Python大数据分析实战：北上广住房数据爬虫、清洗与建模全流程

每年一到毕业设计季，我都会收到好几个学生发来类似的消息：“老师，我想做个Python大数据分析的题目，比如北上广住房数据分析，能不能行？”我的回答通常是：题目完全能行，但你可能低估了数据获取和清洗的工作量。每年都有人抱着“下载一份二手房数据集、画几张图表、跑个回归”的思维开始做，结果发现网上找来的数据集要么字段不全，要么只有某一天的快照，画完图根本解释不了城市差异，论文写起来全是流水账。

我写这篇文章，是想把“基于Python大数据分析的北上广住房数据分析”这个题目从选题、数据获取、清洗、指标体系、建模、可视化的完整链路拆开讲一遍，中间穿插我自己做类似项目时踩过的坑和实际处理办法。适合正在为毕业设计发愁、Python基础学完但没完整做过项目的同学，也适合已经写完初稿、想对照着查漏补缺的人。

先给一个整体判断：这个题目的技术门槛其实不高，核心难点在于“数据能不能自圆其说”。只要数据来源靠得住、清洗逻辑讲得清、图表能支撑结论，论文的分数不会低。下面按一个完整项目的推进顺序来展开。

1. 选题逻辑：为什么“北上广住房数据分析”是合适的毕业设计题目

1.1 一个题目覆盖完整的数据分析流程

毕业设计和平时上课做小作业最大的区别在于，你需要独立跑通一个“从数据到结论”的闭环。多数课程作业只让你处理一份现成的Excel，做两道描述统计，画两张柱状图就完事。而住房数据分析这个题目天然要求你走完整条链路。

先说数据获取。北上广的二手房、租房数据在链家、贝壳这类平台上实时更新，结构相对统一，字段也足够丰富。你有充分的素材去做爬虫，哪怕只用requests加BeautifulSoup也能写出一个能跑完的采集程序。数据获取之后是清洗，房源信息里“68平米”“南北朝向”“低楼层（共6层）”“单价45200元/平米”这种字符串字段随处可见，怎么解析成数值、怎么处理缺失值、怎么去重，全是硬核的数据预处理工作。再往后是指标体系设计、可视化呈现和简单的回归建模。每一步都有明确产物，不会出现“做了很久却不知道做出来什么”的情况。

站在老师的角度看，这种题目容易评估。过程有代码、中间有数据集、结果有图表和结论，工作量是一眼可见的。站在你自己的角度看，整条流程做下来，简历上也能多一个拿得出手的项目案例。

1.2 北上广三个城市的对比逻辑

为什么不是单一城市，也不是全国三百多个城市？这是题目的亮点所在。北上广分别代表华东、华北、华南三个区域的经济中心，城市规模、产业结构、政策导向都不一样，反映到住房数据上的差异非常明显。

如果只做北京一个城市，论文结论多半是“海淀最贵、朝阳成交量最多”这种被写了无数遍的话，没什么新意。但用三个城市做横向对比，你能引出的问题就多了：同为一线城市，房价结构差异到底有多大？三座城市的单价分布形态有什么不同？面积区间、房龄、户型和房价的关系在三个城市是否一致？这些对比性的结论比单城市描述更有讨论空间，也更容易在答辩时展开。

还有个现实考虑：链家等平台对不同城市的房源信息采用大致相同的页面结构，爬虫代码写一套就可以复用到三个城市，边际成本很低。前期只需要收集北京、上海、广州的对应URL入口，后面所有处理逻辑都可以统一处理。

1.3 同类型题目里的性价比

有人可能会问，为什么不选“全国城市房价分析”？当然可以，但全国范围的房价数据获取难度陡增，你需要处理非常分散的数据源，城市等级、统计口径、行政区划的差异会让清洗工作量翻好几倍。也有人选“Python爬取旅游网站数据”，这个话题不是不行，只是旅游数据多为评论和评分，文本分析上手难度较高，如果NLP基础不扎实，很容易做成一堆词云，发不了深入结论。

北上广住房数据分析的性价比在于：爬虫难度适中，数据分析方法都是最常用的Pandas和Matplotlib，可视化可以做地图、散点图、箱线图、热力图，回归可以根据论文需要加深到多元线性回归或随机森林。无论是想做个“中规中矩”的毕设，还是想冲一下优秀论文，这个题目都有足够的延展空间。

