Analisi immobiliare
Forgiarini David
2024-10-28
Analisi immobiliare del mercato del Texas
Carico le librerie, le funzioni e il dataset
Installazione dei packages usati e verifica della versione
Librerie
# library installatiion
library(ggplot2)## Warning: il pacchetto 'ggplot2' è stato creato con R versione 4.4.1# Packages verification installation
packageVersion("ggplot2")## [1] '3.5.1'########
# Load the moments package for skewness and kurtosis calculations
library(moments)
# Packages verification installation
packageVersion("moments")## [1] '0.14.1'########
# Load the moments package for skewness and kurtosis calculations
library(dplyr)## Warning: il pacchetto 'dplyr' è stato creato con R versione 4.4.1##
## Caricamento pacchetto: 'dplyr'## I seguenti oggetti sono mascherati da 'package:stats':
##
## filter, lag## I seguenti oggetti sono mascherati da 'package:base':
##
## intersect, setdiff, setequal, union# Packages verification installation
packageVersion("dplyr")## [1] '1.1.4'########
# Load the moments package for skewness and kurtosis calculations
library(stringr)## Warning: il pacchetto 'stringr' è stato creato con R versione 4.4.1# Packages verification installation
packageVersion("stringr")## [1] '1.5.1'Funzioni
############################################################################
# Function to calculate mean, median, min, max, first quantile and third quantile # for each numeric column in a dataframe
############################################################################
calculate_index_pos <- function(df) {
# Select only numeric columns
numeric_df <- df[sapply(df, is.numeric)]
# Calculate mean, median, min, and max for each column
stats <- data.frame(
Mean = sapply(numeric_df, mean, na.rm = TRUE),
Median = sapply(numeric_df, median, na.rm = TRUE),
Mode = sapply(numeric_df, getmode),
Min = sapply(numeric_df, min, na.rm = TRUE),
Max = sapply(numeric_df, max, na.rm = TRUE),
Qtl.25 = sapply(numeric_df, quantile, probs=0.25, na.rm = TRUE),
Qtl.75 = sapply(numeric_df, quantile, probs=0.75, na.rm = TRUE)
)
return(stats)
}
############################################################################
############################################################################
# Calculate variance index of dataframe
############################################################################
calculate_variance_index <- function(df) {
# Select only numeric columns
numeric_df <- df[sapply(df, is.numeric)]
# Calculate variance index
stats = data.frame(
Range =sapply(numeric_df, getrange),
IQR =sapply(numeric_df, IQR, na.rm = TRUE),
variance =sapply(numeric_df, var, na.rm = TRUE),
st.dev =sapply(numeric_df, sd, na.rm = TRUE),
CV =sapply(numeric_df, CV )
)
return(stats)
}
#
############################################################################
############################################################################
# Calculate the shape of a dataframe
############################################################################
calculate_shape = function(df) {
# Select only numeric columns
numeric_df = df[sapply(df, is.numeric)]
# Calculate variance index
stats = data.frame(
Asym_ind =sapply(numeric_df, skewness,na.rm = TRUE),
Kurtosis =sapply(numeric_df, kurtosis, na.rm = TRUE)
)
return(stats)
}
############################################################################
############################################################################
# Get mode of the vector
############################################################################
getmode <- function(v) {
uniqv <- unique(v)
uniqv[which.max(tabulate(match(v, uniqv)))]
}
#
############################################################################
############################################################################
# Get the range of a vector
############################################################################
getrange <- function(v) {
range = max(v)-min(v)
return(range)
}
############################################################################
############################################################################
# Function Variance %
############################################################################
CV = function(x){
return = ( sd(x)/mean(x)*100 )
}
############################################################################
############################################################################
# GINI index
############################################################################
gini.index = function(x){
ni=table(x)
fi=ni/length(x)
fi2=fi^2
J = length (table(x))
gini = 1 - sum(fi2)
gini.normalizzato = gini/((J-1)/J)
return(gini.normalizzato)
}
#
############################################################################
############################################################################
# class and graph maker
############################################################################
freq_grap = function(x,
seq_start,
