对比分析
'''
【課程1.3】 對比分析對比分析 → 兩個互相聯(lián)系的指標進行比較絕對數(shù)比較（相減） / 相對數(shù)比較（相除）
結(jié)構(gòu)分析、比例分析、空間比較分析、動態(tài)對比分析''' import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline # 1、絕對數(shù)比較 → 相減
# 相互對比的指標在量級上不能差別過大
# （1）折線圖比較
# （2）多系列柱狀圖比較data = pd.DataFrame(np.random.rand(30,2)*1000,columns = ['A_sale','B_sale'],index = pd.period_range('20170601','20170630'))
print(data.head())
# 創(chuàng)建數(shù)據(jù) → 30天內(nèi)A/B產(chǎn)品的日銷售額data.plot(kind='line',style = '--.',alpha = 0.8,figsize = (10,3),title = 'AB產(chǎn)品銷量對比-折線圖')
# 折線圖比較data.plot(kind = 'bar',width = 0.8,alpha = 0.8,figsize = (10,3),title = 'AB產(chǎn)品銷量對比-柱狀圖')
# 多系列柱狀圖比較
輸出：
A_sale B_sale 2017-06-01 334.812619 778.500279 2017-06-02 921.431743 970.734046 2017-06-03 785.444137 481.548456 2017-06-04 359.790330 259.824537 2017-06-05 657.224681 332.818389?
# 1、絕對數(shù)比較 → 相減 # （3）柱狀圖堆疊圖+差值折線圖比較fig3 = plt.figure(figsize=(10,6)) plt.subplots_adjust(hspace=0.3) # 創(chuàng)建子圖及間隔設(shè)置ax1 = fig3.add_subplot(2,1,1) x = range(len(data)) y1 = data['A_sale'] y2 = -data['B_sale'] plt.bar(x,y1,width = 1,facecolor = 'yellowgreen') plt.bar(x,y2,width = 1,facecolor = 'lightskyblue') plt.title('AB產(chǎn)品銷量對比-堆疊圖') plt.grid() plt.xticks(range(0,30,6)) ax1.set_xticklabels(data.index[::6]) # 創(chuàng)建堆疊圖ax2 = fig3.add_subplot(2,1,2) y3 = data['A_sale']-data['B_sale'] plt.plot(x,y3,'--go') plt.axhline(0,hold=None,color='r',linestyle="--",alpha=0.8) # 添加y軸參考線 plt.grid() plt.title('AB產(chǎn)品銷量對比-差值折線') plt.xticks(range(0,30,6)) ax2.set_xticklabels(data.index[::6]) # 創(chuàng)建差值折線圖輸出：
[<matplotlib.text.Text at 0x9faa9b0>,<matplotlib.text.Text at 0x9fa6e48>,<matplotlib.text.Text at 0x9fed0f0>,<matplotlib.text.Text at 0x9fedb38>,<matplotlib.text.Text at 0x9ff15c0>]# 2、相對數(shù)比較 → 相除 # 有聯(lián)系的指標綜合計算后的對比，數(shù)值為相對數(shù) # 結(jié)構(gòu)分析、比例分析、空間比較分析、動態(tài)對比分析、計劃完成度分析 # （1）結(jié)構(gòu)分析 # 在分組基礎(chǔ)上，各組總量指標與總體的總量指標對比，計算出各組數(shù)量在總量中所占比重 # 反映總體的內(nèi)部結(jié)構(gòu)data = pd.DataFrame({'A_sale':np.random.rand(30)*1000,'B_sale':np.random.rand(30)*200},index = pd.period_range('20170601','20170630')) print(data.head()) print('------') # 創(chuàng)建數(shù)據(jù) → 30天內(nèi)A/B產(chǎn)品的日銷售額 # A/B產(chǎn)品銷售額量級不同data['A_per'] = data['A_sale'] / data['A_sale'].sum() data['B_per'] = data['B_sale'] / data['B_sale'].sum() # 