本项目旨在通过探索性数据分析（EDA）对房价相关数据进行深入研究，为后续的房价预测模型构建提供数据基础和分析依据。
- 使用
pandas库的read_csv函数读取本地保存的训练集和测试集文件，指定第一行作为列名，第一列作为索引，并创建副本。 - 训练集数据存储在
train_data中，测试集数据存储在test_data中。 - 训练集形状为 (1460, 80)，测试集形状为 (1459, 79)，测试集比训练集少一个目标特征（待预测的房价）。
- 使用
info()方法查看数据集的大小、数据类型以及是否有缺失值。 - 数据集中包含多种数据类型，如
int64、float64和object。部分列存在缺失值，如LotFrontage、GarageYrBlt等。
- 使用
describe()方法获取数据的统计描述，包括均值、中位数、标准差、最小值和最大值等。 - 例如，
SalePrice列的均值为 180921.195890，标准差为 79442.502883，最小值为 34900.000000，最大值为 755000.000000。
- 使用
isnull().sum()方法计算每列的缺失值数量。 LotFrontage有 259 个缺失值，MasVnrArea和GarageYrBlt等列也存在缺失情况。
- 通过
columns属性获取训练集中的所有列名，共有 80 个特征，涵盖房屋的各种属性，如房屋类型、面积、建造年份、周边环境等。
- 目标变量
SalePrice无缺失值。 - 其分布偏离正态分布，呈现右偏尖峰态，峰度为 6.536281860064529，偏度为 1.8828757597682129。
- 绘制原始房价的直方图，展示房价数据的分布情况，较多数据集中在低价区间，右侧有较长尾部表示少量高价房屋。
- 对房价进行对数转换（
np.log1p()）后绘制直方图，转换后的分布更接近正态分布，峰度为 0.809519155707878，偏度为 0.12134661989685333。
- 通过
sns.distplot()方法绘制SalePrice的直方图与连续密度估计图，直观展示房价分布特性。
- 特征分类：将数据集中的特征分为数值型（
num_features）和类别型（cat_features）两类，数值型特征有 37 个。 - 删除缺失值大于 30% 的变量：找出缺失值大于 30% 的连续变量，如
LotFrontage、MasVnrArea、GarageYrBlt，暂不填充，后续考虑多种填充方法。同时确定不含缺失值的连续变量和含有缺失值的连续变量。 - 针对每个数值型特征绘制直方图：绘制每个数值型特征的直方图，观察其概率分布，部分参数如
GarageYrBlt等分布接近正态分布。 - 展示不含缺失值的连续型变量与 SalePrice 的关系图：通过散点图展示不含缺失值的连续型变量与房价的关系，部分变量与
saleprice趋势一致，但可能存在共线性，如2ndFlrSF等。 - 删除缺失值后的关系图：对于含有缺失值的连续变量，删除缺失值后绘制与
SalePrice的关系图，这些变量与salePrice趋势一致，部分参数分布呈现正态分布，如GarageYrBlt等。
- 删除类别型变量中缺失值大于 30% 的变量：处理类别型变量，删除缺失值大于 30% 的变量，剩余 26 个类别型变量。
- 分类有无缺失值：将类别型数据分为有缺失值和无缺失值两类，无缺失值的有 18 个，有缺失值的有 8 个。
- 展示无缺失值类别型变量与 SalePrice 的关系：使用箱线图展示无缺失值类别型变量与
SalePrice的关系，分布不能明确说明与saleprice的相关性，但类别型变量无大小关系易带来噪音，将MSSubClass转换为string类型。
- 计算数值型变量的相关矩阵，使用
sns.heatmap绘制热图展示变量间相关性，颜色深浅表示相关性强弱。
- 找出与
saleprice相关性前 10 的连续型变量，包括OverallQual、GrLivArea、GarageCars等。 - 分析变量间共线性，选择合适变量，如
GrLivArea与ToRmsAbvGrd相关性高，选择GrLivArea，因其分布接近正态分布；GarageCars与GarageAreas相关性高，选择GarageArea等。
经过上述分析，最终选择的连续型变量为 ['OverallQual', 'GrLivArea', 'GarageAreas', 'TotalBsmtSF', 'FullBath', 'YearBuilt', 'YearRemodAdd']，类别型变量为 ['Foundation', 'BsmtQual', 'KitchenQual']。这些变量将作为后续房价预测模型构建的重要特征。