賺了一輩子的錢，還不如買對一戶房！
非常誇張，但又滿有道理的
假如一定要買房子，要買在哪裡呢？
如何找到抗跌的地段？
隨著屋齡不同，房價應該要如何變化呢？

這些問題，可能只有房地產專家一一為你解惑，
但一般人要買房，除了相信專家以外，還能怎麼辦呢？

利用程式來研究，自己當專家
現在台灣有實價登入的法規，這些資訊都是公開透明的
（雖然實價不等於真的成交價，但應該還是有正相關）

要爬取這些資訊，只要很短的程式碼：

import requests
import os
import zipfile
import time

def real_estate_crawler(year, season):
  if year > 1000:
    year -= 1911

  # download real estate zip content
  res = requests.get("https://plvr.land.moi.gov.tw//DownloadSeason?season="+str(year)+"S"+str(season)+"&type=zip&fileName=lvr_landcsv.zip")

  # save content to file
  fname = str(year)+str(season)+'.zip'
  open(fname, 'wb').write(res.content)

  # make additional folder for files to extract
  folder = 'real_estate' + str(year) + str(season)
  if not os.path.isdir(folder):
    os.mkdir(folder)

  # extract files to the folder
  with zipfile.ZipFile(fname, 'r') as zip_ref:
      zip_ref.extractall(folder)

  time.sleep(10)

然後我們再寫個 for 迴圈，就可以將近 8 年的房價買賣資訊都爬下來

real_estate_crawler(101, 3)
real_estate_crawler(101, 4)

for year in range(102, 108):
  for season in range(1,5):
    print(year, season)
    real_estate_crawler(year, season)

real_estate_crawler(108, 1)
real_estate_crawler(108, 2)

這邊就先簡單的放上爬蟲，也有線上colab範例直接運行

之後我們會來研究，
究竟那邊的房價衰退的比較快？
哪裡是比較抗跌的區域？
哪裡的房子最便宜又最抗跌？

假如你對這系列有興趣的話，
可以到粉絲團的這篇文章按個讚
這樣我才知道這是大家想看的
才會繼續往下寫喔！

大家都在說房價市場恢復景氣，然而真的是這樣子嗎？
你有沒有覺得，怎麼每個人說的話都不一樣？
數據雖然都是實價登錄，但有些人就是看到漲，有些人就是看跌？
究竟誰說的對，還是必須要親自研究一下數據，才會知道！

數據是拿來「調整」的？！

身為一個「曾經」產出學術文章寫手，就會知道這些數據是有很多「可以操作空間」（這樣講對嗎？XD），不要相信任何人幫你統計的數據，因為任何人的數據都有可能想達成某種目的，例如某人要增加流量和公信力，就可以危言聳聽一點，用數據製作房價都在下跌的結論，某房仲想要刺激房地產，就會製作止跌回升的訊號！

難道數據造假？！

不論上漲下跌，相信這些數據都是對的，都是從政府的實價登錄而得到，但分析方式不同，就會產生不同的結果！

所以數據是用來「感覺」的，而不是單看少數「專家」的結論，只能多做一點實驗，盡量讓實驗客觀公正。

這篇文章總共分成三個部分：

1. 獲取實價登錄
2. 房價歷史走勢圖
3. 房價分佈圖

所以接下來我們就用 Python 來跟大家一起分析實價登錄的資料吧！

取得實價登錄資料

首先跟上次一樣，爬取了實價登入所有歷史數據，這次我們爬取csv檔：

import requests
import os
import zipfile
import time

def real_estate_crawler(year, season):
    if year > 1000:
        year -= 1911

    # download real estate zip file
    res = requests.get("https://plvr.land.moi.gov.tw//DownloadSeason?season="+str(year)+"S"+str(season)+"&type=zip&fileName=lvr_landcsv.zip")

    # save content to file
    fname = str(year)+str(season)+'.zip'
    open(fname, 'wb').write(res.content)

    # make additional folder for files to extract
    folder = 'real_estate' + str(year) + str(season)
    if not os.path.isdir(folder):
        os.mkdir(folder)

    # extract files to the folder
    with zipfile.ZipFile(fname, 'r') as zip_ref:
        zip_ref.extractall(folder)

    time.sleep(10)

有了上述這個 function 我們可以將實價登錄資訊全部爬取下來：

real_estate_crawler(101, 3)
real_estate_crawler(101, 4)

for year in range(102, 108):
    for season in range(1,5):
        print(year, season)
        real_estate_crawler(year, season)

real_estate_crawler(108, 1)
real_estate_crawler(108, 2)

