码迷,mamicode.com
首页 > 其他好文 > 详细

对比分析

时间:2018-09-04 00:18:30      阅读:186      评论:0      收藏:0      [点我收藏+]

标签:isnull   png   lsp   查看   ax1   sha   1.9   绝对值   男女   

‘‘‘
【课程1.3】  对比分析

对比分析 → 两个互相联系的指标进行比较

绝对数比较(相减) / 相对数比较(相除)
结构分析、比例分析、空间比较分析、动态对比分析

‘‘‘
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline
# 1、绝对数比较 → 相减
# 相互对比的指标在量级上不能差别过大
# (1)折线图比较
# (2)多系列柱状图比较

data = pd.DataFrame(np.random.rand(30,2)*1000,
                   columns = [A_sale,B_sale],
                   index = pd.period_range(20170601,20170630))
print(data.head())
# 创建数据 → 30天内A/B产品的日销售额

data.plot(kind=line,
       style = --.,
       alpha = 0.8,
       figsize = (10,3),
       title = AB产品销量对比-折线图)
# 折线图比较

data.plot(kind = bar,
          width = 0.8,
          alpha = 0.8,
          figsize = (10,3),
          title = AB产品销量对比-柱状图)
# 多系列柱状图比较

  输出:

                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

技术分享图片

 

# 1、绝对数比较 → 相减
# (3)柱状图堆叠图+差值折线图比较

fig3 = plt.figure(figsize=(10,6))
plt.subplots_adjust(hspace=0.3)
# 创建子图及间隔设置

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产品销量对比-堆叠图)
plt.grid()
plt.xticks(range(0,30,6))
ax1.set_xticklabels(data.index[::6])
# 创建堆叠图

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轴参考线
plt.grid()
plt.title(AB产品销量对比-差值折线)
plt.xticks(range(0,30,6))
ax2.set_xticklabels(data.index[::6])
# 创建差值折线图

  输出:

[<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>]

技术分享图片

  

# 2、相对数比较 → 相除
# 有联系的指标综合计算后的对比,数值为相对数
# 结构分析、比例分析、空间比较分析、动态对比分析、计划完成度分析
# (1)结构分析
# 在分组基础上,各组总量指标与总体的总量指标对比,计算出各组数量在总量中所占比重
# 反映总体的内部结构

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(------)
# 创建数据 → 30天内A/B产品的日销售额
# A/B产品销售额量级不同

data[A_per] = data[A_sale] / data[A_sale].sum()
data[B_per] = data[B_sale] / data[B_sale].sum()
# 计算出每天的营收占比

data[A_per%] = data[A_per].apply(lambda x: %.2f%% % (x*100))
data[B_per%] = data[B_per].apply(lambda x: %.2f%% % (x*100))
# 转换为百分数
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)
# 绝对值对比较难看出结构性变化,通过看销售额占比来看售卖情况的对比

# 同时可以反应“强度” → 两个性质不同但有一定联系的总量指标对比,用来说明“强度”、“密度”、“普遍程度”
# 例如:国内生产总值“元/人”,人口密度“人/平方公里”

  输出:

                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%

 技术分享图片

 

# 2、相对数比较 → 相除
# (2)比例分析
# 在分组的基础上,将总体不同部分的指标数值进行对比,其相对指标一般称为“比例相对数”
# 比例相对数 = 总体中某一部分数值 / 总体中另一部分数值 → “基本建设投资额中工业、农业、教育投资的比例”、“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(------)
# 创建数据 → 某人一年内的消费、工资薪水情况
# 消费按照2000-3000/月随机,工资按照5000-5500/月随机

data[c_s] = data[consumption] / data[salary]
print(data.head())
# 比例相对数 → 消费收入比

data[c_s].plot.area(color = green,alpha = 0.5,ylim = [0.3,0.6],figsize=(8,3),grid=True)
# 创建面积图表达

  输出:

         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

技术分享图片

 

# 2、相对数比较 → 相除
# (3)空间比较分析(横向对比分析)
# 同类现象在同一时间不同空间的指标数值进行对比,反应同类现象在不同空间上的差异程度和现象发展不平衡的状况
# 空间比较相对数 = 甲空间某一现象的数值 / 乙空间同类现象的数值
# 一个很现实的例子 → 绝对数来看,我国多经济总量世界第一,但从人均水平来看是另一回事

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(------)
# 创建数据 → 30天内A/B/C/D四个产品的销售情况
# 不同产品的销售量级不同

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)
# 通过柱状图做横向比较 → 4个产品的销售额总量

data[:10].plot(kind = bar,color = [r,g,b,k], alpha = 0.8, grid = True, figsize = (12,4),width = 0.8)
# 多系列柱状图,横向比较前十天4个产品的销售额

# 关于同比与环比
# 同比 → 产品A在2015.3和2016.3的比较(相邻时间段的同一时间点)
# 环比 → 产品A在2015.3和2015.4的比较(相邻时间段的比较)
# 如何界定“相邻时间段”与“时间点”,决定了是同比还是环比

  输出:

                     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

技术分享图片

 

# 2、相对数比较 → 相除
# (4)动态对比分析(纵向对比分析)
# 同一现象在不同时间上的指标数值进行对比,反应现象的数量随着时间推移而发展变动的程度及趋势
# 最基本方法,计算动态相对数 → 发展速度
# 动态相对数(发展速度) = 某一现象的报告期数值 / 同一现象的基期数值
# 基期:用来比较的基础时期
# 报告期:所要研究的时期,又称计算期

data = pd.DataFrame({A:np.random.rand(30)*2000+1000},
                   index = pd.period_range(20170601,20170630))
print(data.head())
print(------)
# 创建数据 → 30天内A产品的销售情况

data[base] = 1000  # 假设基期销售额为1000,后面每一天都为计算期
data[l_growth] = data[A] - data[base]  # 累计增长量 = 报告期水平 - 固定基期水平
data[z_growth] = data[A] - data.shift(1)[A]  # 逐期增长量 = 报告期水平 - 报告期前一期水平
data[data.isnull()] = 0  # 替换缺失值

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轴参考线
plt.legend(loc = lower left)
plt.grid()
# 通过折线图查看增长量情况

data[lspeed] = data[l_growth] / data[base]  # 定基增长速度
data[zspeed] = data[z_growth] / data.shift(1)[A]  # 环比增长速度
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轴参考线
plt.grid()
print(data.head())
print(------)
# 通过折线图查看发展速度

  输出:

                     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
------

技术分享图片

 

对比分析

标签:isnull   png   lsp   查看   ax1   sha   1.9   绝对值   男女   

原文地址:https://www.cnblogs.com/654321cc/p/9581789.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!