python数据分析基础——批量进行数据分析!(1)

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）