2. 数据获取方案：以二手房为例的采集思路与字段设计

2.1 先把数据源选清楚

我做这类项目时，最常被问到的第一句话是“老师，数据从哪里来”。目前可行的数据源大致有三类，我列个表对比一下。

我的建议是，主力使用链家或贝壳的二手房列表页。二手房数据比租房更稳定，房价相关因素（面积、朝向、楼层、装修、小区名称）结构化程度高，适合做回归分析。租房数据虽然也能做，但房源更替快、字段不全，房东的个人描述占比高，清洗麻烦不少。

2.2 分析目标页的URL规律

链家二手房的城市入口一般可以按拼音区分。比如北京是https://bj.lianjia.com/ershoufang/，上海是https://sh.lianjia.com/ershoufang/，广州是https://gz.lianjia.com/ershoufang/。这里不保证这些URL永远不变，关键是你在写爬虫前，一定要先打开页面，看清楚当前的实际结构。

列表页的分页规律通常是pg{n}，也就是https://bj.lianjia.com/ershoufang/pg2/代表第二页。我实际测试时发现，链家的搜索页最多只能翻到100页，所以如果你打算把全站房源爬完，是不现实的，至少要按区域再细分入口。更稳妥的做法是：每个城市按行政区分别获取，先进入区域页，再翻页采集。这样既控制了请求总次数，也让数据天然带上行政区字段。

2.3 爬虫代码框架和反爬注意事项

下面给一个我常用的采集框架，只做演示用途，核心是展示处理思路：

python复制import requests
from bs4 import BeautifulSoup
import pandas as pd
import time
import random

HEADERS = {
    "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 "
                  "(KHTML, like Gecko) Chrome/120.0 Safari/537.36"
}

def fetch_page(city_url, page):
    url = f"{city_url}pg{page}/"
    resp = requests.get(url, headers=HEADERS, timeout=10)
    resp.encoding = "utf-8"
    return BeautifulSoup(resp.text, "html.parser")

def parse_list(soup):
    items = []
    for li in soup.select(".sellListContent li"):
        title_elem = li.select_one(".title a")
        if not title_elem:
            continue
        house_info = li.select_one(".houseInfo")
        total_price_elem = li.select_one(".totalPrice span")
        unit_price_elem = li.select_one(".unitPrice span")
        items.append({
            "title": title_elem.text.strip(),
            "house_info": house_info.text.strip() if house_info else "",
            "total_price": total_price_elem.text.strip() if total_price_elem else "",
            "unit_price": unit_price_elem.text.strip() if unit_price_elem else ""
        })
    return items

这个框架只做了最简单的事，但里面有两个细节值得你注意。第一个是resp.encoding，链家页面本身是UTF-8，但你如果只依赖requests自动推测编码，偶尔会出现中文乱码，手动指定更稳妥。第二个是CSS选择器.sellListContent li，这是跟随页面结构来写的，页面一改版就可能失效，所以不要把这个选择器当成永久方案。

爬取过程中最麻烦的是反爬。实际遇到的情况是：连续请求几十页没问题，再往后就会出现验证码页面，或者某个IP直接被临时封禁几小时。我的经验是：

• 每次请求之间加随机延时，比如1到3秒随机，别用固定值。
• 如果项目时间充裕，把采集任务拆成多个时间段执行，分几天跑完。
• 不要贪多，每个城市抓几千条样本就足够做毕业设计了，不用追求全量数据。
• 如果页面内容是通过JavaScript动态加载的，requests拿不到数据，再考虑用Selenium。但Selenium更慢也更费内存，能用requests就别开浏览器。

2.4 字段设计与入库

拿到原始HTML之后，我建议先解析成一个统一结构的DataFrame，再统一入库。字段设计是后面分析的地基，建议至少包含下面这些：

其中unit_price字段我建议从字符串“单价66861元/平米”里直接提取数字，转成int。total_price同理。area则是“68.5平米”转成float。这些转换听着简单，实际写起来有一堆边界情况，比如有的房源面积写成“暂无数据”，有的价格写成“价格待定”，这些都要在清洗环节处理。

入库方案我推荐最简单的方式：CSV文件。毕业设计阶段用MySQL反而分散精力，你还要写建表语句、处理连接，纯粹浪费时间。如果非要体现数据库能力，可以用SQLite，零配置，一个文件搞定，论文里也能写“使用SQLite进行数据持久化”。按城市分别存成三个CSV，分析时再用Pandas合并，是性价比最高的做法。

