程序员租房的那些事

源 | 小象     文 | 水木华章

一、找房子

作为一个有理想有抱负，立志改变世界的程序员，目光远大是必要的，立足当下，租个合适的房子同样也是必要的。

不过怎样才能找到合适的房子呢？作为一个高逼格的程序员，上网逐家搜显然有些掉价。于是，阿里的工程师鹿星通过大数据建立了一个分析模型，凭此模型可以方便快捷地找到自己所需的房子。该模型的建立过程如下：

爬取数据

用Python的Scrapy爬虫框架，再用scrapy-splash来提供js渲染服务，完整地采集到了所有在租自如房间数据。如下是采集到的数据样例，每一行是一个json格式的字符串。

得到租金的整体情况

通过脏数据过滤，得到所有合租房的数据。

合租房不同价格区间的房间数量分布

形成租金地图

房间价格在地图上的分布如下图所示。红色表示大于3000元/月的房间，绿色表示2000-3000元/月的房间，紫色表示小于2000元/月的房间。颜色越深表示同一个位置重叠的房屋越多。

合租房价格在地图上的分布

推算自如对房间定价时考虑的因素主次

使用随机森林算法对房间每月租金进行预测，选取了14个特征。用三分之二的数据训练模型，三分之一的数据进行测试，在测试集上得到拟合优度R2=0.86，得出不同特征对租金的影响程度排名前十：

找出最符合预期的房间

综合自身的关注属性值对房间进行排序，使用灰度关联分析法对房间进行打分。过滤掉属性值超出心理预期范围的房间，得出了如下数据（样例）：

对这三个属性值进行无量纲化，这里采用离差标准化，公式如下：（标准化后x_i^,取值范围为[0,1]）。

得出的数据如下：

然后设定最优序列，最理想的状态当然是房间面积最大、租金最低、到公司距离最近了。因此最优序列为[1,0,0]，每个属性与最优序列相应属性之间的关联系数如下：

设定每个属性的权重，权重值使用目标优化矩阵确定。

得出结果：房间面积权重为1/6，房间租金权重为1/3，到公司的距离权重为1/2，那么每个房间的关联系数=房间面积关联系数/6+房间租金关联系数/3+到公司的距离关联系数/2，计算结果如下：

计算出所有房间的关联系数，从大到小排列后取Top10如下：

到这里就可以选出最适合自己的房子啦！

二、招合租

对非IT人士来说，和IT人士共享房子是一种美好的体验：首先，电脑有问题再也不用求爷爷告奶奶地四处找人帮忙了。其次IT人士比较宅，喜欢泡在电脑前，没事不会影响别人生活。再者IT男多加班，每日早出晚归，不会占用房子资源，相当于租了一间屋子，却享有整个房子的使用权。

但是对IT人士来说，却不愿意找非IT人士合租。理由很简单：IT人士多工作较忙，不喜欢总被人当做电脑修理工，解决他们各类电脑问题，浪费自己的时间。此外，喜欢安静，因为嘈杂的环境影响写代码的思路。第三，IT人士喜欢探讨随时遇到的问题。所以，IT人士最理想的合租伙伴莫过于同行了。

同为IT人士的你，是怎么找合租室友的呢？曾经有一份IT人士招租的公告是这样的：

帅炸了，有木有？对于他这种别出心裁地招室友的行径，其他IT人士自然是不甘寂寞的，于是纷纷抛出解决方案：

下面又是各种精简版：

至于这位成先生是否如愿找到了同行作室友？答案还用说吗？非IT业者连他的联系方式都看不懂好么？

三、买房还是租房

一个有理想有抱负，立志改变世界的程序员，必然不缺乏当上CEO、赢取白富美的雄心壮志，租房只是眼前的苟且，未来拥有一套自己的房子自然不在话下。但是何时告别租房，买下自己的房子呢？这样的问题同样难不倒程序员，一切都以大数据说话。这是一位程序员自己做的统计模型：

以程序员A和B为例，A君租房，B君买房。灰色单元是设定的一系列参数，填好相应数值以后，按“开始计算”按钮（采用宏计算），会得到若干年（贷款年限 – 以20年为例）后买房和租房两种选择的总财产金额。

从上图可以看到，当租售比为400时，20年后租房的A君比租房的B君总资产高出80多万，所以租房比买房要划算。

通过不同数值的多次计算，该程序员得出了结论：租售比<200买房划算，否则就租。

笔者相信，凭借程序员无与伦比的智商和优秀的赚钱能力，肯定都会早日告别租房生涯，拥有自己的房子，当上CEO，赢取白富美，迎来自己的人生巅峰。