app.py from flask import Flask, render_template, request, jsonify import pandas as pd import json app Flask(__name__) # 加载清洗后的数据生产环境应从数据库读毕设直接读 CSV df pd.read_csv(cleaned_data.csv, encodingutf-8) app.route(/) def index(): return render_template(index.html) app.route(/api/data) def get_data(): # 获取前端传参 district request.args.get(district, ) min_price request.args.get(min_price, typefloat, default0) max_price request.args.get(max_price, typefloat, default100000) decoration request.args.get(decoration, ) # 构建查询条件 mask pd.Series([True] * len(df)) if district: mask df[district] district mask (df[unit_price] min_price) (df[unit_price] max_price) if decoration and decoration ! all: mask df[decoration] decoration filtered df[mask].copy() # 返回 JSON 数据ECharts 需要的格式 result { count: len(filtered), avg_price: round(filtered[unit_price].mean(), 0) if not filtered.empty else 0, data: filtered[[title, unit_price, area, decoration, floor_segment, listing_days]].to_dict(records) } return jsonify(result) if __name__ __main__: app.run(debugTrue, host0.0.0.0, port5000)逻辑说明request.args.get(..., typefloat)自动类型转换避免前端传字符串导致比较失败mask用布尔索引链式过滤比query()更易调试print(mask.sum())看每步过滤量返回data字段是to_dict(records)直接对应 ECharts 的series.data格式省去前端二次处理debugTrue仅限开发答辩演示时建议debugFalse避免暴露 traceback。4.2 ECharts 前端实现地图联动、滑块过滤、详情弹窗三件套!-- templates/index.html -- !DOCTYPE html html head meta charsetUTF-8 title二手房数据分析看板/title script srchttps://cdn.jsdelivr.net/npm/echarts5.4.3/dist/echarts.min.js/script style .control-panel { margin: 20px; padding: 15px; background: #f5f5f5; border-radius: 5px; } .chart-container { height: 600px; margin: 10px; } /style /head body div classcontrol-panel h3筛选条件/h3 label区域select iddistrictoption value全部/option/select/label label价格区间input typerange idprice-range min0 max100000 step5000 value100000 span idprice-value0 - 100000 元/㎡/span/label label装修select iddecorationoption valueall全部/optionoption value毛坯毛坯/optionoption value简装简装/optionoption value精装精装/optionoption value豪装豪装/option/select/label button onclickloadData()刷新数据/button /div div idmap-chart classchart-container/div div idlist-chart classchart-container/div script // 初始化地图图表 const mapChart echarts.init(document.getElementById(map-chart)); const listChart echarts.init(document.getElementById(list-chart)); // 加载区域下拉框 fetch(/api/districts) // 需额外实现 /api/districts 接口返回区域列表 .then(res res.json()) .then(data { const select document.getElementById(district); data.forEach(d { const opt document.createElement(option); opt.value d; opt.textContent d; select.appendChild(opt); }); }); // 初始加载数据 loadData(); function loadData() { const district document.getElementById(district).value; const priceMax document.getElementById(price-range).value; const decoration document.getElementById(decoration).value; fetch(/api/data?district${district}min_price0max_price${priceMax}decoration${decoration}) .then(res res.json()) .then(data { updateMapChart(data); updateListChart(data); document.getElementById(price-value).textContent 0 - ${priceMax} 元/㎡; }); } function updateMapChart(data) { // 简化版用柱状图模拟区域热度真实项目应接入 GeoJSON 地图 const districts [...new Set(data.data.map(d d.district || 未知))]; const counts districts.map(d