latam-real-estate-listings

LATAM Real Estate Listings数据集（v5版）是一个结构化数据集，包含哥斯达黎加和巴拿马的房地产挂牌信息，专为机器学习任务设计。数据来源于OpenSearch的`properties`（哥斯达黎加）和`pa_properties`（巴拿马）索引，经过过滤，仅包括状态为“已挂牌”、挂牌日期在截止日期（默认约5个月前）内、且具有价格及建筑面积（或回退面积）的记录。数据集规模为10,394行，每行代表一个（房产，交易类型）组合；如果房产同时支持出售和出租，则会扩展为两行，并通过`record_id`中的`:venta`/`:alquiler`后缀区分。语言以西班牙语为主，描述、标签、交易类型和房产类型均为西班牙语，`place_kind`字段使用语言无关的蛇形命名机器码。数据集包含28个特征字段，核心字段包括：唯一记录标识符`record_id`（格式为`{国家代码}:{文档ID}:{交易类型}`）、国家`country`、三级行政区划名称（`admin_level_1`至`admin_level_3`）、标准化的开发类型分类`place_kind`及其西班牙语标签`place_kind_label_es`和粗粒度类别`place_kind_categoria`（分为`residencial`、`comercial`、`mixto`）、人工验证标志`human_verified`、房产类型和子类型（西班牙语规范名称，如`apartamento`、`casa`）、交易类型`operation_type`（`venta`出售或`alquiler`出租）、价格信息（原始`price`和`currency`、换算为美元的`price_usd`和`price_per_m2_usd`）、面积信息（`built_area_m2`建筑面积和`lot_area_m2`地块面积）、房间数量（`bedrooms`卧室、`bathrooms`浴室、`parking_spaces`停车位）、`construction_year`建造年份、`condition`状况、数组形式的`amenities`设施和`features`特征、Markdown格式的`description_md`描述文本以及`listing_month`挂牌月份。`place_kind`分类是数据集的关键特征，用于按开发类型对房源进行分组或特征化，它通过属性文档上的明确值、关联的复合体查找或国家默认值（哥斯达黎加默认为`condominio_horizontal`，巴拿马默认为`ph_horizontal`）进行解析。数据集适用于多种任务，包括自然语言处理、建模、搜索、推荐、价格预测等。数据在导出时经过验证，确保列集和顺序正确、无重复记录ID、交易类型和国家有效，且每行都具有非空的`place_kind`和`place_kind_label_es`。统计显示，数据按国家分布为哥斯达黎加8,955条、巴拿马1,439条；按交易类型分布为出售8,465条、出租1,929条；主要的`place_kind`为`condominio_horizontal`（8,942条）和`ph_horizontal`（1,415条）。数据集采用MIT许可证，旨在用于研究和模型训练。LATAM Real Estate Listings Dataset (v5) is a structured dataset containing real estate listing information from Costa Rica and Panama, specifically designed for machine learning tasks. The data is sourced from the `properties` (Costa Rica) and `pa_properties` (Panama) indices of OpenSearch, and filtered to retain only records with status "active listings", listing dates within the cutoff period (default ~5 months prior), and with both price and either built area or fallback area. The dataset has 10,394 rows, where each row represents a (property, transaction type) combination; if a property supports both sale and rental, it will be expanded into two rows, distinguished by the `:venta`/`:alquiler` suffix in the `record_id` field. The primary language of the dataset is Spanish, with descriptions, tags, transaction types and property types all in Spanish, while the `place_kind` field uses language-agnostic snake_case machine codes. The dataset includes 28 feature fields, with core fields as follows: the unique record identifier `record_id` (formatted as `{country code}:{document ID}:{transaction type}`), `country`, tertiary administrative division names (`admin_level_1` to `admin_level_3`), standardized development type classification `place_kind` along with its Spanish label `place_kind_label_es` and coarse-grained category `place_kind_categoria` (divided into `residencial`, `comercial`, `mixto`), manual verification flag `human_verified`, property type and subtype (standardized Spanish names such as `apartamento`, `casa`), transaction type `operation_type` (`venta` for sale or `alquiler` for rental), price information (original `price` and `currency`, USD-converted `price_usd` and `price_per_m2_usd`), area information (`built_area_m2` built area and `lot_area_m2` lot area), number of rooms (`bedrooms`, `bathrooms`, `parking_spaces`), `construction_year`, `condition`, array-formatted `amenities` and `features`, Markdown-formatted `description_md` description text, and `listing_month` listing month. The `place_kind` classification is a key feature of the dataset, used to group or featurize listings by development type. It is resolved through explicit values on property documents, associated complex lookups, or national default values (Costa Rica defaults to `condominio_horizontal`, Panama defaults to `ph_horizontal`). The dataset is applicable to a wide range of tasks including natural language processing, modeling, search, recommendation, price prediction, etc. The data was validated upon export to ensure correct column set and order, no duplicate record IDs, valid transaction types and countries, and that each row has non-null `place_kind` and `place_kind_label_es`. Statistical analysis shows the dataset is distributed as 8,955 entries for Costa Rica and 1,439 entries for Panama by country; 8,465 sales listings and 1,929 rental listings by transaction type; the dominant `place_kind` values are `condominio_horizontal` (8,942 entries) and `ph_horizontal` (1,415 entries). The dataset is licensed under MIT, intended for research and model training purposes.