seq_end,
seq_steps,
title_desc,
y_start,
y_end,
y_steps) {
# Create the classes
x_cl = cut(x, seq(seq_start, seq_end, seq_steps))
x_n = length(x)
# Create the frequency distribution table
distr_freq = as.data.frame(
cbind(
ni = table(x_cl), # Absolute frequency
fi = table(x_cl) / x_n, # Relative frequency
Ni = cumsum(table(x_cl)), # Cumulative absolute frequency
Fi = cumsum(table(x_cl) / x_n) # Cumulative relative frequency
)
)
# Create the frequency distribution plot
plot = ggplot(data = as.data.frame(x_cl)) +
geom_bar(aes(x = x_cl),
position = "stack",
stat = "count",
col = "black",
fill = "lightblue") +
labs(title = title_desc,
x = "Class intervals",
y = "Absolute frequency") +
scale_y_continuous(breaks = seq(y_start, y_end, y_steps)) +
theme_classic() +
theme(legend.position = "bottom")
print(plot) # Force the plot to display
return(distr_freq)
}
#
############################################################################
############################################################################
# word counter
############################################################################
count_word = function(word, text_vector) {
# Convert to lowercase for case-insensitive search
word = tolower(word)
text_vector = tolower(text_vector)
# Count occurrences of the specific word in each element of the vector
count = sum(sapply(text_vector, function(text) {
str_count(text, paste0("\\b", word, "\\b"))
}))
return(count)
}
#
############################################################################
############################################################################
# words counter in columns -
############################################################################
count_words_in_columns = function(df, column_A, word_A, column_B, word_B) {
# Convert words to lowercase for case-insensitive search
word_A = tolower(word_A)
word_B = tolower(word_B)
# Initialize counter
count = 0
# Loop through each row of the dataframe
for (i in seq_len(nrow(df))) {
# Convert values in specified columns to lowercase for case-insensitive comparison
text_A = tolower(as.character(df[i, column_A]))
text_B = tolower(as.character(df[i, column_B]))
# Check if word_A is in column_A and word_B is in column_B for the same row
if (grepl(word_A, text_A) & grepl(word_B, text_B)) {
count = count + 1
}
}
return(count)
}
#
############################################################################
############################################################################
# Function Line Chart by group
############################################################################
line_chart_group = function(dataframe,
data_col,
df_filter_1,
df_filter_2,
x_start,
x_end,
x_steps,
title_desc,
Y_desc,
X_desc,
y_start,
y_end,
y_steps
) {
# Using the {{ }} operator to refer to column names
df_A = NULL
df_A <- dataframe %>%
group_by({{ df_filter_1 }},{{ df_filter_2 }}) %>%
summarise(tot_sum = sum({{data_col}}, na.rm = TRUE)) %>%
ungroup()
# Print the new dataframe created
print(df_A)
ggplot(data = df_A,
aes(x = {{ df_filter_1 }},
y = tot_sum,
color = {{ df_filter_2 }},
group = {{ df_filter_2 }}
))+
geom_line(size = 1)+
theme_minimal() +
# Definisce i nomi degli assi
labs (title = title_desc,
x = X_desc,
y = Y_desc
)+
scale_y_continuous(breaks=seq(y_start,y_end,y_steps))+
if (x_start >0) {
scale_x_continuous(breaks = seq(x_start, x_end, x_steps))
}
}
############################################################################Import dei dati
dati_re_texas <- read.csv("realestate_texas.csv", header = TRUE, sep = ",", fileEncoding = "ISO-8859-1")
n <- dim(dati_re_texas)[1] # Define dataset elements
head(dati_re_texas) # Controllo che il dataframe sia stato caricato## city year month sales volume median_price listings months_inventory
## 1 Beaumont 2010 1 83 14.162 163800 1533 9.5
## 2 Beaumont 2010 2 108 17.690 138200 1586 10.0
## 3 Beaumont 2010 3 182 28.701 122400 1689 10.6
## 4 Beaumont 2010 4 200 26.819 123200 1708 10.6
## 5 Beaumont 2010 5 202 28.833 123100 1771 10.9
## 6 Beaumont 2010 6 189 27.219 122800 1803 11.1Il dataset rappresenta le seguenti variabili:
Città dove viene venduta la casa - variabile categorica
Anno di vendita - variabile tempo + var.discreta
Mese di vendita - variabile tempo + var.discreta
Numero delle vendite - variabile quantitativa continua - distr.freq ok
Volume di affari delle vendite - variabile quantitativa continua - distr.freq ok
Prezzo medio di vendita - variabile quantitativa continua - distr.freq ok
Listings , numero totale di annunci
Months inventory , mesi necessari per vendere la casa
PUNTO 1: Analisi delle variabili tempo
Le variabili che sottointendono una dimensione tempo sono :
year - anno di vendita
month - mese di vendita
months_inventory - quantità di tempo per vendere una casa
L’analisi che faremo sarà quello di capire la correlazione di vendite in un dato periodo sia all’interno dello stesso anno sia negli anni oggett della ricerca, per capirne il trend.