計算出每天的營收占比data['A_per%'] = data['A_per'].apply(lambda x: '%.2f%%' % (x*100)) data['B_per%'] = data['B_per'].apply(lambda x: '%.2f%%' % (x*100)) # 轉(zhuǎn)換為百分數(shù) print(data.head())fig,axes = plt.subplots(2,1,figsize = (10,6),sharex=True) data[['A_sale','B_sale']].plot(kind='line',style = '--.',alpha = 0.8,ax=axes[0]) axes[0].legend(loc = 'upper right') data[['A_per','B_per']].plot(kind='line',style = '--.',alpha = 0.8,ax=axes[1]) axes[1].legend(loc = 'upper right') # 絕對值對比較難看出結(jié)構(gòu)性變化，通過看銷售額占比來看售賣情況的對比# 同時可以反應(yīng)“強度” → 兩個性質(zhì)不同但有一定聯(lián)系的總量指標對比，用來說明“強度”、“密度”、“普遍程度” # 例如：國內(nèi)生產(chǎn)總值“元/人”，人口密度“人/平方公里”
輸出：
A_sale B_sale 2017-06-01 688.134982 6.759655 2017-06-02 310.911156 141.978290 2017-06-03 227.496397 123.595400 2017-06-04 905.453084 64.534911 2017-06-05 374.572618 147.550005 ------A_sale B_sale A_per B_per A_per% B_per% 2017-06-01 688.134982 6.759655 0.045606 0.002227 4.56% 0.22% 2017-06-02 310.911156 141.978290 0.020606 0.046780 2.06% 4.68% 2017-06-03 227.496397 123.595400 0.015077 0.040723 1.51% 4.07% 2017-06-04 905.453084 64.534911 0.060009 0.021263 6.00% 2.13% 2017-06-05 374.572618 147.550005 0.024825 0.048616 2.48% 4.86%
?
# 2、相對數(shù)比較 → 相除 # （2）比例分析 # 在分組的基礎(chǔ)上，將總體不同部分的指標數(shù)值進行對比，其相對指標一般稱為“比例相對數(shù)” # 比例相對數(shù) = 總體中某一部分數(shù)值 / 總體中另一部分數(shù)值 → “基本建設(shè)投資額中工業(yè)、農(nóng)業(yè)、教育投資的比例”、“男女比例”...data = pd.DataFrame({'consumption':np.random.rand(12)*1000 + 2000,'salary':np.random.rand(12)*500 + 5000},index = pd.period_range('2017/1','2017/12',freq = 'M')) print(data.head()) print('------') # 創(chuàng)建數(shù)據(jù) → 某人一年內(nèi)的消費、工資薪水情況 # 消費按照2000-3000/月隨機，工資按照5000-5500/月隨機data['c_s'] = data['consumption'] / data['salary'] print(data.head()) # 比例相對數(shù) → 消費收入比data['c_s'].plot.area(color = 'green',alpha = 0.5,ylim = [0.3,0.6],figsize=(8,3),grid=True) # 創(chuàng)建面積圖表達輸出：
consumption salary 2017-01 2300.613040 5349.939624 2017-02 2256.167470 5477.291974 2017-03 2356.130582 5366.495609 2017-04 2680.961342 5203.749452 2017-05 2612.676360 5395.189285 ------consumption salary c_s 2017-01 2300.613040 5349.939624 0.430026 2017-02 2256.167470 5477.291974 0.411913 2017-03 2356.130582 5366.495609 0.439045 2017-04 2680.961342 5203.749452 0.515198 2017-05 2612.676360 5395.189285 0.484260?