3. 数据清洗与预处理：决定论文质量的关键环节

3.1 字符串字段的解析与类型转换

爬下来的数据通常是下面这个样子：

code复制"title": "南北通透，精装修，满五唯一，业主诚心出售"
"house_info": "2室1厅1卫 / 68.5平米 / 南北 / 低楼层（共6层） / 精装 / 板楼"
"total_price": "458"
"unit_price": "66861元/平米"

这种格式看着整齐，实际切分时却很考验耐心。我的建议是不要用正则硬刚，而是先按/分割。houseInfo字段的分隔符一般是/，切分后依次对应户型、面积、朝向、楼层、装修、建筑类型。但这里有个陷阱：有些房源字段缺失，比如“2室1厅1卫 / 68.5平米 / 南北 / 低楼层（共6层） / 精装”只有5段，如果你按固定位置索引，后面的字段就会错位。

我在处理这类数据时，一般是先定义一个解析函数，用关键词去匹配每一个子字段。比按位置索引更鲁棒。比如：

python复制def parse_house_info(info_str):
    result = {"layout": "", "area": None, "orientation": "",
              "floor": "", "decoration": "", "building_type": ""}
    parts = [p.strip() for p in info_str.split("/")]
    for p in parts:
        if "室" in p and "厅" in p:
            result["layout"] = p
        elif "平米" in p:
            try:
                result["area"] = float(p.replace("平米", "").strip())
            except ValueError:
                pass
        elif p in ["南", "北", "南北", "东西", "东南", "西南"]:
            result["orientation"] = p
        elif "楼层" in p:
            result["floor"] = p
        elif "装修" in p or p.endswith("装"):
            result["decoration"] = p
    return result

把户型、面积、朝向、楼层分别识别出来，如果某一段没有被任何规则匹配上，就保留到原始信息中，人工排查或直接丢弃。

3.2 单位、编码和去重

三个城市的房源信息来自同一个平台，理论上单位是一致的，但“万元”“元/平米”“平米”混在一起的情况并不少见。我处理时统一按以下规则转换：

• total_price统一转为总价（单位：万元），保留int。
• unit_price统一转为单价（单位：元/平米），保留int。
• area统一转为float，单位：平米。

去重逻辑也值得一提。链家房源有唯一编号（一般藏在详情页URL里），但在列表页不一定直接暴露。退而求其次，可以用“小区名+户型+面积+朝向+总价”这组字段做联合唯一标识。如果这几个字段完全相同，基本可以认定是同一条房源。实际操作中，我见过有同学把重复数据留在了样本里，导致后面统计时某个小区被重复计数，画出来的图明显失真，这个坑要提前避开。

编码问题是很多新手会遇到的。如果你用Windows自带记事本操作CSV，保存时可能是GBK或UTF-8 BOM，Pandas读进来中文就变乱码。我通常会在代码开头强制指定：

python复制df = pd.read_csv("beijing.csv", encoding="utf-8-sig")

utf-8-sig能兼容带BOM的文件，分析结束后再用统一的utf-8编码保存。

3.3 缺失值与异常值处理

房源数据中必然存在缺失值。比如“面积暂无数据”“朝向暂无数据”“总价待定”，不同的平台写法还不一样。我的处理策略是分级判断：

• 关键数值字段（面积、总价、单价）缺失时，直接删除该记录。因为这些字段是后面回归分析的核心变量，缺失就没有分析价值。
• 非关键字段（装修、建筑类型）缺失时，用“未知”填充。这样既保留了样本量，又不影响主要结论。
• 朝向如果缺失，单独归类为“其他”。

异常值方面，北上广的二手房单价存在比较大的区间。我见过有人样本里混入“单价2000元/平米”的房源，这种明显是数据抓错或平台测试房源。比较稳妥的做法是结合均值加减三倍标准差做过滤，同时设定一个业务上的合理范围。比如对于北上广，单价低于1万元或高于25万元可以认为是异常；面积低于10平方米或超过500平方米也可以剔除。这些阈值不是绝对的，你要根据自己抓到的实际分布来调整，并在论文里写明剔除规则。

3.4 构造行政区字段

链家列表页的URL里其实已经包含了区域信息，比如https://bj.lianjia.com/ershoufang/haidian/表示海淀区。我在爬虫代码里就会把区域信息直接写入数据，而不是等清洗时再去匹配。如果你爬的时候没有拿区域，后面补救会很麻烦，因为链家房源详情页里通常有小区地址，但那是文本描述，不好和行政区一一对应。