Anche la variabile months_inventory potrebbe darci un’indicazione di quanto possa essere difficile vendere una casa
PUNTO 1: Analisi delle variabile “month” ( mese )
# Define range
min_month=min(dati_re_texas$month)
max_month=max(dati_re_texas$month)
ggplot(data = dati_re_texas)+
# Select bar type
geom_bar(aes(x=month
),
col = "black",
fill = "lightblue"
)+
# Define axis names
labs (title = "Visualizzazione delle vendite durante l'anno",
x="Anno",
y ="Totali vendite"
)+
# Define x scales numbers
scale_x_continuous(breaks=seq(min_month,max_month,1))+
# Define theme type
theme_classic()
PUNTO 2: Analisi delle variabile “year” ( anno )
# Define range
min_year=min(dati_re_texas$year)
max_year=max(dati_re_texas$year)
ggplot(data = dati_re_texas)+
# Select bar type
geom_bar(aes(x=year
),
# dodge barre affiancata stack sovrapposte
col = "black",
fill = "lightblue"
)+
# Define axis names
labs (title = "Visualizzazione delle vendite per anno",
x="Anno",
y ="Totali vendite"
)+
# Definisce sull'asse Y la precisione
scale_x_continuous(breaks=seq(min_year,max_year,1))+
# Definisco il tipo di tema
theme_classic()
PUNTO 3: Analisi delle variabile “months_inventory” ( tempo necessario per vendere la casa )
# Define range
min_sale_time=min(dati_re_texas$months_inventory)
max_sale_time=max(dati_re_texas$months_inventory)
ggplot(data = dati_re_texas)+
# Select bar type
geom_bar(aes(x=months_inventory
),
col = "black",
fill = "lightblue"
)+
# Definisce i nomi degli assi
labs (title = "Visualizzazione del tempo[mesi] per eseguire una di vendita",
x="Totali vendite",
y ="Mesi necessari per vendere una casa"
)+
# Definisce sull'asse Y la precisione
scale_y_continuous(breaks=seq(min_sale_time,max_sale_time,1))+
# Definisco il tipo di tema
theme_classic()
CONCLUSIONI: Le variabili “year” e “month” ci dicono che le rilevazioni sono costanti e che quindi andranno valutate in combinazione ad altre variabili come ” sales , “volume o”city”.
La variabile months inventory ha una sua distribuzione invece concentrate in due fasce da 6,5 a 10 e da 10 a13. Vedremo più avanti di scoprirne il motivo
PUNTO 2: Indici di posizione,variabilità e forma
All’interno del mio dataframe ho il nome delle città quindi per calcolare gli indici di posizione questa colonna verrà eliminata.
Costruisco un nuovo dataframe senza la colonna “city”
GLi indici di posizione che ho scelto sono: media, mediana, moda, minimo e massimo e percentili
dati_re_texas_no_city = dati_re_texas[, -1] # Remove first colomunRimuoviamo anche le variabili “year” e “month” per i motivi visti sopra.
dati_re_texas_no_city <- dati_re_texas_no_city[, !colnames(dati_re_texas_no_city) %in% "year"]
dati_re_texas_no_city <- dati_re_texas_no_city[, !colnames(dati_re_texas_no_city) %in% "month"]
head(dati_re_texas_no_city)## sales volume median_price listings months_inventory
## 1 83 14.162 163800 1533 9.5
## 2 108 17.690 138200 1586 10.0
## 3 182 28.701 122400 1689 10.6
## 4 200 26.819 123200 1708 10.6
## 5 202 28.833 123100 1771 10.9
## 6 189 27.219 122800 1803 11.1Abbiamo creato un dataframe con le variabili che abbiamo deciso di analizzare
====================================================================
Calcolo gli indici di posizione per le variabili: sales,volume,median_price,listings,month_inventory
calculate_index_pos(dati_re_texas_no_city)## Mean Median Mode Min Max
## sales 192.29167 175.5000 124.000 79.000 423.000
## volume 31.00519 27.0625 35.335 8.166 83.547
## median_price 132665.41667 134500.0000 130000.000 73800.000 180000.000
## listings 1738.02083 1618.5000 1581.000 743.000 3296.000
## months_inventory 9.19250 8.9500 8.100 3.400 14.900
## Qtl.25 Qtl.75
## sales 127.0000 247.000
## volume 17.6595 40.893
## median_price 117300.0000 150050.000
## listings 1026.5000 2056.000
## months_inventory 7.8000 10.950====================================================================
Calcolo la variabilità per le seguenti variabili: sales,volume,median_price,listings,month_inventory
calculate_variance_index(dati_re_texas_no_city)## Range IQR variance st.dev CV
## sales 344.000 120.0000 6.344300e+03 79.651111 41.42203
## volume 75.381 23.2335 2.772707e+02 16.651447 53.70536
## median_price 106200.000 32750.0000 5.135730e+08 22662.148687 17.08218
## listings 2553.000 1029.5000 5.665690e+05 752.707756 43.30833
## months_inventory 11.500 3.1500 5.306889e+00 2.303669 25.06031Tutte le variabili esaminate hanno medie molto distinti. Per favorire l’analisi bisognerà scalare il tutto.
====================================================================
Calcola la forma per le seguenti variabili: sales,volume,median_price,listings,month_inventory-
calculate_shape(dati_re_texas_no_city)## Asym_ind Kurtosis
## sales 0.71810402 2.686824
## volume 0.88474203 3.176987
## median_price -0.36455288 2.377038
## listings 0.64949823 2.208210
## months_inventory 0.04097527 2.825552Si evidenzia che tutte le distribuzioni hanno indice positivo ( sono più frequenti valori bassi ) ad eccetto del prezzo medio di vendita che invece ha indice negativo ( sono più frequenti i valori alti ). Per quanto riguarda la curtosi gli indici sono tutti positivi quindi parliamo di leptocurioso, Risulteranno tutte più allungate rispetto alla standard normale, in particolare ” months_inventory” e
# Using the function with the defined parameters
distr_freq = freq_grap(x = dati_re_texas_no_city$months_inventory,
seq_start = 0,
seq_end = 20,
seq_steps = 2,
title_desc = "Tempo per vendere un immobile [mesi] ",
y_start = 0,
y_end = 300,
y_steps = 10)
Leptocurtosi.