原始信息汇总

LATAM Real Estate Listings 数据集概述

基本信息

• 数据集名称：LATAM Real Estate Listings
• 版本：v5
• 语言：西班牙语
• 许可证：MIT
• 数据集大小：10,000 < n < 100,000，实际包含 10,394 条记录
• 任务类型：表格回归、特征提取、文本分类

数据来源与覆盖范围

• 覆盖国家：哥斯达黎加（Costa Rica）和巴拿马（Panamá）
• 数据来源：OpenSearch 中的 properties（哥斯达黎加）和 pa_properties（巴拿马）索引
• 数据筛选条件：状态为 listed，上市日期在截止日期（约5个月）内，且必须包含价格和建筑面积
• 数据行结构：每条记录对应一个（房产，交易类型）组合，sale_and_rental 类型的房产会展开为两行

数据字段

字段名	类型	说明
record_id	string	记录ID，格式为 {CR 或 PA}:{firestore_id}:{venta 或 alquiler}
country	string	国家
admin_level_1	string	一级行政区（省/州）
admin_level_2	string	二级行政区（县/区）
admin_level_3	string	三级行政区
place_kind	string	场所类型机器代码（推荐用于建模）
place_kind_label_es	string	场所类型西班牙语标签
place_kind_categoria	string	场所类型粗分类：residencial、comercial 或 mixto
human_verified	bool	是否经过人工验证
property_type	string	房产类型（如 apartamento、casa）
property_subtype	string	房产子类型
operation_type	string	交易类型：venta（出售）或 alquiler（出租）
price	float64	价格（原币种）
currency	string	币种
price_usd	float64	美元价格
price_per_m2_usd	float64	每平方米美元价格
built_area_m2	float64	建筑面积（平方米）
lot_area_m2	float64	土地面积（平方米）
bedrooms	int64	卧室数量
bathrooms	int64	浴室数量
parking_spaces	int64	停车位数量
construction_year	int64	建造年份
condition	string	房产状况
amenities	sequence[string]	配套设施列表
features	sequence[string]	特色功能列表
description_md	string	描述文本（Markdown格式）
listing_month	string	上市月份

场所类型（place_kind）分类

哥斯达黎加

默认值：condominio_horizontal

place_kind	标签	分类
condominio_horizontal	水平公寓	住宅
condominio_vertical	垂直公寓	住宅
condominio_mixto	混合公寓	混合
oficentro	办公中心	商业
parque_empresarial	企业园区	商业
zona_franca	自由区	商业
plaza_comercial	商业广场	商业
ofibodega	办公仓储	商业

巴拿马

默认值：ph_horizontal

place_kind	标签	分类
ph_vertical	垂直产权房	住宅
ph_horizontal	水平产权房	住宅
ph_mixto	混合产权房	混合
ph_comercial	商业产权房	商业
edificio_de_oficinas	办公楼	商业
parque_corporativo	企业园区	商业
zona_libre	自由区	商业
plaza_comercial	商业广场	商业

数据验证

• 确保字段名称和顺序精确匹配
• 无重复的 record_id
• 所有行均有有效的 operation_type 和 country
• 每行均有非空的 place_kind 和 place_kind_label_es

数据统计（v5版本）

• 行数：10,394
• 按国家统计：哥斯达黎加 8,955 条，巴拿马 1,439 条
• 按交易类型统计：出售 8,465 条，出租 1,929 条
• 按场所类型统计：condominio_horizontal 8,942 条，condominio_vertical 13 条，ph_horizontal 1,415 条，ph_vertical 24 条
• 数据文件格式：train.parquet
• 运行日期：2026-06-21
• 截止月份：2026-01

搜集汇总

数据集介绍

构建方式

该数据集聚焦于拉丁美洲房地产领域，整合了哥斯达黎加与巴拿马两国已挂牌的房地产物业信息。其构建依托OpenSearch索引，通过精心设计的筛选条件，仅保留处于'已挂牌'状态、上市日期在约五个月内的记录，且确保每条数据均包含价格及建筑面积（含后备面积）。数据以每项物业与其交易类型（出售或租赁）的配对为基本行单元，对于同时挂牌出售与租赁的物业，则通过扩展为两行数据并添加相应后缀来处理。记录ID格式遵循国家代码、Firestore标识符与交易类型的统一规范，保障了数据的唯一性与可追溯性。此外，数据集的创建过程中执行了严格的验证程序，包括检查列精确性、消除重复记录及确保关键字段的非空性。