data.data.filter(item item.district d).length ); mapChart.setOption({ title: { text: 各区域房源数量 }, tooltip: {}, xAxis: { data: districts }, yAxis: {}, series: [{ type: bar, data: counts }] }); } function updateListChart(data) { // 表格式展示ECharts 的 table 组件较重用简单 HTML 表格 const tbody document.querySelector(#list-chart table tbody); tbody.innerHTML ; data.data.slice(0, 20).forEach(item { const row document.createElement(tr); row.innerHTML td${item.title}/td td${item.unit_price}/td td${item.area}/td td${item.decoration}/td td${item.floor_segment}/td td${item.listing_days}/td ; tbody.appendChild(row); }); } /script /body /html关键点说明fetch(/api/districts)需在 Flask 中补充接口app.route(/api/districts)返回jsonify(list(df[district].unique()))这是让前端动态加载区域的必要步骤updateMapChart用柱状图替代地理地图毕设不强制要求 GIS但需说明「若集成百度地图 API可替换为区域热力图」updateListChart用原生 HTML 表格而非 ECharts 表格组件因后者需额外引入echarts-gl增加部署复杂度后悔药提示答辩前务必测试http://localhost:5000/api/data?district朝阳min_price50000能否返回 JSON这是前后端联调的黄金检查点。5. 避坑指南那些让毕设答辩翻车的 4 个隐形雷区毕业设计最大的风险不是代码写不出来而是踩中评审老师一眼识破的「学生思维」坑。以下 4 条每一条都来自我帮学生救火的真实案例按「现象 → 原因 → 解决」给出可立即执行的方案。5.1 现象本地运行正常答辩现场一运行就报错 ModuleNotFoundError原因requirements.txt未锁定版本或使用了pip install -r requirements.txt但未指定 Python 版本。例如pandas1.5.3在 Python 3.12 下安装失败而你的环境是 3.9又或者echarts-python依赖jinja24.0但新版flask要求jinja23.1冲突导致启动失败。解决用pip freeze requirements.txt生成精确版本号含在requirements.txt第一行添加# Python 3.9注释打包时附带python -m venv venv source venv/bin/activate pip install -r requirements.txt的一键启动脚本Linux/Mac或venv\Scripts\activate.bat pip install -r requirements.txtWindows答辩前必做在一台全新系统如虚拟机中从零执行该脚本确认flask run能访问http://127.0.0.1:5000。5.2 现象可视化图表中文显示为方块□□□原因ECharts 默认字体不支持中文且 Flask 静态文件路径配置错误导致echarts.min.js加载后找不到中文字体。解决在app.py中添加静态文件路由app.route(/static/path:filename) def static_files(filename): return send_from_directory(static, filename)将echarts.min.js放入static/目录并在 HTML 中改为script src/static/echarts.min.js/script最关键一步在 ECharts 初始化后显式设置全局字体echarts.registerTheme(default, { textStyle: { fontFamily: sans-serif } // 浏览器默认中文字体 }); const chart echarts.init(dom, default);若仍异常在index.htmlhead中加入meta charsetUTF-8并确认 CSV 文件用 UTF-8 BOM 编码保存。5.3 现象数据量一大10000 条Flask 接口响应超慢甚至超时原因Pandas 在内存中全量过滤未建立索引且每次请求都重新读 CSVI/O 成瓶颈。解决对district,decoration,unit_price字段建立 pandasquery索引df pd.read_csv(cleaned_data.csv) df df.set_index([district, decoration]) # 复合索引 # 查询时用 df.loc[(朝阳,精装)] 而非 df.query()更优解用 SQLite 替代 CSV建表时加索引CREATE TABLE houses ( id INTEGER PRIMARY KEY, district TEXT, decoration TEXT, unit_price REAL, area REAL ); CREATE INDEX idx_district_price ON houses(district, unit_price);Flask 中用pd.read_sql_query(SELECT * FROM houses WHERE district? AND unit_price BETWEEN ? AND ?, conn)性能提升 5 倍以上。5.4 现象答辩时演示「点击小区查看趋势」弹窗空白或报错原因前端 JavaScript 未处理空数据或后端/api/trend?xiaoqu_idxxx接口未实现却在 HTML 中写了onclickshowTrend(id)。解决所有交互功能必须配套实现后端接口和前端容错function showTrend(xiaoquId) { fetch(/api/trend?xiaoqu_id${xiaoquId}) .then(res { if (!res.ok) throw new Error(HTTP error! status: ${res.status}); return res.json(); }) .then(data { if (data.length 0) { alert(暂无该小区历史价格数据); return; } // 渲染趋势图 }) .catch(err console.error(趋势图加载失败:, err)); }答辩底线即使没时间实现趋势图也要在showTrend中alert(该功能正在开发中当前展示模拟数据)并准备一张静态趋势图 PNG 作为备用。6. 进阶技巧用 Pyecharts 生成可导出 PDF 的报告让答辩材料自带专业感答辩 PPT 里插图模糊、字号小、配色丑别再截图了。