====================================================================
PUNTO 3: Identificazione variabili
La variabile con maggiore asimmetria è “volume” da punto 2.calcolo forma. Asym_ind
La variabile con maggiore variabilità è: “volume” da punto 2.calcolo variabilità indice CV
PUNTO 4: Creazioni di classi per una var.qualitativa
Distribuzione di frequenza in classi per la variabile “seales”
# Using the function with the defined parameters
###
distr_freq = freq_grap(x = dati_re_texas_no_city$sales,
seq_start = 50,
seq_end = 450,
seq_steps = 50,
title_desc = "Distribuzione in classi della variabile sales" ,
y_start = 0,
y_end = 100,
y_steps = 10
)
Distribuzione in frequenza tabellare
distr_freq## ni fi Ni Fi
## (50,100] 21 0.08750000 21 0.0875000
## (100,150] 72 0.30000000 93 0.3875000
## (150,200] 56 0.23333333 149 0.6208333
## (200,250] 32 0.13333333 181 0.7541667
## (250,300] 34 0.14166667 215 0.8958333
## (300,350] 13 0.05416667 228 0.9500000
## (350,400] 9 0.03750000 237 0.9875000
## (400,450] 3 0.01250000 240 1.0000000Calcolo l’indice di etereogeneità di Gini per quanto vale la variabile “sales”
gini.index(dati_re_texas_no_city$sales)## [1] 0.998379La distribuzione ha etereogeneita massima ( equidistribuita )
====================================================================
PUNTO 5: Calcolo delle probabilità
La probabilità che presa una riga a caso , ci sia ” Beaumont ”
col_count=count_word ("Beaumont",dati_re_texas$city)
col_length=length(dati_re_texas$city)
prob_city = col_count/col_length
prob_city## [1] 0.25La probabilità che presa una riga a caso, ci sia ” luglio ”
col_count=count_word ("7",dati_re_texas$month) #7 means July
col_length=length(dati_re_texas$month)
prob_month = col_count/col_length
prob_month## [1] 0.08333333La probabilità che presa una riga a caso , ci sia ” dicembre ” e anno 2012
count_res_columns = count_words_in_columns(df=dati_re_texas,
column_A = "year",
word_A = "2012",
column_B = "month",
word_B = "12"
)
count_length=length(dati_re_texas$year)
print(count_res_columns/count_length)## [1] 0.01666667PUNTO 6: Creazione di nuove variabili
CONSEGNA: Crea una nuova colonna che calcoli il prezzo medio degli immobili utilizzando le variabili disponibili - Prova a creare una colonna che misuri l’efficacia degli annunci di vendita. Commenta e discuti i risultati.
Creo una nuova variabile prezzo medio di vendita
# Made a copy of dataframe
dati_re_texas_sales = NULL
dati_re_texas_sales = dati_re_texas
# Add new column for average sale
dati_re_texas_sales$avg_sale=(dati_re_texas$volume*1000000)/dati_re_texas$sales
# Add new column for
dati_re_texas_sales$gain_force_1=(dati_re_texas$sales/dati_re_texas$listings)
distr_freq = freq_grap(x = dati_re_texas_sales$gain_force_1,
seq_start = 0.0,
seq_end = 0.5,
seq_steps = 0.05,
title_desc = "Distribuzione in classi della variabile rapporto tra vendite e annunci",
y_start = 0,
y_end = 130,
y_steps = 10
)
La distribuzione si concentra sulle prime due classi e cioè fino a 0.15 come rapporto tra case vendute e annunci attivi . Notiamo anche che la zona del Bryan-College si classica come zona migliore per rapporto vendite/annunci attivi. Per fare questo controllo ho preso il nuovo dataframe sales creato e l’ho ordinato per la variabile gain force 1, scorrendo la fine ho scoperto che c’è un’alta concentrazione di case vendute in questa zona.