使用方法

数据集以Parquet格式提供，便于高效加载与处理。在Hugging Face生态中，用户可通过datasets库直接加载default配置下的训练集，获取包含记录标识、地理行政划分、房产属性、交易信息、价格明细及文本描述在内的25个字段。该数据集适用于多项任务：对于表格回归任务，可利用price_usd、built_area_m2等数值字段预测房价；对于特征提取，可依据place_kind、property_type等分类字段构建嵌入；对于文本分类，description_md字段中的西班牙语描述可用于分析房产类型与状况。用户还可灵活利用amenities与features列表字段进行多标签分类或推荐系统开发。由于数据采用西班牙语优先策略，基于该数据集训练的模型将能更精准地服务于拉丁美洲的房地产应用场景。

背景与挑战

背景概述

拉丁美洲房地产列表数据集（latam-real-estate-listings）由研究团队于2026年创建，专注于哥斯达黎加与巴拿马两国房地产市场的结构化数据采集与标准化。该数据集汇聚了来自OpenSearch索引的万余条活跃房源记录，涵盖从垂直公寓到商业办公中心的多样化物业类型，并以西班牙语为主进行标签与描述，旨在为自然语言处理、价格预测、推荐系统及多模态检索等研究提供基准资源。其核心创新在于引入了统一的场所分类体系（place_kind），透过机器标识码与粗粒度类别（如居住、商业、混合）实现了跨国、跨物业类型的规范对齐，为拉丁美洲房地产领域的量化分析与跨境比较研究奠定了重要基础。

当前挑战

该数据集所面临的挑战涵盖领域问题与构建过程两个层面。在领域层面，拉丁美洲房地产信息碎片化严重，房源数据常分散于不同平台且格式不统一，价格、面积及设施信息缺乏标准化，使得跨数据源的回归预测与分类任务遭遇显著异质性障碍。在构建过程中，团队需要从两国异构的原始数据源中提取并清洗房源记录，处理缺失的面积与价格字段，同时为不同国家的物业类型（如哥斯达黎加的condominio_horizontal与巴拿马的ph_horizontal）映射统一的场所分类标签，并确保属性规范在数据合并时保持一致性。此外，出租与出售双向操作记录的扩展逻辑以及行政管理层级的地理对齐也为数据生产增添了额外复杂度。

常用场景

经典使用场景

该数据集汇聚了哥斯达黎加与巴拿马两国的房地产挂牌信息，涵盖住宅、商业及混合用途等多种物业类型。每一笔记录均配备了详尽的结构化字段，诸如行政区域层级、物业形态分类、建筑面积、房间数量、配套设施以及市场挂牌价格等。这一丰富而标准化的数据结构，使其成为构建房地产价值评估模型、自动分类物业类型以及开展跨区域市场比较分析的理想基石。研究者可借此展开特征工程与多模态学习，将文本描述与数值属性相融合，精准预测房地产市场的关键指标。

解决学术问题

在中美洲房地产数据稀缺且异质性显著的背景下，该数据集系统性地填补了稀疏数据所导致的研究空白。它为解答区域房价决定因素、物业供需弹性以及地段与建筑特征对定价影响的学术命题提供了量化实证。数据集中包含的人机验证标识与行政层级划分，亦为研究数据质量对预测模型稳健性的影响、以及多层级地理信息在空间计量经济学中的应用开辟了新的探索维度，有力推动了拉美地区房地产科学研究的严谨化与数据驱动化进程。

实际应用

在实际应用层面，该数据集为房地产科技企业提供了构建智能推荐系统、精准定价引擎及市场动态监控平台的原料。房产中介平台可借助其中详尽的物业特征与价格信息，训练房源自动估值算法，显著提升估价效率与透明度。金融机构可将其运用于抵押贷款风险评估，通过分析物业类型、地段与历史交易价格，完善风控模型。此外，跨国的定价对比能力亦为投资者的跨境资产配置提供了可量化的决策支持，使得市场分析从经验直觉转向数据洞察。

数据集最近研究

最新研究方向

该数据集聚焦于拉丁美洲房地产市场的结构化与非结构化数据融合分析，前沿方向包括基于多模态特征的房产价格预测模型、利用西班牙语文本描述与地理行政层级信息进行房源检索与推荐系统优化，以及通过place_kind标准化分类实现跨区域物业类型对比研究。结合拉美地区城镇化加速与数字化房产平台兴起的背景，该数据集为探索新兴市场中房屋定价机制、空间分布规律与用户行为模式提供了高颗粒度样本，尤其对哥斯达黎加和巴拿马两国房产市场的计量经济学建模与自然语言处理应用具有重要基准意义。