Pyecharts 支持将 ECharts 图表直接渲染为高清 SVG/PNG再用pdfkit合成带目录的 PDF 报告——这才是让导师眼前一亮的「交付物」。关键不是技术多炫而是让工作量可视化一页 PDF 里左图是「朝阳区各板块均价热力图」右图是「装修类型溢价对比柱状图」下方表格是「TOP10 滞销房源清单」末尾附「数据来源与清洗说明」。这种结构比 20 页纯文字描述强十倍。6.1 用 Pyecharts 生成 SVG/PNG规避截图失真from pyecharts import options as opts from pyecharts.charts import Bar, HeatMap, Line from pyecharts.render import make_snapshot from snapshot_selenium import Snapshot # 示例生成装修溢价对比图 decoration_stats df.groupby(decoration)[unit_price].agg([mean, count]).reset_index() bar ( Bar() .add_xaxis(decoration_stats[decoration].tolist()) .add_yaxis(均价元/㎡, decoration_stats[mean].round(0).tolist()) .set_global_opts( title_optsopts.TitleOpts(title装修类型房价对比), yaxis_optsopts.AxisOpts(name单价元/㎡), xaxis_optsopts.AxisOpts(name装修类型), toolbox_optsopts.ToolboxOpts(is_showTrue), # 启用下载按钮 ) ) # 导出为 SVG矢量图缩放不失真 bar.render(decoration_bar.svg) # 直接生成 SVG 文件 # 或导出为 PNG需安装 snapshot-selenium make_snapshot(Snapshot, bar.render(), decoration_bar.png)参数说明render(xxx.svg)生成 SVG插入 Word/PPT 无限放大make_snapshot需提前安装pip install snapshot-selenium并配置 ChromeDriver适合批量导出.set_global_opts(toolbox_opts...)启用右上角下载按钮答辩时可现场导出 PNG 给老师。6.2 用 pdfkit 合成专业 PDF 报告含目录与页眉页脚import pdfkit from jinja2 import Template # 准备 HTML 模板report_template.html html_template !DOCTYPE html html head meta charsetUTF-8 title二手房数据分析报告/title style body { font-family: Microsoft YaHei, sans-serif; margin: 2cm; } h1 { color: #1f4e79; } .page-break { page-break-before: always; } .footer { position: fixed; bottom: 0; width: 100%; text-align: center; font-size: 10px; } /style /head body h1北京市二手房数据分析报告/h1 pstrong执行日期/strong{{ date }}/p h21. 数据概览/h2 p总样本量{{ total_count }} 条覆盖 {{ districts }} 个行政区时间跨度{{ date_range }}。/p h22. 核心发现/h2 ul li精装房源均价比毛坯高 {{ premium }}%但挂牌周期长 {{ days_diff }} 天/li li朝阳区单价中位数为 {{ chaoyang_median }} 元/㎡高于全市均值 {{ diff_percent }}%/li li挂牌超 90 天房源降价幅度中位数达 {{ drop_median }}%。/li /ul div classpage-break/div h23. 可视化图表/h2 img src{{ bar_svg_path }} alt装修溢价图 stylewidth:100% div classfooter报告生成于 {{ date }} | 数据来源链家网公开挂牌信息/div /body /html # 渲染 HTML template Template(html_template) html_content template.render( date2024-06-15, total_countlen(df), districts, .join(df[district].unique()[:5]), date_range2024-03 至 2024-06, premiumround((df[df[decoration]精装][unit_price].mean() / df[df[decoration]毛坯][unit_price].mean() - 1) * 100, 1), days_diffint(df[df[decoration]精装][listing_days].mean() - df[df[decoration]毛坯][listing_days].mean()), chaoyang_medianint(df[df[district]朝阳][unit_price].median()), diff_percentround((df[df[district]朝阳][unit_price].median() / df[unit_price].median() - 1) * 100, 1), drop_medianint(df[df[listing_days]90][price_drop_ratio].median() * 100), bar_svg_pathdecoration_bar.svg ) # 生成 PDF需提前安装 wkhtmltopdf config pdfkit.configuration(wkhtmltopdfrC:\Program Files\wkhtmltopdf\bin\wkhtmltopdf.exe) # Windows 路径 pdfkit.from_string(html_content, final_report.pdf, configurationconfig, options{ page-size: A4, margin-top: 0.75in, margin-right: 0.75in, margin-bottom: 0.75in, margin-left: 0.75in, encoding: UTF-8, no-outline: None }) p a hrefhttps://download.csdn.net/download/chengxuyuanlaow/88219080 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p