下載完後，會看到每一年每一季的實價登錄資料夾，裡面有很多檔案，主要可以分成以下三種：

• x_lvr_land_a：房屋買賣交易
• x_lvr_land_b：新成屋交易
• x_lvr_land_c：租房交易

其中 x 是一個英文字母，代表每個縣市，也就是你身份證字號的開頭，
例如台北，就是「a」，新北市就是「f」，以此類推。

讀取資料

接下來我們以台北市為例子，看看能不能找到台北市便宜的好房子，
首先我們將歷年資料都讀進來：

import os
import pandas as pd

# 歷年資料夾
dirs = [d for d in os.listdir() if d[:4] == 'real']

dfs = []

for d in dirs:
    print(d)
    df = pd.read_csv(os.path.join(d,'a_lvr_land_a.csv'), index_col=False)
    df['Q'] = d[-1]
    dfs.append(df.iloc[1:])
    
df = pd.concat(dfs, sort=True)

然而這些資訊還必須再經過處理，才會讓我們待會的資料分析更好下手！

# 新增交易年份
df['year'] = df['交易年月日'].str[:-4].astype(int) + 1911

# 不同名稱同項目資料合併
df['單價元平方公尺'].fillna(df['單價元/平方公尺'], inplace=True)
df.drop(columns='單價元/平方公尺')

# 平方公尺換成坪
df['單價元平方公尺'] = df['單價元平方公尺'].astype(float)
df['單價元坪'] = df['單價元平方公尺'] * 3.30579

# 建物型態
df['建物型態2'] = df['建物型態'].str.split('(').str[0]

# 刪除有備註之交易（多為親友交易、價格不正常之交易）
df = df[df['備註'].isnull()]

# 將index改成年月日
df.index = pd.to_datetime((df['交易年月日'].str[:-4].astype(int) + 1911).astype(str) + df['交易年月日'].str[-4:] ,errors='coerce')

接下來我們可以來看一下這些資料有哪些欄位：

df.columns

上圖我們比較在意的是：

• 單價元坪：每坪房價是多少
• 物件型態：住宅大樓, 倉庫, 公寓, 套房…等
• 鄉鎮市區：中山區, 中正區, 信義區, 內湖區…等
• 每年房價的變化

接下來我們就來將上述這些數據，變化成一些圖表，方便我們以視覺化的方式來理解資料。

圖表分析

老實說，每個建商給的房價走勢圖好像都不太一樣，我不知道他們是怎麼處理這些數據，有時候走勢都好棒棒的感覺，至少finlab的處理的方式，是完全透明，攤在陽光下讓大家知道，我覺得「公佈程式」就是一種比較公正、透明、公開的方式
讓大家檢驗這樣的計算是否公正，假如哪裡可以再改進，也可以跟我說！

每年房價走勢圖

下圖我們就來計算歷年房價的走勢圖，我們希望每一區可以分開畫，方便我們瞭解地區、時間這兩個因子對於房價的差異：

prices = {}
for district in set(df['鄉鎮市區']):
    cond = (
        (df['主要用途'] == '住家用')
        & (df['鄉鎮市區'] == district)
        & (df['單價元坪'] < df["單價元坪"].quantile(0.95))
        & (df['單價元坪'] > df["單價元坪"].quantile(0.05))
        )
    
    groups = df[cond]['year']
    
    prices[district] = df[cond]['單價元坪'].astype(float).groupby(groups).mean().loc[2012:]
    
price_history = pd.DataFrame(prices)
price_history.plot()

上圖中我們可以看出來，雖然房價會隨著時間波動，但地段的優勢還是非常的明顯，例如大安區還是很可怕的，一坪最高可以到90萬元（平均後的數字），然而以2019年來說，可以發現：

高價位地段 -> 稍微下跌
低價位地段 -> 稍微上漲

畢竟台北的大眾交通工具也算是還OK，住哪裡應該都不至於太不方便，所以在幾乎沒有炒作空間的狀況下，不同地區的差異性慢慢降低，感覺是合理的！

那總體來說呢？

我們可以粗略的用簡單的「平均」的方式，將所有地區的房價平均起來：

price_history.mean(axis=1).plot()