Per fare la verifica uso un grafico a barre affiancate dove ogni classe avrà anche le 4 città
#################################################
# class and graph maker with dodge function
freq_grap_dodge = function(x,
df_class,
group_tbl,
seq_start,
seq_end,
seq_steps,
title_desc,
y_start,
y_end,
y_steps
) {
# Create the classes
x_cl = cut(df_class, seq(seq_start, seq_end, seq_steps))
x_n = length(df_class)
# Create the frequency distribution table
distr_freq = as.data.frame(
cbind(
ni = table(x_cl), # Absolute frequency
fi = table(x_cl) / x_n, # Relative frequency
Ni = cumsum(table(x_cl)), # Cumulative absolute frequency
Fi = cumsum(table(x_cl) / x_n) # Cumulative relative frequency
)
)
# Create the frequency distribution plot
plot = ggplot(data =x) +
geom_bar(aes(x=x_cl,
fill =group_tbl),
# dodge barre affiancata stack sovrapposte
position = "dodge",
stat = "count",
col = "black"
)+
# Definisce i nomi degli assi
labs (title = title_desc,
x="classi ",
y ="Frequenza assolute"
)+
# Definisce sull'asse Y la precisione
scale_y_continuous(breaks=seq(y_start,y_end,y_steps))+
# Definisco il tipo di tema
theme_classic()+
theme(legend.position = "bottom")
print(plot) # Force the plot to display
return(distr_freq)
}gain_df = freq_grap_dodge (x=dati_re_texas_sales,
df_class=dati_re_texas_sales$gain_force_1,
group_tbl=dati_re_texas_sales$city,
seq_start =0,
seq_end =0.5,
seq_steps =0.05,
title_desc= "Distribuzione in classi della variabile rapporto tra vendite e annunci divisi per citta",
y_start=0,
y_end =130,
y_steps=10
)
L’efficacia degli annunci di vendita ( quindi valore alto colore verde ) si nota sopratutto nella zona del Bryan-College
====================================================================
PUNTO 7: Analisi condizionata
CONSEGNA: Usa il pacchetto dplyr o il linguaggio
base di R per effettuare analisi statistiche condizionate per città,
anno e mese. Genera dei summary (media, deviazione
standard) e rappresenta graficamente i risultati
Per fare questo confronteremo le 3 variabili con il vettore sales ( vendite totali ) del dataframe
sales_year_df = freq_grap_dodge (x=dati_re_texas,
df_class =dati_re_texas$sales,
group_tbl =dati_re_texas$city,
seq_start =50,
seq_end =500,
seq_steps =50,
title_desc= "Distribuzione in classi della variabile sales ottimizzata per le varie città",
y_start=0,
y_end =100,
y_steps=10
)
La città di Tyler ha la più alta concentrazione di vendite seguita dal Bryan College.
===================================================================
#################################################
# Function to sum a column based on a filter
#################################################
sum_column_flt_graph = function(dataframe,
filter_col,
data_col,
title_desc,
y_desc,
x_desc,
y_start,
y_end,
y_steps,
x_start,
x_end,
x_steps
) {
# Using the {{ }} operator to refer to column names
result = dataframe %>%
group_by({{ filter_col }}) %>%
summarise(
total_sum = sum({{ data_col }}, na.rm = TRUE),
mean_value = mean({{ data_col }}, na.rm = TRUE),
sd_value = sd({{ data_col }}, na.rm = TRUE)
)
print(result)
# Create the frequency distribution plot
plot= ggplot(data=result)+
geom_col(aes(x= {{ filter_col }},
y=total_sum),
col = "black",
fill = "lightblue"
)+
# Titles and labels
labs(title = title_desc,
x = x_desc,
y = y_desc)+
#
#scale_y_continuous(breaks = seq(y_start, y_end, y_steps)) +
theme_classic() +
scale_y_continuous(breaks = seq(y_start, y_end, y_steps))+
if (x_start >0) {
scale_x_continuous(breaks = seq(x_start, x_end, x_steps))
}
print(plot) # Force the plot to display
return(result)
}
#
##################################################
sales_by_year = NULL
sales_by_year = sum_column_flt_graph(dati_re_texas,
city,
sales,
" Totali vendita per città",
" Prova asse Y ",
" Città osservata",
0,
20000,
2000,
0,
0,
0
)## # A tibble: 4 × 4
## city total_sum mean_value sd_value
## <chr> <int> <dbl> <dbl>
## 1 Beaumont 10643 177. 41.5
## 2 Bryan-College Station 12358 206. 85.0
## 3 Tyler 16185 270. 62.0
## 4 Wichita Falls 6964 116. 22.2
La città dove sono state fatte più vendite è Tyler
=================================================================
#
sales_by_month = NULL
sales_by_month = sum_column_flt_graph(dati_re_texas,
month,
sales,
" Totali vendita per città",
" Prova asse Y ",
" Città osservata",
0,
20000,
2000,
1,
12,
1
)## # A tibble: 12 × 4
## month total_sum mean_value sd_value
## <int> <int> <dbl> <dbl>
## 1 1 2548 127. 43.4
## 2 2 2817 141. 51.1
## 3 3 3789 189. 59.2
## 4 4 4234 212. 65.4
## 5 5 4777 239. 83.1
## 6 6 4871 244. 95.0
## 7 7 4715 236. 96.3
## 8 8 4629 231. 79.2
## 9 9 3647 182. 72.5
## 10 10 3598 180. 75.0
## 11 11 3137 157. 55.5
## 12 12 3388 169. 60.7
Il mese dove si vende di più è giugno
===================================================================
sales_by_year = NULL
sales_by_year = sum_column_flt_graph(dati_re_texas,
year,
sales,
" Totali vendita per città",
" Prova asse Y ",
" Città osservata",
0,
20000,
2000,
2010,
2014,
1
)## # A tibble: 5 × 4
## year total_sum mean_value sd_value
## <int> <int> <dbl> <dbl>
## 1 2010 8096 169. 60.5
## 2 2011 7878 164. 63.9
## 3 2012 8935 186. 70.9
## 4 2013 10172 212. 84.0
## 5 2014 11069 231. 95.5
Il trend di vendita migliora anno dopo anno e il 2014 risulta essere l’anno dove si è venduto di più
====================================================================
PUNTO 8: Creazione di vis.con ggplot2
CONSEGNA: Utilizza ggplot2 per creare grafici
personalizzati.
