月度成交分析报告－python代码3

最新推荐文章于 2022-10-30 15:47:18 发布
最新推荐文章于 2022-10-30 15:47:18 发布
阅读量424 收藏
点赞数
分类专栏： python代码收藏
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gulie8/article/details/103349842
版权 

#画一手分销的单数与业绩
#增加'总单数'和'总业绩两列'
fx_df['总单数']=fx_df.一手分销ctm单数+fx_df.一手分销ptm单数
fx_df['总业绩']=fx_df.一手分销ctm业绩+fx_df.一手分销ptm业绩


import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif']=['SimHei']
matplotlib.rcParams['axes.unicode_minus']=False

plt.figure(figsize=(16,6.5),dpi=300)
plt.subplot(211)
plt.bar(range(len(fx_df.index)),fx_df.一手分销ctm单数,
        color='dodgerblue',alpha=0.5,bottom=0,label='一手分销ctm单数')
plt.bar(range(len(fx_df.index)),fx_df.一手分销ptm单数,
        color='deepskyblue',bottom=fx_df.一手分销ctm单数,label='一手分销ptm单数')

plt.xticks(ticks=range(len(fx_df.index)),\
           labels=[str(d1.year)+'年'+str(d1.month)+'月' for d1 in netp_zy.index],\
           fontsize=10)

plt.yticks(ticks=range(0,20,5))

plt.legend(loc='upper left',fontsize=10)

for x,y in zip(range(len(fx_df.index)),fx_df.总单数):
    plt.text(x,y+1,int(y),va='center',ha='center',fontsize=10)


plt.ylabel('单数')

plt.title('一手分销单数与业绩',fontsize=12)




plt.subplot(212)
plt.bar(range(len(fx_df.index)),fx_df.一手分销ctm业绩,
        color='dodgerblue',alpha=0.5,bottom=0,label='一手分销ctm业绩')
plt.bar(range(len(fx_df.index)),fx_df.一手分销ptm业绩,
        color='deepskyblue',bottom=fx_df.一手分销ctm业绩,label='一手分销ptm业绩')

plt.xticks(ticks=range(len(fx_df.index)),\
           labels=[str(d1.year)+'年'+str(d1.month)+'月' for d1 in netp_zy.index],\
           fontsize=10)

plt.yticks(ticks=range(0,450001,100000))

plt.legend(loc='upper left',fontsize=10)

for x,y in zip(range(len(fx_df.index)),fx_df.总业绩):
    plt.text(x,y+8000,int(y),va='center',ha='center',fontsize=10)

plt.xlabel('月份')
plt.ylabel('业绩')

plt.show()










#画我要房产的单数与业绩
#增加'总单数'和'总业绩两列'
wy_df['总单数']=wy_df.我要房产ctm单数+wy_df.我要房产ptm单数
wy_df['总业绩']=wy_df.我要房产ctm业绩+wy_df.我要房产ptm业绩


import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif']=['SimHei']
matplotlib.rcParams['axes.unicode_minus']=False

plt.figure(figsize=(16,6.5),dpi=300)
plt.subplot(211)
plt.bar(range(len(wy_df.index)),wy_df.我要房产ctm单数,
        color='dodgerblue',alpha=0.5,bottom=0,label='我要房产ctm单数')
plt.bar(range(len(wy_df.index)),wy_df.我要房产ptm单数,
        color='deepskyblue',bottom=wy_df.我要房产ctm单数,label='我要房产ptm单数')

plt.xticks(ticks=range(len(wy_df.index)),\
           labels=[str(d1.year)+'年'+str(d1.month)+'月' for d1 in netp_zy.index],\
           fontsize=10)

plt.yticks(ticks=range(5))

plt.legend(loc='upper left',fontsize=10)

for x,y in zip(range(len(wy_df.index)),wy_df.总单数):
    plt.text(x,y+0.2,int(y),va='center',ha='center',fontsize=10)


plt.ylabel('单数')

plt.title('我要房产单数与业绩',fontsize=12)




