California Housing

该数据集是加州住房数据集的一个修改版本，源自Luís Torgo的页面（波尔图大学）。数据集最初来自现已关闭的StatLib存储库，也可以从StatLib镜像下载。该数据集基于1990年美国人口普查数据构建，每行代表一个人口普查区块组。数据集包含经纬度、住房中位年龄、总房间数、总卧室数、人口、家庭数、收入中位数、房屋价值中位数和海洋接近度等属性。

This dataset is a modified version of the California Housing Dataset, originally sourced from Luís Torgo's page at the University of Porto. The dataset was initially obtained from the now-defunct StatLib repository and is also available for download from StatLib mirrors. Constructed based on the 1990 U.S. Census data, each row in the dataset represents a census block group. It includes attributes such as latitude, longitude, median age of housing, total number of rooms, total number of bedrooms, population, number of households, median income, median house value, and proximity to the ocean.

原始信息汇总

California Housing 数据集概述

数据来源

• 该数据集是加州住房数据集的一个修改版本，原始数据集来自Luís Torgo的页面（波尔图大学），最初从StatLib库获取。
• 数据集基于1990年加州人口普查数据构建，每行代表一个普查区块组。

数据调整

• 从total_bedrooms列中随机移除了207个值，用于讨论缺失数据的处理。
• 新增了一个分类属性ocean_proximity，用于描述区块组与海洋的相对位置。

数据描述

• 属性列表：

  • longitude：经度
  • latitude：纬度
  • housing_median_age：住房中位年龄
  • total_rooms：总房间数
  • total_bedrooms：总卧室数
  • population：人口
  • households：家庭数
  • median_income：收入中位数
  • median_house_value：住房价值中位数
  • ocean_proximity：与海洋的相对位置

• ocean_proximity分类统计：

  • <1H OCEAN：9136
  • INLAND：6551
  • NEAR OCEAN：2658
  • NEAR BAY：2290
  • ISLAND：5

数据集特点

• 数据集包含地理和住房相关的多种属性，特别关注住房价值和地理位置的关系。

搜集汇总

数据集介绍

构建方式

California Housing数据集基于1990年加利福尼亚州人口普查数据构建，最初由Pace和Barry在1997年的研究中提出。该数据集以人口普查区块组为单位，每个区块组代表一个地理单元，通常包含600至3,000人。数据集经过修改，删除了部分total_bedrooms列的数据，并添加了一个名为ocean_proximity的分类属性，用于描述区块组与海洋的相对位置关系。

特点

该数据集包含20,640个样本，涵盖了经度、纬度、房屋中位年龄、总房间数、总卧室数、人口、家庭数量、收入中位数和房屋价值中位数等特征。其中，total_bedrooms列存在207个缺失值，ocean_proximity列则提供了区块组与海洋的接近程度分类，包括近海、近湾区、内陆和岛屿等类别。这些特征使得数据集适用于探索空间自回归、缺失数据处理以及分类数据分析等任务。

使用方法

使用该数据集时，可通过Python环境加载数据，并利用pandas等工具进行数据探索和预处理。数据集适用于回归分析、分类任务以及地理空间分析。用户可以通过分析房屋价值与地理位置、收入等因素的关系，构建预测模型。此外，数据集中的缺失值和分类特征为数据清洗和特征工程提供了实践机会。建议在虚拟环境中安装依赖库，以确保代码的可重复性和环境隔离。

背景与挑战

背景概述

California Housing数据集源自1997年Pace, R. Kelley和Ronald Barry在《Statistics and Probability Letters》期刊上发表的论文《Sparse Spatial Autoregressions》。该数据集基于1990年加利福尼亚州的人口普查数据构建，旨在研究空间自回归模型在房价预测中的应用。数据集中的每一行代表一个普查区块组，这是美国人口普查局发布样本数据的最小地理单位。该数据集不仅为空间统计学研究提供了重要参考，还为机器学习领域中的回归分析和特征工程提供了丰富的实验数据。其影响力延伸至房地产经济学、城市规划以及机器学习模型的开发与验证。

当前挑战

California Housing数据集在应用过程中面临多重挑战。首先，数据集中存在缺失值，例如total_bedrooms列中有207个随机缺失值，这要求研究者开发有效的数据填补策略。其次，新增的ocean_proximity分类属性虽然为地理位置分析提供了便利，但也引入了如何处理分类数据的挑战，尤其是在模型训练中如何将其有效编码为数值特征。此外，数据集的规模虽适中，但其空间特性（如经纬度）和多元特征（如收入、人口密度）使得模型设计复杂化，如何在保持模型简洁性的同时捕捉空间依赖性成为一大难题。这些挑战不仅考验数据处理能力，也对模型的泛化性能提出了更高要求。

常用场景

经典使用场景

California Housing数据集广泛应用于房地产市场的预测与分析，特别是在地理信息系统（GIS）和空间数据分析领域。研究者利用该数据集中的地理坐标、房屋中位年龄、房间总数等特征，构建模型预测加州不同地区的房价。此外，数据集中的海洋接近度分类变量为研究地理因素对房价的影响提供了重要依据。

解决学术问题

该数据集为解决空间自回归模型中的稀疏性问题提供了实验基础。通过分析加州不同地区的房价分布，研究者能够探讨地理因素、人口密度和经济收入对房价的影响机制。此外，数据集中的缺失值设计为处理不完整数据的学术研究提供了实践场景，推动了数据填补和插值方法的发展。

衍生相关工作

基于California Housing数据集，许多经典研究工作得以展开。例如，研究者开发了多种机器学习模型，如线性回归、决策树和随机森林，用于房价预测。此外，该数据集还催生了关于空间数据分析的新方法，如地理加权回归（GWR）和空间滞后模型，这些方法在经济学和地理学领域得到了广泛应用。