- Boxplot per confrontare la distribuzione del prezzo mediano tra le città. -
ggplot(data=dati_re_texas)+
geom_boxplot(aes(x=city,
y=median_price),
fill="lightblue"
)+
labs(title =" Box plot del prezzo mediano per città di osservazione ",
x = " Città",
y = " Prezzo mediano")
La città di Bryan-College station ha la distribuzione più alta fra tutte.
====================================================================
====================================================================
# Creazione delle classi per 'sales' con cut, se gli intervalli sono appropriati
dati_re_texas$sales_cl = NULL
dati_re_texas$sales_cl <- cut(dati_re_texas$sales, breaks = seq(70, 421, 70), include.lowest = TRUE)
# Grafico con ggplot
ggplot(data = dati_re_texas) +
geom_boxplot(aes(x = city,
y = median_price,
fill = sales_cl)) +
labs(title = "Box plot del prezzo mediano per città di osservazione",
x = "Città",
y = "Prezzo mediano") +
scale_fill_brewer(palette = "Set3") # Facoltativo, per aggiungere una palette di colori
La zona del Bryan college si colloca al gradino più alto sia per quanto riguarda il prezzo mediano sia per quanto riguardo il numero di vendite. La variabile sales_cl è la divisione in range delle quantità di case vendute nella zona, si osserva che sia Bryan che Tyler possono vantare un numero alto di case vendute nonostante il prezzo mediano sia alto
====================================================================
# Build a variables class vector using year
dati_re_texas$year_cl = NULL
dati_re_texas$year_cl <- cut(dati_re_texas$year, breaks = seq(2010,2014,1), include.lowest = TRUE)
# Grafico con ggplot
ggplot(data = dati_re_texas) +
geom_boxplot(aes(x = city,
y = volume,
fill = year_cl)) +
labs(title = "Box plot del volume di vendite per città e anno di osservazione",
x = "Città",
y = "Volume di vendita in milioni di dollari") +
scale_fill_brewer(palette = "Set3") # Facoltativo, per aggiungere una palette di colori
Notiamo che le due città Bryan college e Tyler hanno performato molto bene per quanto riguardi i volumi
Inoltre c’è stato un incremento nei vari anni, che per quanto riguarda Tyler è piu regolare mentre per Bryan college si nota un vero gap nel 2010 ( probabilmente la pandemia potrebbe aver influenzato la zona essendo un college)
====================================================================
# Build a variables class vector using median price
dati_re_texas$median_price_cl = NULL
dati_re_texas$median_price_cl = cut(dati_re_texas$median_price, breaks = seq(75000,200000,25000), include.lowest = TRUE)
# Buil Boxplot
ggplot(data = dati_re_texas) +
geom_boxplot(aes(x = city,
y = median_price,
fill = median_price_cl)) +
labs(title = "Box plot del prezzo mediano diviso in classi per città",
x = "Prezzo mediano di vendita",
y = "Città di riferimento e ") +
scale_fill_brewer(palette = "Set3") # Facoltativo, per aggiungere una palette di colori
Bryan-college risulta essere il migliore per quanto riguarda il prezzo mediano di vendita.
====================================================================
====================================================================
- Grafici a barre per confrontare il totale delle vendite per mese e città.
# Define the function
divide_sales_by_month_city = function(data) {
# Check if necessary columns are present in the input data
if (!all(c("city", "month", "sales") %in% colnames(data))) {
stop("Data frame must contain 'city', 'month', and 'sales' columns.")
}
# Group data by city and month, then summarize the total sales
summarized_data <- data %>%
group_by(city, month) %>%
summarise(total_sales = sum(sales, na.rm = TRUE)) %>%
ungroup()
return(summarized_data)
}
# Usage example
# Suppose dati_re_texas is your input dataframe
result <- divide_sales_by_month_city(dati_re_texas)## `summarise()` has grouped output by 'city'. You can override using the
## `.groups` argument.print(result)## # A tibble: 48 × 3
## city month total_sales
## <chr> <int> <int>
## 1 Beaumont 1 608
## 2 Beaumont 2 677
## 3 Beaumont 3 855
## 4 Beaumont 4 948
## 5 Beaumont 5 1034
## 6 Beaumont 6 1025
## 7 Beaumont 7 927
## 8 Beaumont 8 1087
## 9 Beaumont 9 870
## 10 Beaumont 10 946
## # ℹ 38 more rows# Bar graph with absolut values
ggplot(data = result)+
# selezione tipo grafico
geom_col(aes(x=month,
y=total_sales,
fill =city),
# dodge barre affiancata stack sovrapposte
position = "stack",
stat = "count",
col = "black"
)## Warning in geom_col(aes(x = month, y = total_sales, fill = city), position =
## "stack", : Ignoring unknown parameters: `stat`
# Bar graph normalized using GGplot
ggplot(data = result) +
geom_bar(aes(x = month,
y = total_sales,
fill = city),
position = "fill",
stat = "identity",
col = "black") +
labs(x = "Mese",
y = "Percentuale Vendite (%)",
title = "Percentuale di Vendite Totali per Città e Mese") +
# Show percentage on Y axe
scale_y_continuous(labels = scales::percent_format(scale = 1)) +
# Show index month from 1 to 12 by 1
scale_x_continuous(breaks=seq(1,12,1))+
theme_minimal()
Notiamo due casi particolari:
Bryan college: nei mesi estivi le vendite aumentano in modo considerevole
Usando un grafico normalizzato si conferma che Bryan college performa molto bene durante i mesi estivi
====================================================================
====================================================================
- Line charts per confrontare l’andamento delle vendite in periodi storici differenti.
