Pesquisa de site

Analisando preço de venda de carros usados usando Python

A análise do preço de venda de carros usados é crucial para que compradores e vendedores tomem decisões informadas, o que pode ser feito facilmente usando Python. Ao aproveitar os recursos de análise e visualização de dados do Python, insights valiosos podem ser obtidos a partir do conjunto de dados disponível.

Este artigo explora o processo de pré-processamento de dados, limpeza e análise do preço de venda usando vários gráficos. Além disso, abrange a previsão do preço de venda usando um modelo de regressão linear. Com as poderosas bibliotecas do Python, como pandas, matplotlib, seaborn e scikit-learn, esta análise fornece uma abordagem abrangente para compreender os fatores que influenciam os preços de carros usados e fazer previsões de preços precisas.

Como analisar o preço de venda de carros usados em Python?

Siga as etapas abaixo para analisar o preço de venda de carros usados usando Python -

Passo 1: Importe as bibliotecas importantes

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

Etapa 2: leia o conjunto de dados e armazene-o no dataframe do pandas

data = pd.read_csv('C:/Users/Tutorialspoint/Documents/autos.csv', encoding='latin1')

Etapa 3: verifique a estrutura do conjunto de dados

data.info()
print(data.head())

Saída

dateCrawled  seller offerType  price vehicleType  \
3 2016-03-17 16:54:04  privat   Angebot   1500  kleinwagen   
4 2016-03-31 17:25:20  privat   Angebot   3600  kleinwagen   
5 2016-04-04 17:36:23  privat   Angebot    650   limousine   
6 2016-04-01 20:48:51  privat   Angebot   2200      cabrio   
7 2016-03-21 18:54:38  privat   Angebot      0   limousine   

   yearOfRegistration  gearbox  powerPS    model  kilometer  \
3                2001  manuell       75     golf     150000   
4                2008  manuell       69    fabia      90000   
5                1995  manuell      102      3er     150000   
6                2004  manuell      109  2_reihe     150000   
7                1980  manuell       50   andere      40000   

   monthOfRegistration fuelType       brand notRepairedDamage dateCreated  \
3                    6   benzin  volkswagen              nein  2016-03-17   
4                    7   diesel       skoda              nein  2016-03-31   
5                   10   benzin         bmw                ja  2016-04-04   
6                    8   benzin     peugeot              nein  2016-04-01   
7                    7   benzin  volkswagen              nein  2016-03-21   

              lastSeen  
3  2016-03-17 17:40:17  
4  2016-04-06 10:17:21  
5  2016-04-06 19:17:07  
6  2016-04-05 18:18:39  
7  2016-03-25 16:47:58

Etapa 4: tratamento de valores ausentes

data = data.dropna()

Etapa 5: converta os tipos de dados somente se necessário

data['dateCrawled'] = pd.to_datetime(data['dateCrawled'])
data['dateCreated'] = pd.to_datetime(data['dateCreated'])

Etapa 6: limpeza de dados

# Remove irrelevant columns
columns_to_drop = ['name', 'abtest', 'nrOfPictures', 'postalCode']
data = data.drop(columns=columns_to_drop)

Etapa 7: analisando o preço de venda usando gráficos

Exemplo 1: Histograma do Preço de Venda

plt.figure(figsize=(10, 6))
sns.histplot(data['price'], bins=20, kde=True)
plt.xlabel('Price')
plt.ylabel('Count')
plt.title('Histogram of Selling Price')
plt.show()

Saída

Exemplo 2: Boxplot do preço de venda por tipo de veículo

plt.figure(figsize=(10, 6))
sns.boxplot(x='vehicleType', y='price', data=data)
plt.xlabel('Vehicle Type')
plt.ylabel('Price')
plt.title('Boxplot of Selling Price by Vehicle Type')
plt.show()

Saída

Exemplo 3: Gráfico de dispersão do ano de registro versus preço

plt.figure(figsize=(10, 6))
sns.scatterplot(x='yearOfRegistration', y='price', data=data)
plt.xlabel('Year of Registration')
plt.ylabel('Price')
plt.title('Scatter plot of Year of Registration vs. Price')
plt.show()

Saída

Etapa 8: previsão do preço de venda usando regressão linear

Selecione recursos relevantes e variável de destino

features = ['yearOfRegistration', 'powerPS', 'kilometer']
target = 'price'
X = data[features]
y = data[target]

Divida os dados em conjuntos de treinamento e teste:

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

Inicialize e treine o modelo de regressão linear

model = LinearRegression()
model.fit(X_train, y_train)

Saída

LinearRegression

Etapa 9: Faça previsões no conjunto de teste e imprima o preço de venda previsto

# Make predictions on the test set
y_pred = model.predict(X_test)

# Print the predicted selling price
print("Predicted Selling Price:")
for price in y_pred:
   print(price)

Saída

Predicted Selling Price:
4697.820983235375
4882.88628493459
2407.3556394173065
4264.297985512414
5801.285403149028
6486.864555639331
18844.05037380848
3615.3753698624205
15154.480417441286
7511.02954521589
5815.107292202709
14360.747495675983
3868.0368050450925
6433.695591624826
3019.621718226932
……………………………………
3723.5291391374194

Etapa 10: Avalie o modelo usando o erro quadrático médio (MSE)

mse = mean_squared_error(y_test, y_pred)
print(f"Mean Squared Error: {mse}")

Saída

Mean Squared Error: 3838157266.6337757

Conclusão

Concluindo, a versatilidade e as poderosas bibliotecas do Python o tornam uma ferramenta ideal para analisar o preço de venda de carros usados. Por meio do pré-processamento, limpeza e visualização de dados, insights valiosos podem ser obtidos. Além disso, a modelagem preditiva com algoritmos de aprendizado de máquina permite previsões precisas de preços. Esta análise permite que compradores e vendedores tomem decisões informadas no mercado de automóveis usados.

Artigos relacionados: