python数据比较,python数据统计与分析
对比分析概念：两个相关指标的比较
类型：绝对数比较(减法)和相对数比较(除法)
相对数的比较分析还包括结构分析、比例分析和动态比较分析。
1.绝对数比较
A.比较指标不能相差太大。
B.折线图、条形图*
#导入数据
Data=pd.read _ csv (c: \ \ users \ \周春竹\ \ desktop \ \ py.test/sample data 02 . CSV ，engine= python) data.head()
(2)折线图的比较
Data.plot (time ，kind= line ，style=-. ，alpha=0.8，fig size=(10，3)，title=国王峡谷房屋供应交易对比-折线图)
(2)多个直方图系列的比较
Data.plot (time ，kind= bar ，width=0.8，alpha=0.8，FIG size=(10，3)，title=金斯峡谷房屋供应交易对比-条形图)
(3)堆叠图
Fig 3=PLT.figure (fig size=(10，6))PLT . subplots _ adjust(hspace=0.3)#创建子图和区间设置ax1=fig3.add_subplot(2，1，1) x=range(len(data))y1=data[新房交易]y2=-data[新房供应] PLT.bar (x，y1，width=1，face color=黄绿色)PLT.bar (x，y2，width=1，Face=浅蓝色)PLT标题(“住宅新房交易供应-堆栈图”)PLT。Grid () PLT。X Tickets (range (0，30，6))ax1 . set _ Xticklabels(data . index[:6])
(4)差异折线图
Ax2=图3。Add _ Subplot (2，1，2) Y3=data [新房交易]-data[新房供应] PLT。Plot (x，Y3，-go )。Axhline (0，color= r ，)Alpha=0.8) #添加Y轴参考线plt.grid()plt.title(新建住宅成交供应量-差异线)plt。X Tickets (range (0，30，6))ax2 . set _ Xticklabels(data . index[:6])
2.相对数比较
A.相关指标综合计算后的比较，数值是相对的。
b .结构分析、比例分析、空间比较分析和动态比较分析
#导入数据
#导入数据上半年五个销售人员的月销售额数据=PD . read _ CSV( c:\ \ users \ \ Zhou chun Zhu \ \ desktop \ \ py.test/sample数据(销售数据04)。csv ，engine=python )数据
(1)结构分析
在分组的基础上，将各组的总指标与整体的总指标进行比较，计算出各组在整体中的比重，反映整体的内部结构。
#计算日营收比数据[雄达_per]=数据[雄达]/数据[雄达]。sum()data[牛二_佩尔]=data[牛二]/data[牛二]。sum()#转换为百分比数据。应用(lambda x:% .2f%%% (x * 100))数据[牛二_每%]=数据[牛二_每]。apply (lambda x:% .2f%%% (x * 100))数据Figsize=(10，6)，sharex=True)#绝对数对比——上半年前熊大和牛二月销量数据[[熊大，牛二]]。plot (kind= line ，style=-. ，alpha=0.8，Ax=axes [0]) axes [0]。legend (loc= upper right) #对比对比3354上半年数据前熊大和牛二单月销量[[熊大_per ，牛二_ per]]。plot (kind= line ，style=-)
(2)比例分析
A.在分组的基础上，比较整体不同部分的指标值，其相对指标一般称为“比例相对数”；
B.比例相对数=总价值的一部分/总价值的另一部分“性价比指数”、“租售比”、“性价比”、“男女比”…
输入数据
Data=pd.read _ csv (c: \ \用户\ \周春竹\ \桌面\ \ py.test/sample数据(租赁价格)。csv ，engine=python)data.head()
#租售比租售比数据[租售比]=数据[均价]/数据[租金] data.head()数据[租售比]。plot.area (color= green ，alpha=0.5，ylim=[100，2000
*(3)动态比较分析(纵向比较分析)
A.比较同一现象在不同时间的指标值，反应现象数随时间发展变化的程度和趋势；
B.最基本的方法，计算动态相对数发展速度；
C.动态相对数(发展速度)=某一现象的报告期值/同一现象的基期值；
D.基期：用于比较的基本期间；
E.报告期：要研究的期间，也称为计算期；*
数据=pd。data frame({ A :NP . random . rand(30)* 3000 1000 }，index=PD . period _ range( 2020 01 01 ，2020 01 30 ))print(data . head())print(-)#创建数据企业A 30天内的营业收入#设置基期水平，假设1000数据[基期水平]=1000#累计增长数据[累计增长]=数据[A].plot (fig size=(10，)Alpha=0.8，title=某企业30天营业收入增长(万))PLT。Axhline (0，color= r ，line style=-，Alpha=0.8) #添加Y轴参考线plt.legend (loc=左下)plt.grid () #按折线图数据检查增长[固定增长率]=data[累计增长率]/1000 data[环比增长率]=data[逐期。Data.shift(1)[A]数据[[固定增长率，环比增长率]]。plot (fig size=(10，4)，style=-. ，alpha=0.8，title=企业A 30日营业收入增长率)PLT Line=-，alpha=0.8) #添加Y轴参考线PLT . grid()print(data . head())print(-)
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。