就會看到2014年高峰後，台北市房價就處於下跌的狀態

不是有人說2019年房價回升了嗎？

刪除outlier的方式不同，可以得出不同的結論，
也是有一些實驗中 2019 年平均房價比 2018 年高，
所以目前也有很多人說止跌回升是有可能的

但是

整體的大趨勢來說，從2014年以後開始下跌至今，似乎跌幅沒有像當初這麼重，甚至有止跌的跡象，但究竟房價有沒有回升，還需要謹慎評估。

甚至還有報導說，某些地段回到了2014、2015高點，這都是拿單一區段來當結論，見樹不見林的方式，背後居心自然是眾人皆知。

思考一下，為何現在都在推新建案？有很多節目，專家們都宣導，買公寓（舊房子）比較可能選到有壁癌、排水系統不好、貸款成數較低…等等，鼓吹大家買新建案。

當然他們很有可能是為了消費者著想，這些都是實話，不過也有可能是因為新房子比起公寓，更能賣出好價錢，進而維持房價不衰退，所以接下來我們就來分析一下：

建物型態

building_type_prices = {}
for building_type in set(df['建物型態2']):
    cond = (
        (df['主要用途'] == '住家用')
        & (df['單價元坪'] < df["單價元坪"].quantile(0.8))
        & (df['單價元坪'] > df["單價元坪"].quantile(0.2))
        & (df['建物型態2'] == building_type)
        )
    building_type_prices[building_type] = df[cond]['單價元坪'].groupby(df[cond]['year']).mean().loc[2012:]
pd.DataFrame(building_type_prices)[['公寓', '住宅大樓', '套房', '華廈']].plot()

上圖中我們可以發現，老舊公寓的價格真的會不太理想，比起一般的大樓住宅或是住宅，近年價差越來越明顯，當價差到達一定的程度，買新房不一定比較好，舊房不一定這麼一無是處。

但是以平均來當作指標，其實也不是這麼精確，我們還是用分佈圖用眼睛來感受一下，才是最好瞭解房價的方法：

分佈圖

plt.rcParams['font.size'] = 20
for district in set(df['鄉鎮市區']):
    dfdistrict = df[df['鄉鎮市區'] == district]
    dfdistrict['單價元坪'][dfdistrict['單價元坪'] < 2000000].hist(bins=120, alpha=0.7)

plt.xlim(0, 2000000)
plt.legend(set(df['鄉鎮市區']))

上圖中可以明顯感受到，不同地區房價的差異性，例如最右邊的分佈（大安區），大部分單價都比較貴，同時我們也可以看到一些低的詭譎的房價（每坪0萬？！），當然也有很多高的咋舌的單價，甚至一坪200萬都有，只能說富人的世界跟我們一般人還是差距很大呀！

我們取平均的時候無法將這些怪房價給濾除，但好在人眼可以，這就是分佈圖的重要性！

買房使用 Python 簡單的範例

假如今天我們想在北投買房子，可以將北投的房價單獨拿出來看，並且按照建案型態製作分佈圖

dfdistrict = df[(df['鄉鎮市區'] == '北投區') & (df['year'] >= 2018) & (
    (df['建物型態2'] == '住宅大樓') | (df['建物型態2'] == '公寓') | (df['建物型態2'] == '套房')
)]
dfdistrict = dfdistrict[dfdistrict['單價元坪'] < 2000000]

dfdistrict['單價元坪'].groupby(dfdistrict['建物型態2']).hist(bins=50, alpha=0.7)
plt.legend(set(dfdistrict['建物型態2']))

這樣我們就可以一眼看出來，究竟公寓跟電梯大樓有什麼不一樣，方便我們在選擇的時候，多一些考慮，讓我們在買房談價格時，可以有更全面的概念！

有時候買房不是為了投資，而是生活所需而不得不，在這個時代，我們已經無法買的精妙，炒房產呱呱叫，但至少在面對這種重大抉擇時，能有多一份數據輔佐，盡量不要「虧太多」，買到與價格相符的好房！

假如希望我們未來可以多多發佈類似的文章，
可以到粉絲團幫我們按個讚～！

根據專家的說法，
由於人口老化的關係，
房價未來比較悲觀，
假如我們要自住買房怎麼辦？

有一個家的好處是
畢竟每個人生活習慣不同
要客制化專屬的生活空間
只有擁有房子才辦得到

但是，房子保值的年代已經過去了
幾年前台北的房價被炒的很高
有些地方明顯就是太貴了
這幾年慢慢的顯現出來

假如你因為工作需求，
需要再台北買一個自己的家
要買在哪裡比較保值？
對，保值而已，不求上漲，
只求不要跌太多

打開實價登錄，
不論是實價網、樂屋網、或其他的網站
在功能上，都有很多進步的空間！

原因在於這些網站，都只提供進幾年的數據，
而且無法統計以及繪圖功能，
大部分都只提供近一兩年的比較，
但一般人自住買房，關心的是10年後的房價，
而不只是短期的上漲下跌，

