We collected web archives of ads ev

We collected web archives of ads every Sunday for a one year period from October 2012 to September 2013. The number of ads grew over the study period with approximately 50 ads on a typical Sunday in October 2012 to 240 ads on a typical Sunday in September 2013. We found we needed to do weekly archives because the older ads would disappear after about 2 months. Fortunately, because the ads were organized into a standardized format for listing information about the unit, we could employ a webharvesting application to automate the conversion of textual information in the ads into a spreadsheet database. With the original raw collections of 7312 ads, we then cleaned up the data deleting ads that were duplicates, that were not housing but storage spaces, and those that were missing key data needed in our model such as the unit's size, price, location, etc. In the end, we culled 3385 ads, retaining about 46% of the initial harvest.

結果 (繁體中文) 1:

我們收集了廣告的網絡檔案每週日為一年期限從2012年10月至2013年九月的廣告數量增長在研究期間大約有50個廣告在一個典型的星期天在2012年10月在一個典型的週日240的廣告在2013年9月我們發現，我們需要做每週的檔案，因為舊的廣告會消失後約2個月。幸運的是，因為廣告是為上市有關單位的信息組織成一個標準化的格式，我們可以採用webharvesting應用程序中的廣告文本信息轉換成自動化電子表格的數據庫。隨著7312廣告的原生集合，然後我們清理了數據刪除那名重複的廣告，那不是房屋，但存儲空間，而那些失踪在我們的模型中所需的關鍵數據，如單元的尺寸，價格，

結果 (繁體中文) 2:

從 2012 年 10 月到 2013 年 9 月，我們每週日都會收集廣告網路檔案，為期一年。在研究期間，廣告數量有所增長，2012 年 10 月的一個典型星期日的廣告數量約為 50 個，而 2013 年 9 月一個典型的星期日則有 240 個廣告。我們發現我們需要每週存檔，因為舊的廣告將在大約 2 個月後消失。幸運的是，由於廣告被組織成標準化格式，用於列出有關該單元的資訊，我們可以使用 Web 採集應用程式自動將廣告中的文本資訊轉換為試算表資料庫。使用 7312 廣告的原始原創組合，我們清理了重複廣告、不是外殼而是存儲空間以及缺少模型所需的關鍵資料（如單位大小、價格、位置等）的廣告。最後，我們剔除了3385個廣告，保留了大約46%的初始收穫。

結果 (繁體中文) 3:

從2012年10月到2013年9月，我們每週日收集一年的廣告網絡檔案。在研究期間，廣告數量有所增長，2012年10月的一個典型周日約有50個廣告，2013年9月的一個典型周日約有240個廣告。我們發現我們需要每週做一次存檔，因為舊的廣告大約2個月後就會消失。幸運的是，由於ads被組織成一種標準格式，用於列出有關該單元的資訊，囙此我們可以使用WebRecovering應用程序來自動將ads中的文字資訊轉換為試算表資料庫。在最初的7312個廣告的原始集合中，我們清理了删除重複廣告的數據，這些重複廣告不是住房而是存儲空間，那些遺失了我們模型中所需的關鍵數據，如組織的大小、價格、位置等。最後，我們剔除了3385個廣告，保留了最初收穫的46%左右。