line_chart_group (dataframe =dati_re_texas,
data_col =sales,
df_filter_1 =month,
df_filter_2 =year,
x_start = 1,
x_end = 12,
x_steps = 1,
title_desc = "Andamento vendite suddiviso per anni ",
Y_desc = "Vendite totali",
X_desc = "Mese/anno",
y_start = 0,
y_end = 5000,
y_steps = 100
) ## `summarise()` has grouped output by 'month'. You can override using the
## `.groups` argument.## # A tibble: 60 × 3
## month year tot_sum
## <int> <int> <int>
## 1 1 2010 421
## 2 1 2011 425
## 3 1 2012 499
## 4 1 2013 576
## 5 1 2014 627
## 6 2 2010 487
## 7 2 2011 469
## 8 2 2012 574
## 9 2 2013 593
## 10 2 2014 694
## # ℹ 50 more rows## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Come si evidenzia dal grafico la tendenza delle vendite è sempre molto positiva dal 2010 al 2014 le vendite sono sempre aumentate. All’inizio dell’anno c’è sempre una contrazione come alla fine dello stesso, ma durante i mesi caldi le vendite aumentano generalmente di molto
line_chart_group (dataframe =dati_re_texas,
data_col =months_inventory,
df_filter_1 =month,
df_filter_2 =year,
x_start = 1,
x_end = 12,
x_steps = 1,
title_desc = "Mesi per concludere una vendita ",
Y_desc = "Mesi",
X_desc = "Mese/anno",
y_start = 0,
y_end = 60,
y_steps = 3
) ## `summarise()` has grouped output by 'month'. You can override using the
## `.groups` argument.## # A tibble: 60 × 3
## month year tot_sum
## <int> <int> <dbl>
## 1 1 2010 35
## 2 1 2011 39.8
## 3 1 2012 39.8
## 4 1 2013 34.2
## 5 1 2014 28
## 6 2 2010 36.6
## 7 2 2011 40.8
## 8 2 2012 40.6
## 9 2 2013 34.8
## 10 2 2014 28.4
## # ℹ 50 more rows
Un’altra cosa interessante è questo grafico, nonostante il fatturato è aumentato negli anni il tempo necessario per effettuare una vendita è diminuito. All’inzio dell’anno è sempre piu difficile vendere mentre verso la fine dell’anno tendezialmente i mesi necessari per vendere sono sempre di meno
pluto: inserire una label per facilitare la compresione della linea
===================================================================
line_chart_group (dataframe =dati_re_texas,
data_col =sales,
df_filter_1 =city,
df_filter_2 =year,
x_start = 0,
x_end = 0,
x_steps = 0,
title_desc = "Vendite divise per citta e anno ",
Y_desc = "Vendite",
X_desc = "Città / anno",
y_start = 0,
y_end = 5000,
y_steps = 500
) ## `summarise()` has grouped output by 'city'. You can override using the
## `.groups` argument.## # A tibble: 20 × 3
## city year tot_sum
## <chr> <int> <int>
## 1 Beaumont 2010 1874
## 2 Beaumont 2011 1728
## 3 Beaumont 2012 2063
## 4 Beaumont 2013 2414
## 5 Beaumont 2014 2564
## 6 Bryan-College Station 2010 2011
## 7 Bryan-College Station 2011 2009
## 8 Bryan-College Station 2012 2361
## 9 Bryan-College Station 2013 2854
## 10 Bryan-College Station 2014 3123
## 11 Tyler 2010 2730
## 12 Tyler 2011 2866
## 13 Tyler 2012 3162
## 14 Tyler 2013 3449
## 15 Tyler 2014 3978
## 16 Wichita Falls 2010 1481
## 17 Wichita Falls 2011 1275
## 18 Wichita Falls 2012 1349
## 19 Wichita Falls 2013 1455
## 20 Wichita Falls 2014 1404
Dal grafico si vede che le vendite seguono lo stesso schema durante i 4 anni: mediamente sono tutte aumentate in maniera proporzionale, sempre la città di Tyler ha la quantita di vendite maggiore
line_chart_group (dataframe =dati_re_texas_sales,
data_col =gain_force_1,
df_filter_1 =city,
df_filter_2 =year,
x_start = 0,
x_end = 0,
x_steps = 0,
title_desc = "Vendite divise per citta e anno ",
Y_desc = "Vendite",
X_desc = "Città / anno",
y_start = 0,
y_end = 450,
y_steps = 50
) ## `summarise()` has grouped output by 'city'. You can override using the
## `.groups` argument.## # A tibble: 20 × 3
## city year tot_sum
## <chr> <int> <dbl>
## 1 Beaumont 2010 1.08
## 2 Beaumont 2011 0.987
## 3 Beaumont 2012 1.22
## 4 Beaumont 2013 1.47
## 5 Beaumont 2014 1.61
## 6 Bryan-College Station 2010 1.27
## 7 Bryan-College Station 2011 1.23
## 8 Bryan-College Station 2012 1.46
## 9 Bryan-College Station 2013 2.05
## 10 Bryan-College Station 2014 2.83
## 11 Tyler 2010 0.894
## 12 Tyler 2011 0.927
## 13 Tyler 2012 1.08
## 14 Tyler 2013 1.21
## 15 Tyler 2014 1.49
## 16 Wichita Falls 2010 1.55
## 17 Wichita Falls 2011 1.30
## 18 Wichita Falls 2012 1.51
## 19 Wichita Falls 2013 1.73
## 20 Wichita Falls 2014 1.60
Questa nuovo parametro creato il “gain_force” mi indica il numero di vendite effettuate sul numero di annunci attivi. Nel Bryan-college la strategia è molto vincente, inoltre è aumentata durante gli anni .
