前几天利用python爬取了我爱我家的租房的一些数据，就想着能不能对房租进行一波分析，于是通过书籍和博客等查阅了相关资料，进行了房租的区间分析。不得不说，用python做区间分析比我之前用sql关键字统计区间简单多了，话不多说，上代码

# coding=utf-8
import pandas as pd
import pymysql
import matplotlib.pyplot as plt

db = pymysql.connect(host="127.0.0.1", port=3306, user="root", passwd="root", db="woaiwojia", charset='utf8')
cursor = db.cursor()
df = pd.read_sql("select  * from zufang ", db)
#以下注释为对pandas读取数据之后的数据处理读取的尝试
#前三行
#rows = df[0:3] 
#price和lxrphone两列
#cols = df[['price', 'lxrphone']]
#aa = pd.DataFrame(df)
#前三行和lxrphone和price列
# print(df.ix[0:3,['price','lxrphone']])
#读取数据的信息
# print(df.info())
#查看表的描述性信息
# print(df.describe())


#以下为获取price列的最大最小值并分组
xse = df['price']
# print(xse.max())
# print(xse.min())
fanwei = list(range(1500, xse.max(), 1500))
fenzu = pd.cut(xse.values, fanwei, right=False)  # 分组区间,长度91
# print(fenzu.codes)#标签
# print(fenzu.categories)#分组区间，长度8
pinshu = fenzu.value_counts()  # series,区间-个数
#print(pinshu)
# print(pinshu.index)

#设置plot的展示格式
pinshu.plot(kind='bar')
qujian = pd.cut(xse, fanwei, right=False)
df['区间'] = qujian.values
df.groupby('区间').median()
df.groupby('区间').mean()

pinshu_df = pd.DataFrame(pinshu, columns=['频数'])
pinshu_df['频率f'] = pinshu_df / pinshu_df['频数'].sum()
pinshu_df['频率%'] = pinshu_df['频率f'].map(lambda x: '%.2f%%' % (x * 100))

pinshu_df['累计频率f'] = pinshu_df['频率f'].cumsum()
pinshu_df['累计频率%'] = pinshu_df['累计频率f'].map(lambda x: '%.4f%%' % (x * 100))

print(pinshu_df)

plt.show()

打印的结果

使用matplotlib.pyplot的show方法展示的数据

参考博客 pandas分区间，算频率
参考书籍《Python3爬虫、数据清洗与可视化实战》