标签：分析 0.8 plt 特征分析 30 sale print data 对比

特征分析—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

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

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline

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

 

 

 

（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

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

 

 

 

 

 

（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

 

 

 

 

 

（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

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

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
​

 

 

 

 

（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

 

标签：分析,0.8,plt,特征分析,30,sale,print,data,对比
来源： https://www.cnblogs.com/Lilwhat/p/12442040.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。