line_chart_group (dataframe =dati_re_texas_sales,
data_col =months_inventory,
df_filter_1 =city,
df_filter_2 =year,
x_start = 0,
x_end = 0,
x_steps = 0,
title_desc = "Vendite divise per città e anno ",
Y_desc = "Vendite",
X_desc = "Città / anno",
y_start = 0,
y_end = 450,
y_steps = 50
) ## `summarise()` has grouped output by 'city'. You can override using the
## `.groups` argument.## # A tibble: 20 × 3
## city year tot_sum
## <chr> <int> <dbl>
## 1 Beaumont 2010 131.
## 2 Beaumont 2011 141.
## 3 Beaumont 2012 129.
## 4 Beaumont 2013 105.
## 5 Beaumont 2014 91.7
## 6 Bryan-College Station 2010 104
## 7 Bryan-College Station 2011 118.
## 8 Bryan-College Station 2012 107.
## 9 Bryan-College Station 2013 78
## 10 Bryan-College Station 2014 52.6
## 11 Tyler 2010 152.
## 12 Tyler 2011 162.
## 13 Tyler 2012 139
## 14 Tyler 2013 122.
## 15 Tyler 2014 105.
## 16 Wichita Falls 2010 92.2
## 17 Wichita Falls 2011 103.
## 18 Wichita Falls 2012 98.5
## 19 Wichita Falls 2013 85.6
## 20 Wichita Falls 2014 89.3
Il miglior venditore sembra essere proprio a Bryan-college, infatti anche la quantità di mesi per vendere l’immobile che quindi si traduce per velocità di vendita è sempre Bryan-college.
line_chart_group (dataframe =dati_re_texas_sales,
data_col =avg_sale,
df_filter_1 =city,
df_filter_2 =year,
x_start = 0,
x_end = 0,
x_steps = 0,
title_desc = "Vendite divise per città e anno ",
Y_desc = "Vendite",
X_desc = "Città / anno",
y_start = 0,
y_end = 450,
y_steps = 50
) ## `summarise()` has grouped output by 'city'. You can override using the
## `.groups` argument.## # A tibble: 20 × 3
## city year tot_sum
## <chr> <int> <dbl>
## 1 Beaumont 2010 1758989.
## 2 Beaumont 2011 1751063.
## 3 Beaumont 2012 1697711.
## 4 Beaumont 2013 1800948.
## 5 Beaumont 2014 1789712.
## 6 Bryan-College Station 2010 2095222.
## 7 Bryan-College Station 2011 2084268.
## 8 Bryan-College Station 2012 2152327.
## 9 Bryan-College Station 2013 2247790.
## 10 Bryan-College Station 2014 2432452.
## 11 Tyler 2010 1914451.
## 12 Tyler 2011 1922976.
## 13 Tyler 2012 1986396.
## 14 Tyler 2013 2094022.
## 15 Tyler 2014 2142762.
## 16 Wichita Falls 2010 1440390.
## 17 Wichita Falls 2011 1357723.
## 18 Wichita Falls 2012 1406703.
## 19 Wichita Falls 2013 1475092.
## 20 Wichita Falls 2014 1485892.
Anche il prezzo medio e mediano indicano come città di riferimento Bryan-College
PUNTO 9: Considerazione finali
Considerando i vari grafici, abbiamo capito che la zona di Tyler è la migliore, ma se analizziamo i vari grafici e sopratutto la colonna che abbiamo creato “Gain_force_1” e il “months_inventory” capiamo che il venditore del Bryan-College risulta il migliore. Le case vengono vendute più velocemente e il fattore case vendute rapportato agli annunci e nettamente il migliore, oltre ad avere prezzi medi e mediani superiori agli altri.
Consiglierei all’immobiliare di tracciare tecniche operative e di marketing basate sul venditore di Bryan college.