如果你想着重分析“城市–区域–房价”的梯度效应，行政区字段是必不可少的。它可以直接用来做区域均价排行、热力图、地图散点图，也能作为回归分析中的分类变量。

4. 指标体系与建模：如何让分析不止于“描述”

4.1 明确你想要回答的问题

数据清洗完之后，先别急着跑程序。写论文的人一定要先想清楚：你要回答什么问题？我总结下来，北上广住房数据分析通常围绕三个问题展开。

第一个问题是“现状是什么”：三个城市的房价水平、面积区间、户型分布有什么差异。这部分用描述统计就可以回答，是论文的基础章节。

第二个问题是“房价和哪些因素相关”：面积、房龄、朝向、楼层、装修、区域，各自对房价的影响有多大？这部分需要用到相关性分析和回归分析，是论文的核心章节。

第三个问题是“不同城市的影响因素是否一致”：比如在北京，可能区域因素远比面积重要；在广州，面积和总价的比值关系和北京可能不同。这种城市间对比，能让论文的分析深度明显上一个台阶。

4.2 描述统计与分布形态

拿到三个城市的清洗后数据，第一步建议做一个汇总表：

注意，这些数字是我随手写的示例，不代表真实数据。你要以自己实际抓到数据为准，但不妨留意两个分析点：一是均值和中位数的差值能反映极端值的影响，广州和北京之间的差异往往比想象中大；二是样本量是否够大，如果某个城市只有几百条，后面做区域细分时会很不稳定。

我还建议对单价做对数变换。房价数据通常右偏，直接用原始单价做回归，误差项会存在异方差。取对数后，分布更接近正态，回归结果更可靠。这一步在论文里可以写“为了消除量纲和异方差影响，对单价取自然对数”。

4.3 相关性分析与可视化前的预判

用Pandas做相关性矩阵非常简单：

python复制corr_cols = ["area", "total_price", "unit_price", "bedroom_num"]
print(df[corr_cols].corr())

但看过太多同学直接把所有数值字段丢进去算相关性，然后发现“总价和单价高度相关”这种废话结论。相关性分析一定要带着业务判断去做。比如：

• total_price和area高度正相关，这是常识，但你可以在论文里进一步分析“总价随面积的弹性”。
• unit_price和area可能负相关，小户型单价高在一线城市很常见。
• floor_level如果编码成楼层数字，也可以看看它对单价的影响。

4.4 多元线性回归模型的设计

毕业设计层面，我个人推荐优先用多元线性回归，而不是一上来就上随机森林或XGBoost。原因很实际：回归模型的系数可以直接解释“面积每增加一平米，单价变化多少”，这种解释性是你答辩时的底气。机器学习模型预测精度可能更高，但对本科生论文来说，解释性远比精度重要。

模型形式可以这样设计：

python复制import statsmodels.api as sm

df["log_unit_price"] = np.log(df["unit_price"])

X = df[["area", "bedroom_num", "building_age", "is_north_south"]]
X = sm.add_constant(X)
model = sm.OLS(df["log_unit_price"], X).fit()
print(model.summary())

其中bedroom_num可以从“2室1厅1卫”里提取居室数量，building_age需要根据“建成年代”计算房龄，is_north_south是判断朝向是否为南北的哑变量。这些都属于特征工程的一部分，工作量不小，但做完之后你会对数据理解深入很多。

跑完回归后，论文里至少要汇报以下几点：

• 模型的R²值，代表自变量能解释多少比例的房价变化。
• 每个自变量的系数、p值和置信区间。
• 哪些变量显著，哪些不显著，并给出合理解释。

如果想把论文拔高一点，可以分别对北京、上海、广州拟合三个模型，然后比较关键变量的系数差异。比如北京的面积系数如果比广州小，可能说明北京的房价更多由地理位置与政策因素决定，而不是单纯由面积驱动。这种城市间对比是答辩时的加分项。

5. 可视化呈现：图表是论文的门面

5.1 地图类图表：反映空间分布

北上广住房分析不做地图，总觉得缺了点味道。这里我推荐用Pyecharts，它对中文支持好，生成的是网页版HTML，截图放到论文里也很清晰。如果有兴趣，也可以用Folium生成交互式地图，但学术论文里面用静态热力图更直观。