plt.subplot(212)
plt.bar(range(len(wy_df.index)),wy_df.我要房产ctm业绩,
        color='dodgerblue',alpha=0.5,bottom=0,label='我要房产ctm业绩')
plt.bar(range(len(wy_df.index)),wy_df.我要房产ptm业绩,
        color='deepskyblue',bottom=wy_df.我要房产ctm业绩,label='我要房产ptm业绩')

plt.xticks(ticks=range(len(wy_df.index)),\
           labels=[str(d1.year)+'年'+str(d1.month)+'月' for d1 in netp_zy.index],\
           fontsize=10)

plt.yticks(ticks=range(0,80001,20000))

plt.legend(loc='upper left',fontsize=10)

for x,y in zip(range(len(wy_df.index)),wy_df.总业绩):
    plt.text(x,y+1000,int(y),va='center',ha='center',fontsize=10)

plt.xlabel('月份')
plt.ylabel('业绩')

plt.show()









#画房多多的单数与业绩
#增加'总单数'和'总业绩两列'
fdd_df['总单数']=fdd_df.房多多ctm单数+fdd_df.房多多ptm单数
fdd_df['总业绩']=fdd_df.房多多ctm业绩+fdd_df.房多多ptm业绩


import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif']=['SimHei']
matplotlib.rcParams['axes.unicode_minus']=False

plt.figure(figsize=(16,6.5),dpi=300)
plt.subplot(211)
plt.bar(range(len(fdd_df.index)),fdd_df.房多多ctm单数,
        color='dodgerblue',alpha=0.5,bottom=0,label='房多多ctm单数')
plt.bar(range(len(fdd_df.index)),fdd_df.房多多ptm单数,
        color='deepskyblue',bottom=fdd_df.房多多ctm单数,label='房多多ptm单数')

plt.xticks(ticks=range(len(fdd_df.index)),\
           labels=[str(d1.year)+'年'+str(d1.month)+'月' for d1 in netp_zy.index],\
           fontsize=10)


plt.ylim([0,fdd_df.房多多ctm单数.max()+5])

plt.legend(loc='upper left',fontsize=10)

for x,y in zip(range(len(fdd_df.index)),fdd_df.总单数):
    plt.text(x,y+0.2,int(y),va='center',ha='center',fontsize=10)


plt.ylabel('单数')

plt.title('房多多单数与业绩',fontsize=12)



plt.subplot(212)
plt.bar(range(len(fdd_df.index)),fdd_df.房多多ctm业绩,
        color='dodgerblue',alpha=0.5,bottom=0,label='房多多ctm业绩')
plt.bar(range(len(fdd_df.index)),fdd_df.房多多ptm业绩,
        color='deepskyblue',bottom=fdd_df.房多多ctm业绩,label='房多多ptm业绩')

plt.xticks(ticks=range(len(fdd_df.index)),\
           labels=[str(d1.year)+'年'+str(d1.month)+'月' for d1 in netp_zy.index],\
           fontsize=10)


plt.ylim([0,fdd_df.房多多ctm业绩.max()+10000])

plt.legend(loc='upper left',fontsize=10)

for x,y in zip(range(len(fdd_df.index)),fdd_df.总业绩):
    plt.text(x,y+5000,int(y),va='center',ha='center',fontsize=10)

plt.xlabel('月份')
plt.ylabel('业绩')

plt.show()




















'''##########四.房源成交偏好'''

