workbook.save() # 保存工作簿
workbook.close() # 关闭工作簿
app.quit() # 退出Excel程序
运行结果:
2、绘制箱形图识别异常值
实例代码:
import pandas as pd
import matplotlib.pyplot as plt
import xlwings as xw
df = pd.read_excel(‘方差分析.xlsx’)
df = df[[‘A型号’, ‘B型号’, ‘C型号’, ‘D型号’, ‘E型号’]]
figure = plt.figure() # 创建绘图窗口
plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 解决中文乱码问题
df.boxplot(grid = False) # 绘制箱体图并删除网格线
plt.show()
app = xw.App(visible = False)
workbook = app.books.open(‘方差分析.xlsx’)
worksheet = workbook.sheets[‘单因素方差分析’]
worksheet.pictures.add(figure, name = ‘图片1’, update = True, left = 500, top = 10) # 将绘制的箱体图插入工作表
workbook.save(‘箱形图.xlsx’)
workbook.close()
app.quit()
运行结果:(图中用圆圈标识的数据点是异常值)
九、使用描述统计和直方图制定目标
1、使用描述统计和直方图制定目标
数据展示:
实例代码:
import pandas as pd
import matplotlib.pyplot as plt
import xlwings as xw
df = pd.read_excel(‘描述统计.xlsx’) # 读取指定工作簿中的数据
df.columns = [‘序号’,‘员工姓名’,‘月销售额’] # 重命名数据列
df = df.drop(columns=[‘序号’,‘员工姓名’]) # 删除“序号”列和“员工姓名”列
df_describe = df.astype(float).describe() # 计算数据的个数、平均数、最大值和最小值等描述统计数据
df_cut = pd.cut(df[‘月销售额’], bins = 7, precision = 2) # 将“月销售额”列的数据分成7个均等区间
cut_count = df[‘月销售额’].groupby(df_cut).count() # 统计各个区间的人数
df_all = pd.DataFrame() # 创建一个空DataFrame用于汇总数据
df_all[‘计数’] = cut_count # 将月销售额的区间及区间的人数写入前面创建的DataFrame中
df_all_new = df_all.reset_index() # 将索引重置为数字序号
df_all_new[‘月销售额’] = df_all_new[‘月销售额’].apply(lambda x:str(x)) # 将“月销售额”列的数据转换为字符串数据
fig = plt.figure() # 创建一个绘图窗口
plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 解决中文乱码问题
n, bins, patches = plt.hist(df[‘月销售额’], bins = 7, edgecolor = ‘black’, linewidth = 0.5) # 使用“月销售额”列的数据绘制直方图
plt.xticks(bins) # 将直方图x轴的可读标签设置为各区间的端点值
plt.title(‘月销售额频率分析’) # 设置直方图的图表标题
plt.xlabel(‘月销售额’) # 设置直方图的X轴标题
plt.ylabel(‘频数’) # 设置直方图的Y轴标题
plt.show()
app = xw.App(visible = False) # 启动Excel程序
workbook = app.books.open(‘描述统计.xlsx’) # 打开要写入分析结果的工作簿
worksheet = workbook.sheets[‘业务员销售额统计表’] # 选中工作簿中的工作表
worksheet.range(‘E2’).value = df_describe # 将计算出的个数、平均数、最大值和最小值等数据写入工作表
worksheet.range(‘H2’).value = df_all_new # 将月销售额的区间及区间的人数写入工作表
worksheet.pictures.add(fig, name = ‘图片1’, update = True, left = 400, top = 200) # 将绘制的直方图转换为图片并写入工作表
worksheet.autofit() # 根据数据内容自动调整工作表的行高和列宽
workbook.save(‘描述统计1.xlsx’) # 另存工作簿
workbook.close() # 关闭工作簿
app.quit() # 退出程序
结果展示:
2、使用自定义区间绘制直方图
实例代码:
import pandas as pd
import matplotlib.pyplot as plt
import xlwings as xw
df = pd.read_excel(‘描述统计.xlsx’)
df.columns = [‘序号’,‘员工姓名’,‘月销售额’]
df = df.drop(columns=[‘序号’,‘员工姓名’])
df_describe = df.astype(float).describe()
df_cut = pd.cut(df[‘月销售额’], bins = range(8, 37, 4)) # 在指定的端点值划分区间
cut_count = df[‘月销售额’].groupby(df_cut).count()
df_all = pd.DataFrame()
df_all[‘计数’] = cut_count
df_all_new = df_all.reset_index()
df_all_new[‘月销售额’] = df_all_new[‘月销售额’].apply(lambda x:str(x))
fig = plt.figure()
plt.rcParams[‘font.sans-serif’] = [‘SimHei’]
n, bins, patches = plt.hist(df[‘月销售额’], bins = range(8, 37, 4), edgecolor = ‘black’, linewidth = 0.5) # 按指定的端点值划分区间
plt.xticks(bins)
plt.title(‘月销售额频率分析’)
plt.xlabel(‘月销售额’)
plt.ylabel(‘频数’)
plt.show()
app = xw.App(visible = False)
workbook = app.books.open(‘描述统计.xlsx’)
worksheet = workbook.sheets[‘业务员销售额统计表’]
worksheet.range(‘E2’).value = df_describe
worksheet.range(‘H2’).value = df_all_new
worksheet.pictures.add(fig, name = ‘图片1’, update = True, left = 400, top = 200)
worksheet.autofit()
workbook.save(‘描述统计2.xlsx’)
workbook.close()
app.quit()
运行结果:
十、使用回归分析预测未来值
1、使用回归分析预测未来值
数据展示:
实例代码:
import pandas as pd
from sklearn import linear_model
df = pd.read_excel(‘回归分析.xlsx’, header = None)
df = df[2:] # 删除前两行数据
重新命名数据列
df.columns = [‘月份’, ‘电视台广告费’, ‘视频门户广告费’, ‘汽车当月销售额’]
x = df[[‘视频门户广告费’, ‘电视台广告费’]] # 获取’视频门户广告费’列和 '电视台广告费’列的数据作为自变量
y = df[‘汽车当月销售额’] # 获取’汽车当月销售额’列的数据为因变量
model = linear_model.LinearRegression() # 创建一个小型回归模型
model.fit(x, y) # 用自变量和因变量数据对线性回归模型进行训练,拟合出线性回归方程
R2 = model.score(x, y) # 计算R2的值
print(R2) # 输出R2的值
运行结果:
2、使用回归方程计算预测值
实例代码:
import pandas as pd
from sklearn import linear_model
df = pd.read_excel(‘回归分析.xlsx’, header = None)
自我介绍一下,小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。
深知大多数Python工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但对于培训机构动则几千的学费,着实压力不小。自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Python开发全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注Python)
中…(img-0DuFbECQ-1712920248712)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,基本涵盖了95%以上前端开发知识点,真正体系化!
由于文件比较大,这里只是将部分目录大纲截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频,并且后续会持续更新
如果你觉得这些内容对你有帮助,可以扫码获取!!!(备注Python)
![img](https://i-blog.csdnimg.cn/blog_migrate/3edd1a6debd7135a607243b7782ea80f.jpeg)