用Pyecharts画区域均价热力图的思路很简单：准备每个行政区的均价数据，然后配置Map组件。要注意的是，Pyecharts从2.0版本之后，地图用Geo或Map组件都需要加载对应的地图JS包，离线环境下可能会显示空白。建议提前在联网环境里把需要的JS资源缓存好，或者直接用国内地图数据资源。

我实际做这类项目时，发现链家页面没有现成的经纬度字段。如果你想画散点图到地图上，就需要给每个小区匹配经纬度。一个可行方案是调用百度地图或高德地图的地理编码API，根据“小区名+城市”反查坐标。但免费配额有限，几千个小区逐个查会很慢，而且可能有解析失败的情况。我当时的折中做法是只对均价排名前30的小区做地理编码，画一张代表性的散点分布图，既不会累死，又能满足论文展示需求。

5.2 对比类图表：柱状图与箱线图

描述三城市房价差异，最直观的是分组柱状图和箱线图。箱线图我特别推荐，它能把数据的分布形态、中位数、四分位距、离群点一次全部展示出来，比单纯画均值柱状图信息量大得多。

你可以画这样一组图：

• 三城市单价的箱线图：直观对比价格中位数与离散程度。
• 三城市不同户型（一居、二居、三居）的平均总价柱状图：展示户型结构差异。
• 面积区间分组后，三城市单价的折线图：看面积和单价的关系在不同城市的表现是否一致。

这些图相互配合，论文的说服力会强很多。注意图表风格要统一，标题、坐标轴标签、图例、数据来源注释一个都不能少。答辩老师经常会盯着图里的一个数字问“这个数怎么来的”，你要是答不上来，印象分会掉很多。

5.3 关系类图表：散点图与回归拟合线

反映面积和总价关系时，散点图加线性拟合线是经典组合。用Matplotlib的regplot可以直接画出拟合线和置信区间：

python复制import seaborn as sns
sns.regplot(x="area", y="total_price", data=df_bj, line_kws={"color": "red"})

如果不用Seaborn，单用Matplotlib画散点图再加一条回归线也可以。但建议至少掌握一种。散点图最能反映数据是否存在非线性关系，比如一线城市的小户型总价被抬得很高，大户型单价反而下降，这些特征在散点图上一目了然。

我还有一个经验：论文里的图不要贪多。精选6到8张核心图就够了，每张图都必须对应一个核心结论。比如：

1. 三城市单价箱线图 → 城市间价格水平差异明显。
2. 三城市行政区域均价热力图 → 城市内部空间差异显著。
3. 面积–总价散点图 → 面积正相关但存在边际递减。
4. 房龄–单价盒型图 → 次新房单价最高，老破小单价偏低。
5. 户型占比堆叠图 → 三城市户型结构不同。
6. 回归系数对比图 → 不同城市影响因素差异。

这6张图放出来，整篇论文的核心结论基本就立住了。剩下的细节放到附录或文字描述里。

6. 论文结构设计与答辩准备：让老师看到你的工作量

6.1 推荐章节结构

很多同学到写论文时开始犯愁：程序跑通了，数据也有了，但不知道论文怎么组织。我建议按下面的结构来写，逻辑清晰，覆盖全面：

第一章绪论。写研究背景与意义、国内外研究现状、论文主要工作与章节安排。研究现状这里可以引用几篇关于房价影响因素分析、大数据爬虫技术的文献，但不要编造文献，去知网、万方检索真实可查的论文。

第二章关键技术介绍。写Python语言特性、Requests与BeautifulSoup爬虫框架、Pandas数据处理、Matplotlib和Pyecharts可视化、多元线性回归模型原理。这一章不用写得太深，但要确保你引用的内容是你真正用到的。

第三章数据获取与预处理。写数据来源、爬虫设计与实现、字段设计、数据清洗过程、数据质量分析。这是工作量最大的一章，越详细越证明你做了实事。

第四章数据分析与建模。写描述性统计、城市对比分析、相关性分析、多元线性回归建模与结果讨论。

第五章结论与展望。总结主要结论，提一下项目不足和后续改进方向。

6.2 重点结论如何提炼

结论不是把数据表格重复一遍，而是要从数据中提炼出“可表达的判断”。比如：

• 北上广三城房价均值呈现明显梯队，广州与北京、上海存在显著价差。
• 三个城市的房价分布均呈右偏形态，高总价房源拉高均值。
• 面积和总价正相关，但在三个城市弹性不同。北京单价最高的区间集中在中小户型，广州大户型总价提升更明显。
• 区域对房价的影响远大于房屋自身属性，尤其在教育和产业密集区域。