#1.2019年4月CTM租售总价/租金分布、面积分布



'''#4.1CTM买卖成交房源总价分布'''
import datetime
ctmdf=ctmdeal[ctmdeal.月份==datetime.date(noww.year,noww.month-1,1)]

ctmdf_s=ctmdf[(ctmdf.成交类型=='买卖')&(ctmdf.成交区董!='孙举双')]
    
ctmdf_s['price_group']=pd.cut(ctmdf_s[['Root Id','成交金额']].\
drop_duplicates()['成交金额'],bins=[0,1500000,2000000,2500000,3500000,5000000\
               ,7000000,10000000,1000000000],labels=['150万以下','150万-200万'\
                                           ,'200万-250万','250万-350万','350万-500万',\
                                           '500万-700万','700万-1000万','1000万以上'])
    
plt.figure(figsize=(16,6.5),dpi=300)
ctmdf_s[['Root Id','price_group']].drop_duplicates()['price_group'].value_counts()\
.sort_index().plot(kind='bar',color='dodgerblue')



plt.ylim([0,ctmdf_s[['Root Id','price_group']].drop_duplicates()['price_group'].value_counts().values.max()+10])

for x,y in zip(range(ctmdf_s[['Root Id','price_group']].\
                     drop_duplicates()['price_group'].count()),\
    ctmdf_s[['Root Id','price_group']].drop_duplicates()['price_group'].\
    value_counts().sort_index().values):
    plt.text(x,y+2,str(y)+'  ,'+'%.0f%%' % (round(y/ctmdf_s[['Root Id','price_group']].\
             drop_duplicates()['price_group'].count(),2)*100),ha='center',va='center',fontsize=10)
    
plt.xticks(rotation=360,fontsize=10)

plt.title('2019年'+str(noww.month-1)+'月网络CTM(买卖成交)-房源总价分布',fontsize=12)
plt.xlabel('总价区间')
plt.ylabel('单数')

plt.show()





'''#4.2二手租赁成交房源租金分布'''
ctmdf_r=ctmdf[ctmdf.成交类型=='租赁']
ctmdf_r=ctmdf_r[(ctmdf_r.成交区董!='孙举双')]


    
ctmdf_r['rent_group']=pd.cut(ctmdf_r[['Root Id','成交金额']].\
drop_duplicates()['成交金额'],bins=[0,1000,2000,3000,5000,8000\
               ,10000,30000,50000,100000,1000000],labels=['1千以下','1千-2千',\
                                           '2千-3千','3千-5千','5千-8千',\
                                           '8千-1万','1万-3万','3万-5万',\
                                           '5万-10万','10万以上'])

plt.figure(figsize=(16,6.5),dpi=300)
ctmdf_r[['Root Id','rent_group']].drop_duplicates()['rent_group'].value_counts()\
.sort_index().plot(kind='bar',color='dodgerblue')

plt.ylim([0,ctmdf_r[['Root Id','rent_group']].drop_duplicates()['rent_group'].value_counts().max()+10])

for x,y in zip(range(ctmdf_r[['Root Id','rent_group']].\
                     drop_duplicates()['rent_group'].count()),\
    ctmdf_r[['Root Id','rent_group']].drop_duplicates()['rent_group'].\
    value_counts().sort_index().values):
    plt.text(x,y+2,str(y)+'  ,'+'%.0f%%' % (round(y/ctmdf_r[['Root Id','rent_group']].\
             drop_duplicates()['rent_group'].count(),2)*100),ha='center',\
    va='center',fontsize=10)
    
plt.xticks(rotation=360,fontsize=10)

plt.title('2019年'+str(noww.month-1)+'月网络CTM(租赁成交)-房源租金分布',fontsize=12)

plt.xlabel('租金区间')
plt.ylabel('单数')

plt.show()





'''#4.3 2019年3月CTM二手买卖成交房源面积分布'''

ctmdf_s['mianji_group']=pd.cut(ctmdf_s['成交面积'],bins=\
     [0,50,100,150,200,250,300,350,500,5000],labels=\
     ['50平以下','50平-100平','100平-150平','150平-200平','200平-250平',\
      '250平-300平','300平-350平','350平-500平','500平以上'])

plt.figure(figsize=(16,6.5),dpi=300)
ershou_mianji=ctmdf_s[['Root Id','mianji_group']].drop_duplicates()['mianji_group'].\
value_counts().sort_index()

ershou_mianji.plot(kind='bar',color='dodgerblue')

