问题出发：市场需要的不是一份PDF，而是一个可配置的工具

上周Realtor.com发布了2026住房报告卡，印第安纳76.3分（A）拔得头筹，纽约8.5分（F）垫底。作为产品经理，我第一反应不是惊叹“差距好大”，而是问：这76.3分怎么算的？我能否改变权重看自己关心的维度？我能把自己的收入代入看看在印第安纳的真实压力吗？

答案全是否定的。报告是一份静态PDF，只给最终排名和少数几个指标（中位价、收入占比、建房缺口）。对购房者来说，它是个“新闻”，不是“决策工具”。对开发者来说，这恰恰是个机会——用公开数据构建一个可交互、可个性化的评分系统，让用户不只“知道”结果，还能“理解”并“配置”结果。

现有方案的设计分析：好在哪里，差在哪里

Realtor.com 报告卡（权威但封闭）

• 好的地方：数据源权威（自家MLS、美国人口普查局），评分维度覆盖建房、价格、库存，且与全美均值对标，量化了“住房需要缺口”（population-based housing need）。每个州有明确等级，易于传播。
• 差的地方：权重不透明（为什么印第安纳A？是房价低权重高还是建房速度快？）。不支持个人化输入（年收入10万美元 vs 5万美元对同一个州的感受天差地别）。一年一版，滞后性明显。

Zillow 数据（开放但离散）

Zillow 提供州/都市中位房价、租金指数、预测等，通过其 API（RapidAPI 上有一份非官方封装）或官方 Research 数据下载。数据更细粒度，但缺少“综合健康度”的打分。用户得自己拼凑多张表，认知成本高。

我的判断：两者各有所长。开发者应该借鉴 Realtor.com 的“评分框架”，但用 Zillow 等实时数据，加入个性化权重，并让整个过程可解释。

产品决策逻辑：构建你自己的住房可负担性评分系统

1. 数据源选择：实时性 vs 权威性

我的建议：对于 MVP，先使用 Zillow Research 提供的免费 CSV（每月更新）和 Census API。代码中预留接口，后续可切换更实时数据。

2. 评分维度与权重：简单才能说服用户

Realtor.com 的评分方法未公开，但通过其说明可推断包含：房价收入比、建房缺口率（实际建房量÷目标建房量）、库存供需比等。

我设计的简化评分模型（各州满分100）：

import pandas as pd

def affordability_score(median_price, median_income, building_permits, target_need):
    # 房价收入比得分（越低越好）
    income_ratio = median_price / mean_income  # 以全美均值为基准
    income_score = max(0, 100 - (income_ratio - 1) * 50)  # 比例1.0时得100，每高0.2扣10分
    
    # 建房满足率（越高越好）
    building_rate = building_permits / target_need
    building_score = min(100, building_rate * 100)
    
    # 综合权重可调（示例：各50%）
    final = 0.5 * income_score + 0.5 * building_score
    return round(final, 1)

注意：这里的 target_need 需要估算。Realtor.com 的方法是根据人口增长和现有库存计算的。一个简便方式是：用全美平均每千人建房许可量乘以该州人口。

产品决策点：让用户拖动权重滑块（比如“房价占60%，建房占40%”），实时看到排名变化。这样用户会信任评分逻辑，而不是黑盒。

3. 避免过度拟合：少即是多

不要加入太多变量（如通勤时间、犯罪率），因为数据可靠性和更新频率参差不齐，且会模糊核心“可负担性”。保持3-5个关键指标，标注数据源和更新时间。

交互设计要点

地图热力图——一目了然

将各州得分映射到美国地图，用颜色梯度（A绿色→F红色）。支持点击州，查看详细指标和排名历史。

个人化输入——真正有用

允许用户输入自己的年收入、家庭人数，自动重新计算“你的收入在该州需多少年才能买得起”。例如：

你年薪$80,000，在印第安纳（中位价$295,810）需要不到4年可付清（假设100%投入）。在纽约（$668,173）需要8年以上。

数据来源标注——建立信任

每个数字旁边显示“数据来源：Zillow 2026年5月 / Census ACS 2024”，点击可跳转。

可执行的改进建议

用 Python 和 Streamlit 快速搭原型

以下是一个可运行的最小代码片段（需要安装 streamlit``python-dotenv``requests，并去 Census API 申请密钥）：

import streamlit as st
import pandas as pd
import requests
import json

st.title("🏠 住房可负担性州评分（Demo）")

# 获取 Census 2024 年收入中位数（示例：密钥放 .env）
# 这里用模拟数据演示
state_data = {
    "Indiana": {"median_price": 295810, "median_income": 68000, "pop": 6800000},
    "New York": {"median_price": 668173, "median_income": 82000, "pop": 20000000},
    # ... 实际可从CSV读取
}

def score_for_state(price, income, pop):
    income_ratio = price / income
    score = max(0, 100 - (income_ratio - 4.35) * 10)  # 4.35是全美均值? 简化
    return round(score, 1)

df = pd.DataFrame(state_data).T
df['score'] = df.apply(lambda r: score_for_state(r['median_price'], r['median_income'], r['pop']), axis=1)
st.dataframe(df[['score']].sort_values('score', ascending=False))

这只是一个演示，实际产品需要：

• 使用真实 API（Zillow RapidAPI、Census API）
• 加入历史数据曲线
• 增加用户收入输入框，动态计算

产品化建议：利用 AI 提供解释

当用户点击某个州时，用 LLM 生成一句话解释：“印第安纳州得分高主要因为房价中位数仅$295k，是全美均值的70%，而收入水平与全国持平。” 不要只是展示数字，要讲“为什么”。

总结

不要再在别人的 PDF 里找答案。用公开数据和简单模型，你完全可以造出一个更透明、更个性化的工具。核心不是代码，而是决定“用户需要什么权重”、“如何让评分可解释”。下一次当类似报告发布时，你的产品可以一键生成自己的版本。

(https://via.placeholder.com/800x400?text=Housing+Score+Map+Example)

题图：示意地图。实际请用 folium 或 plotly 生成。