文件名称：real-estate-investment-analysis-and-projection
文件大小：5.56MB
文件格式：ZIP
更新时间：2024-03-31 02:14:53
JupyterNotebook
房地产投资分析与预测 通过时间序列建模最大化回报 设想： 作为一家房地产投资公司的分析师，我的任务是找到美国邮政编码，以便使用时间序列建模来预测未来价格。 数据： 从1996年至2018年的CSV表格，包含近15,000个美国邮政编码及其房价中位数。 除历史价格外，每个邮政编码还包含城市，州，都市圈，县和大小等级。 EDA 首先，我将分析重点放在风险较小的投资上。 我决定将经济大萧条时期的表现作为风险的代名词。 我创建了一个名为rustion_return的变量，将数据按recession_return排序，并将前5个结果放入一个新的数据框中。 接下来，我清理了这个新的数据框： 除了日期价格和邮政编码外，我删除了所有变量（列） 将邮政编码设置为索引 转置数据，使日期成为索引 将日期转换为日期时间 将邮政编码（列）更改为字符串 有了正确格式的数据，我看了一下... 所有邮政编码均呈上升趋
【文件预览】：
real-estate-investment-analysis-and-projection-main
----Analysis.ipynb(1.46MB)
----time_series_pres.pdf(2.73MB)
----mod-pictures()
--------exemple_acf:pacf.png(55KB)
--------10128-graph.png(163KB)
--------example-seasonal_decomp.png(289KB)
--------data_over.png(60KB)
--------stat_test_origin.png(139KB)
--------47281-fin.png(156KB)
--------aics.png(82KB)
--------73064-fin.png(152KB)
--------train_rmse.png(69KB)
--------zipcode_corr.png(40KB)
--------47281-graph.png(141KB)
--------test_rmse.png(69KB)
--------data_subset.png(56KB)
--------47220-fin.png(145KB)
--------price_graph.png(255KB)
--------stat_test_differ1.png(258KB)
--------10128-fin.png(164KB)
--------73128-fin.png(153KB)
----README.md(6KB)
----.gitignore(2KB)