plt.title('2019年'+str(noww.month-1)+'月网络CTM(买卖成交)-面积分布',fontsize=12)
plt.xlabel('面积区间')
plt.ylabel('成交单数')

for x,y in zip(range(len(ershou_mianji.index)),ershou_mianji.values):
    plt.text(x,y+3,str(y)+'  ,'+'%.0f%%' % (round(y/ctmdf_s[['Root Id','mianji_group']].\
             drop_duplicates()['mianji_group'].count(),2)*100),\
             fontsize=10,va='center',ha='center')
    
plt.xticks(ticks=range(len(ershou_mianji.index)),\
           labels=ershou_mianji.index,rotation=360,fontsize=10)


plt.show()





'''#4.4 2019年3月CTM二手租赁成交房源面积分布'''

ctmdf_r['mianji_group']=pd.cut(ctmdf_r['成交面积'],bins=\
     [0,50,100,150,200,250,300,350,500,5000],labels=\
     ['50平以下','50平-100平','100平-150平','150平-200平','200平-250平',\
      '250平-300平','300平-350平','350平-500平','500平以上'])

plt.figure(figsize=(16,6.5),dpi=300)
ershou_mianji=ctmdf_r[['Root Id','mianji_group']].drop_duplicates()['mianji_group'].\
value_counts().sort_index()
ershou_mianji.plot(kind='bar',color='dodgerblue')

plt.title('2019年'+str(noww.month-1)+'月网络CTM(租赁成交)-面积分布',fontsize=12)

plt.xlabel('面积区间')
plt.ylabel('成交单数')

for x,y in zip(range(len(ershou_mianji.index)),ershou_mianji.values):
    plt.text(x,y+3,str(y)+'  ,'+'%.0f%%' % (round(y/ctmdf_r[['Root Id','mianji_group']].\
             drop_duplicates()['mianji_group'].count(),2)*100),\
             fontsize=10,va='center',ha='center')
    
plt.xticks(ticks=range(len(ershou_mianji.index)),\
           labels=ershou_mianji.index,rotation=360,fontsize=10)

plt.show()







'''#4.5.2019年3月CTM租售总价top20单'''

#2019年3月CTM二手买卖成交总价最高的20单
estate20price=ctmdf_s[['成交金额','楼盘名称','Root Id','成交区董']].drop_duplicates().\
sort_values(by='成交金额',ascending=False).reset_index()\
[['楼盘名称','成交区董','成交金额']].head(20)
print('\n2019年'+str(noww.month-1)+'月网络CTM二手买卖成交-总价最高的20单:\n\n',estate20price)


#2019年3月CTM二手租赁成交租金最高的20单
estate20zujin=ctmdf_r[['成交金额','楼盘名称','Root Id','成交区董']].drop_duplicates().\
sort_values(by='成交金额',ascending=False).reset_index()\
[['楼盘名称','成交区董','成交金额']].head(20)
print('\n2019年'+str(noww.month-1)+'月CTM二手租赁成交-租金最高的20单:\n\n',estate20zujin)


#2019年3月CTM二手买卖成交业绩最高的20单
estate20yeji=ctmdf_s[['CTM业绩','楼盘名称','Root Id','成交区董']].drop_duplicates().\
sort_values(by='CTM业绩',ascending=False).reset_index()\
[['楼盘名称','成交区董','CTM业绩']].head(20)

print('\n2019年'+str(noww.month-1)+'月网络CTM二手买卖成交-业绩最高的20单:\n\n',estate20yeji)





'''4.6#2019年3月CTM二手买卖&租赁成交单数最多的20个小区'''
xqsmost=ctmdf_s.reset_index()[['楼盘名称','Root Id','成交区董']].drop_duplicates()\
['楼盘名称'].value_counts()
xqsmost=xqsmost.sort_values(ascending=False).head(20)

xqrmost=ctmdf_r.reset_index()[['楼盘名称','Root Id','成交区董']].drop_duplicates()\
['楼盘名称'].value_counts()
xqrmost=xqrmost.sort_values(ascending=False).head(20)

print('\n2019年'+str(noww.month-1)+'月网络CTM二手买卖成交单数最多的小区top20:\n\n',xqsmost)
print('\n2019年'+str(noww.month-1)+'月网络CTM二手租赁成交单数最多的小区top20:\n\n',xqrmost)