每一句结论后面，都要能对应上一张图表或一个回归系数。这样答辩时问起来才不会慌。

6.3 答辩常见问题清单

我帮学生模拟答辩时，通常会把问题分成四类，你可以提前准备一下答案。

第一类：数据来源问题。“你的数据是哪来的？”“数据量是多少？”“数据有没有经过筛选？”回答要点是把数据来源、采集时间、抓取范围、清洗规则讲清楚，必要时展示一下爬虫代码截图或数据库记录。

第二类：方法选择问题。“为什么用线性回归不用深度学习？”“你的样本量够支撑模型吗？”回答要点是强调解释性优先、样本量可以支撑描述统计和简单回归，同时承认模型局限性并说明未来可以尝试的方法。

第三类：结论验证问题。“你的结论有什么实际意义？”“北京和上海的差异怎么解释？”回答要点是把城市政策、人口流入、土地供应、产业结构等背景因素与数据特征结合，但不要过度断言因果。

第四类：创新点问题。“你这个项目相比已有的分析有什么新意？”如果只是复制别人的分析流程，这个问题会很难答。我的建议是提前找一个真正属于你自己的切入点，比如“三个城市分模型对比”，“某一类户型在城市间的价格形态差异”，或者“结合地图可视化展示区域格局”。

7. 实操中容易踩的坑与我的处理习惯

这一部分把我在带学生和亲自动手过程中反复遇到的坑集中列出来，希望你能少走几步弯路。

7.1 反爬不止影响采集，还会影响心情

链家的反爬并不是无规律的。一般连续请求几十条之后，就会开始遇到302跳转或者验证码。我的处理办法是：每个城市分多个时间段抓取，每抓完一个区域就停半小时；另外给requests配置重试机制，遇到失败就随机等待再继续。还要准备好少量备用IP的代理方案，但如果只是毕业设计，我认为没必要在一开始就上代理，先控制好采集速率通常就够了。

7.2 页面结构说变就变

爬虫代码最怕的不是反爬，而是页面结构调整。今天还在的houseInfo类名，明天可能就被改成content__houseInfo，你的选择器一夜之间全部失效。所以我写爬虫时会尽量用更稳定的层级结构，同时把解析代码和采集请求分离。一旦解析报错，能快速定位是请求问题还是解析问题。论文里截图的代码最好和最终运行的版本一致，别拿几个月前的截图糊弄，答辩老师如果当场让你运行代码，对不上是很尴尬的。

7.3 坐标与地图的兼容问题

如果你非要画散点地图并调用高德或百度接口，记得它们的坐标体系是加密偏移过的（GCJ-02），直接和GPS坐标混用会偏移几百米。不过毕业设计画的是城市尺度的大区域图，偏移几百米基本看不出来，所以这个坑对你的影响不大。你真正要留意的是，Pyecharts版本不同导致的地图资源加载失败，这个我在前面已经提过，提前缓存JS资源最省事。

7.4 保存文件编码问题

这算是最低级但也最常见的坑。Windows下Pandas的to_csv默认可能是GBK，换到Mac上打开就会乱码。我统一用encoding="utf-8-sig"保存，这样Windows Excel打开也不会乱，兼容性最好。

7.5 时间安排建议

最后说一个很多人会忽视的问题：时间管理。北上广三城市的数据采集、清洗、建模、写论文，我见过最快的学生用了半个月，也见过拖到答辩前一周还没跑通数据的。如果你现在还没开始，我建议按以下节奏走：

第一周完成选题确认、环境配置、爬虫编写并抓取至少一个城市的完整数据。第二周抓完剩下两个城市，完成清洗，产出干净数据集。第三周完成描述统计和可视化，形成论文的前四章初稿。第四周跑完回归模型，完成论文全文的整合和打磨。

不要试图在最后三天同时补数据和补论文，那种情况下写出来的东西质量很难保证。哪怕每天只推进一点点，也比最后突击强得多。

我自己的体会是，这个题目真正考验的不是你算法多厉害，而是你能不能把事情按流程做扎实。数据从哪里来、为什么清洗、图表怎么解读、结论是否有依据，这些环节每一个都经得起追问，论文自然站得住脚。拿到题目之后，先别急着写代码，把整个流程在纸上过一遍，想清楚每一步的产出物是什么，再动手也不迟。