414 条成交记录,中位单价 38.45 万元/坪,折合每平方米约 11.65 万元新台币。这是 UCI 编号 477 的 Real Estate Valuation 数据集,2018 年 8 月由淡江大学土木工程系的 I-Cheng Yeh 上传,记录的是中国台湾新北市新店区的房屋成交样本,6 个特征加 1 个目标,做回归用。
数据量小、字段少、干净(没有缺失值),是它被当作房价回归入门样本的原因。也正因为小,几个处理细节会直接决定结论对不对。
414 条、12 个月、一个区
总共 414 条,按成交月份分布从 2012 年 8 月到 2013 年 7 月,正好 12 个月,每月 23 到 58 条不等,5 月最多(58 条)。空间范围更窄:纬度 24.932 到 25.015,经度 121.474 到 121.566,经度跨度约 0.09 度,在新北市新店区一个行政区之内。
六个特征分别是:成交日期、房龄(年)、到最近捷运站的距离(米)、步行生活圈内便利店数量(家)、纬度、经度。目标是单位面积房价。
| 字段 | 单位 | 全表范围 | 中位数 |
| 成交日期 | 年加月份的小数 | 2012.667—2013.583 | 2013.167 |
| 房龄 | 年 | 0—43.8 | 16.1 |
| 到捷运站距离 | 米 | 23.4—6,488.0 | 492.2 |
| 便利店数量 | 家 | 0—10 | 4 |
| 单位面积房价 | 万元/坪 | 7.6—117.5 | 38.45 |
单位是万元/坪,不是元/平方米
目标列 Y 的单位是「万元新台币/坪」,1 坪 = 3.3 平方米。原站的字段说明写得很清楚,但这一步最容易漏:直接把 Y 当「万元/平方米」用,价格会差 3.3 倍;直接和内地城市的「元/平方米」比,还要再乘一万。
换算是这样的:中位 38.45 万元/坪 = 384,500 元新台币/坪,除以 3.3 得每平方米约 116,515 元新台币。最低 7.6 万元/坪对应每平方米约 23,030 元新台币,最高 117.5 万元/坪对应约 356,060 元新台币。跨市场比较前务必先把单位统一到平方米,否则所有结论都站不住。
到捷运站的距离,一个变量就能解释 45%
六个特征里区分度最高的是到最近捷运站的距离:与单位面积房价的线性相关系数 0.674,单变量线性回归可解释 45.4% 的方差。按距离分桶看更直观:
| 到捷运站距离 | 样本数 | 平均单价(万元/坪) |
| 500 米以内 | 211 | 46.2 |
| 500—1,000 米 | 65 | 39.5 |
| 1,000—2,000 米 | 65 | 26.6 |
| 2,000 米以上 | 68 | 23.5 |
一半以上的样本(211 条)在捷运站 500 米内,平均单价 46.2 万元/坪;2,000 米以外的 68 条平均 23.5 万元/坪,只有前者的一半。这条梯度几乎就是全文的主线。
便利店数量是第二强项,但它和经纬度说的是同一件事
便利店数量与房价的相关系数是 0.571,看起来是第二个好特征。问题在于它和距离、纬度、经度高度相关:与到捷运站距离的相关系数 0.603,与经度的 0.449,与纬度的 0.444。原因不难理解——便利店开在人多、交通方便的地方。
经纬度两项(0.546 和 0.523)本质上是位置的另一种写法,与距离的相关系数分别是 0.591 和 0.806。把距离、便利店、经纬度四项一起丢进线性回归,系数会不稳定,换个随机种子结论就可能翻转。稳妥做法是只保留「距离」这一项位置代理,其余三项用来做对照模型,而不是全塞进同一个模型。
房龄是最弱的一项,相关系数 0.211,方向是房龄越大单价越低,但解释力有限。成交日期的相关系数只有 0.088,一年的时间里价格趋势几乎看不出来。
随机切分在这里会骗人
原站说明数据被随机分成 2/3 训练、1/3 测试。放在这份数据上,这个切法有问题:414 条记录只落在 197 个约 110 米的网格里,其中 93 个网格含两条以上记录,覆盖 310 条样本,占 74.9%;最密集的一个约 11 米的格子里有 13 条记录。
也就是说随机切分之后,测试集里绝大多数样本都能在训练集里找到同一栋楼、甚至同一批成交的「近邻」。模型等于提前看过答案,测试误差会明显偏乐观。合理做法是按地理网格或按成交月份切分,并且把两种切法的结果都报出来——差距本身就是这份数据值得讲的一部分。
时间列是年月合并的小数,12 月会跑到下一年
成交日期用「年 + 月/12」编码,原站举例 2013.250 是 2013 年 3 月、2013.500 是 2013 年 6 月。按这个规则,2012 年 12 月会写成 2013.000。数据里确实有 28 条记录的时间值正好是 2013.0。
后果是:直接取整数年份分组,这 28 条会被算进 2013 年,于是「2012 年」只剩 126 条、「2013 年」变成 288 条,看起来 2013 年成交量翻了一倍多。实际是同一年的 12 个月被切错了位置。做月度或年度对比前,先把小数还原成月份(乘 12 取整),别用整数截断。
这套数据适合做什么、不适合做什么
适合:房价回归入门、特征筛选与共线性演示、空间数据切分的教学案例、单变量与多变量模型的对比练习。原站还给了 Python 一行导入的写法(fetch_ucirepo(id=477)),拿来就能跑。
不适合:跨城市或跨市场比较(只有一个行政区、12 个月);预测政策冲击(样本期只有一年,看不到周期);当成中国内地房价数据(计价单位、税费口径、面积口径都不同)。真要用于建模,先做单位换算,再改切分方式,这两步比换模型重要得多。
────────────────
原站入口、6 个字段的完整口径、许可原文与引用格式、相关系数矩阵、距离分桶与网格重复的完整数字,都放在下面,回复本帖可见。
把经管之家装进你常用的 AI 智能体中 一键快捷安装经管之家 MCP/技能,让 AI 帮你查教程、找数据、读论坛帖子。 检索、阅读公开帖子不收费,安装可申请领取:3 通用积分+100 论坛币+3 元论坛资金 请点击查看安装教程与福利 → 说明: AI 算力按所用平台规则计算;附件按原帖条件获取;福利领取条件以活动页面为准。 |