'''4.7#2019年3月CTM二手买卖成交面积最高&最低的20单'''

xqtop_mianji=ctmdf_s.reset_index()[['Root Id','楼盘名称','成交面积','成交区董']].\
drop_duplicates().sort_values(by=['成交面积'],ascending=False).head(20)\
[['楼盘名称','成交区董','成交面积']]

print('\n2019年'+str(noww.month-1)+'月网络CTM二手买卖成交-面积最高的20单:\n\n',\
      xqtop_mianji)


xqbottom_mianji=ctmdf_s.reset_index()[['Root Id','楼盘名称','成交面积','成交区董']].\
drop_duplicates().sort_values(by=['成交面积'],ascending=True).head(20)\
[['楼盘名称','成交区董','成交面积']]

print('\n2019年'+str(noww.month-1)+'月网络CTM二手买卖成交-面积最低的20单:\n\n',\
      xqbottom_mianji)




'''4.8#2019年3月CTM二手买卖成交面积与金额相关性'''
corr_mj_price=ctmdf_s.reset_index()[['成交金额','成交面积']].drop_duplicates()

plt.figure(figsize=(16,7),dpi=300)
plt.scatter(corr_mj_price['成交面积'],corr_mj_price['成交金额'],color='r')

plt.annotate('相关系数为  %s' % format(corr_mj_price['成交面积'].\
                          corr(corr_mj_price['成交金额'],method='spearman'),'.2f'),\
    xy=(250,1.0e+07),color='m',fontsize=15)

plt.title('\n2019年'+str(noww.month-1)+'月网络CTM买卖成交房源--面积&总价的相关程度',fontsize=16)   

plt.xlabel('房源面积')
plt.ylabel('房源总价')

plt.show()







































#大战区总单数、业绩按面积分布情况
import datetime
nowtime=datetime.datetime.now()
previous_month=datetime.date(nowtime.year,nowtime.month-1,1)


dazhan_ctm=ctmdeal[(ctmdeal.月份==str(previous_month))&(ctmdeal.成交网站=='中原网')]

dazhan_ctm['mianji_gp']=pd.cut(dazhan_ctm['成交面积'],bins=\
     [0,50,100,150,200,250,300,350,500,5000],labels=\
     ['50平以下','50平-100平','100平-150平','150平-200平','200平-250平',\
      '250平-300平','300平-350平','350平-500平','500平以上'])
    
dazhan_ctm['price_gp']=pd.cut(dazhan_ctm[['Root Id','成交金额']].\
drop_duplicates()['成交金额'],bins=[0,1000,2000,3000,5000,8000,10000,30000,\
               50000,100000,1500000,2000000,2500000,3500000,5000000,7000000,\
               10000000,1000000000],labels=['1千以下','1千-2千',\
                                           '2千-3千','3千-5千','5千-8千',\
                                           '8千-1万','1万-3万','3万-5万',\
                                           '5万-10万','150万以下',\
                                           '150万-200万','200万-250万',\
                                           '250万-350万','350万-500万',\
                                           '500万-700万','700万-1000万','1000万以上'])

dazhan_mj_ctm=dazhan_ctm[['Root Id','mianji_gp','CTM业绩']].\
drop_duplicates().groupby(['mianji_gp']).agg({'Root Id':len,'CTM业绩':sum}).fillna(0)

    
dazhan_mj_ctm=dazhan_mj_ctm.rename(columns={'CTM业绩':'总业绩','Root Id':'单数'})

dazhan_price_ctm=dazhan_ctm[['Root Id','price_gp','CTM业绩']].\
drop_duplicates().groupby(['price_gp']).agg({'Root Id':len,'CTM业绩':sum}).fillna(0)

dazhan_mj_ctm=dazhan_mj_ctm.rename(columns={'CTM业绩':'总业绩','Root Id':'单数'})

dazhan_price_ctm=dazhan_price_ctm.rename(columns={'CTM业绩':'总业绩','Root Id':'单数'})