# 2、相對數(shù)比較 → 相除 # （3）空間比較分析（橫向?qū)Ρ确治?#xff09; # 同類現(xiàn)象在同一時間不同空間的指標數(shù)值進行對比，反應(yīng)同類現(xiàn)象在不同空間上的差異程度和現(xiàn)象發(fā)展不平衡的狀況 # 空間比較相對數(shù) = 甲空間某一現(xiàn)象的數(shù)值 / 乙空間同類現(xiàn)象的數(shù)值 # 一個很現(xiàn)實的例子 → 絕對數(shù)來看，我國多經(jīng)濟總量世界第一，但從人均水平來看是另一回事data = pd.DataFrame({'A':np.random.rand(30)*5000,'B':np.random.rand(30)*2000,'C':np.random.rand(30)*10000,'D':np.random.rand(30)*800},index = pd.period_range('20170601','20170630')) print(data.head()) print('------') # 創(chuàng)建數(shù)據(jù) → 30天內(nèi)A/B/C/D四個產(chǎn)品的銷售情況 # 不同產(chǎn)品的銷售量級不同data.sum().plot(kind = 'bar',color = ['r','g','b','k'], alpha = 0.8, grid = True) for i,j in zip(range(4),data.sum()):plt.text(i-0.25,j+2000,'%.2f' % j, color = 'k') # 通過柱狀圖做橫向比較 → 4個產(chǎn)品的銷售額總量data[:10].plot(kind = 'bar',color = ['r','g','b','k'], alpha = 0.8, grid = True, figsize = (12,4),width = 0.8) # 多系列柱狀圖，橫向比較前十天4個產(chǎn)品的銷售額# 關(guān)于同比與環(huán)比 # 同比 → 產(chǎn)品A在2015.3和2016.3的比較（相鄰時間段的同一時間點） # 環(huán)比 → 產(chǎn)品A在2015.3和2015.4的比較（相鄰時間段的比較） # 如何界定“相鄰時間段”與“時間點”，決定了是同比還是環(huán)比輸出：
A B C D 2017-06-01 2850.211921 1647.138351 5276.354493 529.747107 2017-06-02 3222.680792 768.466753 6941.803099 284.760211 2017-06-03 727.193796 1732.612257 3311.883561 332.427362 2017-06-04 2582.599603 444.224737 1829.401025 744.340597 2017-06-05 1756.352061 1731.221585 7583.832278 768.792895?
# 2、相對數(shù)比較 → 相除 # （4）動態(tài)對比分析（縱向?qū)Ρ确治?#xff09; # 同一現(xiàn)象在不同時間上的指標數(shù)值進行對比，反應(yīng)現(xiàn)象的數(shù)量隨著時間推移而發(fā)展變動的程度及趨勢 # 最基本方法，計算動態(tài)相對數(shù) → 發(fā)展速度 # 動態(tài)相對數(shù)（發(fā)展速度） = 某一現(xiàn)象的報告期數(shù)值 / 同一現(xiàn)象的基期數(shù)值 # 基期：用來比較的基礎(chǔ)時期 # 報告期：所要研究的時期，又稱計算期data = pd.DataFrame({'A':np.random.rand(30)*2000+1000},index = pd.period_range('20170601','20170630')) print(data.head()) print('------') # 創(chuàng)建數(shù)據(jù) → 30天內(nèi)A產(chǎn)品的銷售情況data['base'] = 1000 # 假設(shè)基期銷售額為1000，后面每一天都為計算期 data['l_growth'] = data['A'] - data['base'] # 累計增長量 = 報告期水平 - 固定基期水平 data['z_growth'] = data['A'] - data.shift(1)['A'] # 逐期增長量 = 報告期水平 - 報告期前一期水平 data[data.isnull()] = 0 # 替換缺失值data[['l_growth','z_growth']].plot(figsize = (10,4),style = '--.',alpha = 0.8) plt.axhline(0,hold=None,color='r',linestyle="--",alpha=0.8) # 添加y軸參考線 plt.legend(loc = 'lower left') plt.grid() # 通過折線圖查看增長量情況data['lspeed'] = data['l_growth'] / data['base'] # 定基增長速度 data['zspeed'] = data['z_growth'] / data.shift(1)['A'] # 環(huán)比增長速度 data[['lspeed','zspeed']].plot(figsize = (10,4),style = '--.',alpha = 0.8) plt.axhline(0,hold=None,color='r',linestyle="--",alpha=0.8) # 添加y軸參考線 plt.grid() print(data.head()) print('------') # 通過折線圖查看發(fā)展速度輸出：
A 2017-06-01 2604.901536 2017-06-02 2387.955402 2017-06-03 1968.693059 2017-06-04 2313.807035 2017-06-05 1441.483332 ------A base l_growth z_growth lspeed zspeed 2017-06-01 2604.901536 1000 1604.901536 0.000000 1.604902 NaN 2017-06-02 2387.955402 1000 1387.955402 -216.946134 1.387955 -0.083284 2017-06-03 1968.693059 1000 968.693059 -419.262343 0.968693 -0.175574 2017-06-04 2313.807035 1000 1313.807035 345.113976 1.313807 0.175301 2017-06-05 1441.483332 1000 441.483332 -872.323703 0.441483 -0.377008 ------?
轉(zhuǎn)載于:https://www.cnblogs.com/654321cc/p/9581789.html
總結(jié)
- 上一篇： RAPID 信号的互锁和同步 Wait
- 下一篇： java单线程爬虫使用Jsoup爬取bt