所以只好來用 Python 做一點功課了

首先，我們根據之前的介紹，我們可以

• 爬到實價登錄歷史資料
• 將資料整理成 dataframe
  可以先進行以上兩個步驟，然後就可以接著來寫 code 囉！

這次的主題是「公寓」
我們假設某個人想買台北的房子
但是由於金錢考量，只能選擇公寓，

「究竟要怎麼選呢？」

1. 用區域來選

首先我們想要算出，台北市「公寓」的歷史走勢

import matplotlib.pyplot as plt
# plt.rcParams['font.sans-serif'] = ['Noto Sans TC Regular'] # 有支援中文的字體
# plt.rcParams['axes.unicode_minus']=False

result = {}
    
for dis in set(df['鄉鎮市區']):

    condition1 = df['土地區段位置/建物區段門牌'].notna()
    condition2 = df['建物型態'] == '公寓(5樓含以下無電梯)'
    condition3 = (df['鄉鎮市區'] == dis)
    
    df_local = df[condition3 & condition2]
    result[dis] = df_local['單價元坪'].groupby(df_local.index.year).mean()

k = pd.DataFrame(result).loc[2012:]
k.plot()

這張圖可以看出很多端倪，
自從政府調整法令後，
炒房投資客有明顯減少，
所以貴的地區房價下跌，

另外也因為台北交通便利，
（ubike、公車、捷運）
所以不論房價高低，
其實生活便利程度相差無幾
使得便宜的區域房價上漲，

房價差距越來越小，
平均來說，各區房價都越來越往 50～60W/坪 的價格趨近。

另外，除了肉眼來判別外，
我們也可以由價格標準差得知，
台北市各區，房價差異慢慢縮小，

由上面的分析，我們可以得到一個結論
對於「公寓」而言，我們應該選擇
「房價目前較低的地區」
因為這些地區的房價，會慢慢往平均（50～60W/坪）移動

所以假如是買公寓的話，要選哪裡呢？
以條件來分析的話，可以這樣選

1. 2019年房價 < 平均的區域（價格低的）
2. 2019年房價 > 2018年的區域（看近期有漲的）

以下就是程式碼以及選出來的區域：

p2019 = k.loc[2019]
p2018 = k.loc[2018]

good_district = (p2019 > p2018) & (p2019 < p2019.mean())
p2019[good_district].sort_values()

2. 用屋齡來判斷

大家都說越老的房子會折舊，
越老的房子應該要越便宜，
然而事情真的是這樣嗎？

實價登錄的資料令人跌破眼鏡！
根據數據的分析，每個區域都適用：
在屋齡「40～50」年的房子，竟然還會往上漲！？
不論哪一個區域，哪一年，都可以觀察到這個現象！

舉個例子，以下我們來繪圖「中山區」房價

for i in range(2012, 2020):
    df_local = df[(df['鄉鎮市區'] == '中山區') & (df['year'] == i)]
    df_local['房屋年齡'] = ((2019 - pd.to_numeric(df_local['建築完成年月'].str[:3]) - 1911)).astype(int, errors='ignore')
    df_local['房屋年齡'] = pd.to_numeric(df_local['房屋年齡'] /10).round()
    df_local['單價元坪'].groupby(df_local['房屋年齡']).mean().plot()

上圖每一條線的意思是
每一年「不同屋齡的公寓價格」
我們可以觀察到幾個現象：

1. 年輕的公寓下跌的比較快
2. 老公寓在40～50歲時，還會往上漲

第二點尤其的詭異，
可能是因為都更的關係？
不只是中山區，
台北的任一區都可以觀察到這個現象
大家可以回去跑跑看

總之，至少老公寓折舊的速度，
是比想像中還要慢的，
（或可能是老公寓都賣不出去，除
非特別地段、特別地點，導致樣本有偏差？
還需要再研究）

總結

這邊還是要提醒大家，
這個是針對「老公寓」做的研究，
假如是「新成屋」、「華廈」等屋型，
還需要額外去研究才能更清楚。

數據只是一部分的幫助，
買到好房子還是必需要做很多其他功課
例如：附近的捷運、生活機能、嫌惡設施 等等
都很重要
另外，看房技巧、談價格 也不能忽略，

不過以統計的觀點來說

保值地區首選順序：
「萬華區、文山區、內湖區、南港區」

保值屋齡首選：
「20～40歲以上」公寓

假如你要在台北買房，
而且想要買舊公寓重新裝潢，
希望這篇文章可以幫助到你！

也歡迎分享給有在看房的朋友哦！