#ptm
dazhan_ptm=ptmdeal[ptmdeal.成交网站=='中原网']    
    
dazhan_ptm['mianji_gp']=pd.cut(dazhan_ptm['面积'],bins=\
     [0,50,100,150,200,250,300,350,500,5000],labels=\
     ['50平以下','50平-100平','100平-150平','150平-200平','200平-250平',\
      '250平-300平','300平-350平','350平-500平','500平以上']) 
    
dazhan_ptm['price_gp']=pd.cut(dazhan_ptm[['成交编号','总价']].\
drop_duplicates()['总价'],bins=[0,1000,2000,3000,5000,8000,10000,30000,\
               50000,100000,1500000,2000000,2500000,3500000,5000000,7000000,\
               10000000,1000000000],labels=['1千以下','1千-2千',\
                                           '2千-3千','3千-5千','5千-8千',\
                                           '8千-1万','1万-3万','3万-5万',\
                                           '5万-10万','150万以下',\
                                           '150万-200万','200万-250万',\
                                           '250万-350万','350万-500万',\
                                           '500万-700万','700万-1000万','1000万以上'])
    
dazhan_mj_ptm=dazhan_ptm[['成交编号','总业绩','mianji_gp']].\
drop_duplicates().groupby(['mianji_gp']).agg({'成交编号':len,'总业绩':sum}).fillna(0)

dazhan_mj_ptm=dazhan_mj_ptm.rename(columns={'成交编号':'单数'})

dazhan_price_ptm=dazhan_ptm[['成交编号','总业绩','price_gp']].\
drop_duplicates().groupby(['price_gp']).agg({'成交编号':len,'总业绩':sum}).fillna(0)

dazhan_price_ptm=dazhan_price_ptm.rename(columns={'成交编号':'单数'})



#导出
import datetime

dazhan_mj_yeji=pd.concat([dazhan_mj_ctm,dazhan_mj_ptm],join='outer').groupby(['mianji_gp']).sum()
dazhan_mj_yeji.to_excel(r'd:\Users\zhanggl21\Desktop\%s中原网分面积段总单数与总业绩.xlsx' \
                        %(str(datetime.datetime.now().year)\
                          +'年'+str(datetime.datetime.now().month-1)+'月'))


dazhan_price_yeji=pd.concat([dazhan_price_ctm,dazhan_price_ptm],\
                            join='outer').groupby(['price_gp']).sum()

dazhan_price_yeji.to_excel(r'd:\Users\zhanggl21\Desktop\%s中原网分价格段总单数与总业绩.xlsx'\
                           %(str(datetime.datetime.now().year)\
                          +'年'+str(datetime.datetime.now().month-1)+'月'))











#CTM整体数据(中原网VS全公司)
zy_df=ctmdeal[(ctmdeal.月份=='2019-10-01')&(ctmdeal.成交网站=='中原网')]

print('中原网CTM分租售的单数和业绩为：\n',zy_df\
      [['Root Id','成交类型','CTM业绩']].drop_duplicates().\
      groupby(['成交类型']).agg({'Root Id':len,'CTM业绩':sum}))

print('中原网CTM分租售的最大最小业绩\n',zy_df\
      [['Root Id','成交类型','CTM业绩']].drop_duplicates().\
      groupby(['成交类型'])['CTM业绩'].agg([max,min]))

