Segunda parte aquí.
Supongamos que mi deseo es tener una casa propia. Una fracción de ciudad que llamar mi hogar y por la cual deberé pagar con diligencia cuotas mensuales a un banco por una buena parte del resto de mi vida.
Parece una decisión importante y no se debe tomar a la ligera. Supongamos también por un momento que no estoy en quiebra y que puedo realmente pagar una casa ( o cuanto menos adquirir un préstamo lo suficientemente enorme)
Bajo ese supuesto, me dispuse a extraer datos de propiedades finca raíz en la ciudad de Bogotá, diseñe un script muy sencillo utilizando Python, Selenium y BeautifulSoup para iterar sobre paginas web de compra y venta de inmuebles en busca de la casa de mis sueños. Técnicamente este proceso se conoce como scraping
Termine el proceso con cerca de 18 mil puntos de datos entre apartamentos ( unos 13 mil ) y casas ( mas 5 mil ) distribuidas en la ciudad de Bogotá ( vale la pena notar que el experimento podría repetirse en otras ciudades )
A continuación muestro algunos de los resultados que pude obtener del experimento.
Relación área vs precio
¿que tanto mas espacio puede comprar mi dinero?
Aquí una gráfica:
En general existe una relación lineal entre precio y área, sin embargo hay notables puntos fuera de la tendencia, si fuera mi intención pondría mi dinero en esos puntos. Apartamentos grandes a precios económicos.
El caso de las casas es similar:
La tendencia lineal no es tan clara, los puntos de datos están mucho mas disperso ( con n Millones hay una gran variedad de tamaños que se pueden encontrar) Una vez mas, creo que a la hora de tomar una decisión es bueno tener el panorama completo…
Precios por zonas
Los datos recolectados incluían información de la zona de Bogotá en las que se encuentra el inmueble.
Veamos como se comparan los precios promedio en la diferentes zonas:
Como era de esperarse en sector mas costoso es el Norte con un precio promedio de apartamento cercano a los 500 millones.
Para las casas:
En este caso el sector mas costoso resulta ser Chapinero. Interesante. Una casa en el sur ronda los 250 millones.
Hay varios inmuebles que no registran datos de la zona ( las barras rosa en las gráficas anteriores )
Numero de baños por metro cuadrado
Esta es una métrica que me parece muy importante a la hora de encontrar un lugar al que llamar hogar , y que no se le da la atención apropiada. Hay pocas cosas peores que no encontrar suficientes baños incluso en tu propia casa.
Ummm parece que Chapinero no sale muy bien parado en esta métrica. Definitivamente las mejores opciones para siempre contar con un baño son el sector Norte y Occidente.
Veamos la misma métrica para el caso de las casas:
Definitivamente el sector Sur se raja en este indicador. En este caso definitivamente preferiría una casa en el norte.
Un mapa
Es posible visualizar en un mapa los diferentes puntos de datos ( ya que durante el proceso de minado se obtuvieron también las coordenadas geográficas de latitud y longitud ) Sin embargo dada la gran cantidad de puntos de datos y las limitaciones de la librería utilizada para graficar ( Plotly ) no resulta muy cómodo explorar los datos de esta forma, sin embargo el mapa puede ser encontrado en este link. Vale la pena notar que es probable que el navegador se ponga lento debido al tamaño del mapa.
Finale
Gran cantidad de otra información pudo ser recolectada, de hecho información que puede ser considerada sensible ( nombres de dueños, números de teléfonos y correos ) razón por la cual no hago publico los datos utilizados en este experimento.
El análisis puede extenderse un poco mas y de hecho me parece que seria interesante proponer un modelo para calcular el precio de los inmuebles con base a las otras variables ( sector, número de habitaciones o baños, garajes etc )
Si el articulo te ha parecido interesante no dudes en dar al botón de aplauso y seguirme en medium. Mas ideas data scientificas están por venir.