 

gulie8
关注
专栏目录
大数据分析案例-基于RFM模型对电商客户价值分析（聚类）
m0_64336780的博客
10-31 6585
随着电商的不断发展，网上购物变得越来越流行。更多电商平台崛起，对于电商卖家来说增加的不只是人们越来越高的需求，还要面对更多强大的竞争对手。面对这些挑战，就需要能够及时发现店铺经营中的问题，并且能够有效解决这些实际的问题，从而提升自身的竞争力。 根据已有数据对店铺整体运营情况进行分析，了解运营状况，对未来进行预测，已经成为电商运营必不可少的技能。
python获取股票_使用Python获取股票数据
weixin_39629679的博客
02-21 1525
下面是两种获取股票数据的方法，使用的编程语言是python。1. 方法一从“yahoo”获取“海通证券”(600837)的股票数据，时间从2020.1.1到今天(2020.8.21)，代码如下。import pandas as pdimport pandas_datareader.data as webimport datetimefrom matplotlib import pyplot as...
python数据处理实例之月销售额时序变化及月环比可视化展现
m0_69435474的博客
04-22 4303
pandas、matplotlib库，对数据进行日期格式转化，分组聚合函数等，最后利用matplotlib库对其进行可视化，还有散点图的画法及线性回顾趋势预测等
Python3 如何使用Pandas库将日数据转换为周数据、月数据或季度数据
weixin_44904908的博客
07-01 1万+
Python3 如何使用Pandas库将日数据转换为周数据、月数据或季度数据 最近碰到了需要对某只股票的时间序列日数据，转换为3天、5天、周数据、月数据、甚至两月一次的数据（bimonthly data）的需求，做个笔记记录一下： # 数据来源于tushare, 包括股票代码（ts_code）、 交易日期（trade_date）、最高价(high)、最低价(low)、收盘价(close)等 # 省略数据获取的过程，数据格式为DataFrame ''' 将数据转换为时间序列数据， 调用pandas的to_d
Python pandas学习，绘制按月份的销售额，for循环构造一个pandas
Kp0fS的草稿纸
10-20 889
# import numpy as np import pandas as pd dataPath = r'D:\\\\data.csv' df =pd.read_csv(dataPath) # 任务1：绘制按月份的销售额 columnName = r'1、请选择：日期' r = df.sort_values(by=columnName)# 这个就是我想要的排序算法 print("hello") type(df) df.head() index = df.index columns .
如何用python计算营业额_如何用python计算上个月的最高总销售额
weixin_42366954的博客
02-05 3045
首先创建DatetimeIndex：#if necessary#df = df.set_index('Date')#df['Date'] = pd.to_datetime(df['Date'])print (df)Store1 Store2 Store3 Store4Date2018-06-01 2643 1642 2678 30502018-07-16 644...
Python分析电商销售数据
记录分享编程与冲浪知识
10-30 1742
DataFrame，python日期转换，日期筛选
python分析每月销售数据_利用Python进行某单品销售数据分析
weixin_39558804的博客
12-05 2425
本篇文章将利用Python工具对一份某商品的销售数据进行如下几个方面的分析，结合业务场景，构件常用业务指标，以从销售数据中挖掘出其潜在的商业价值，促进运营。用户消费趋势分析；用户个体消费分析；用户消费行为分析(利用RFM模型将用户进行重要性分层以及按照用户生命周期对用户进行活跃程度的区分)；复购率和回购率的分析。数据导入：第三方包的导入&利用pandas中的read_table函数进行tx...
用python把股票日K线转换成月K线周期数据,这可能是网上最稀缺的代码
lmhopen的博客
08-12 2331
先爬取K线数据保存为temp.csv,python如何爬取股票数据的代码我有另外的文章介绍.用python把股票日线转换成月K线周期,这可能是网上最稀缺的代码.然后读取文件里的日K线数据转换成月K线周期,再保存成CSV文件。在网上找了半天,真的非常稀缺,把日K线转换成月线周期.东拼西凑,再加上自己的修改,终于写出来了....
python 计算 换手率_backtrader如何加载股票因子数据？以换手率、市盈率为例进行回测【附Python代码】...
weixin_39666931的博客
12-05 1259
1引言关于backtrader，公众号已连续发布了三篇推文：《2数据扩展实例01数据准备下面使用tushare pro获取个股交易数据，包含日期(datetime)、价格(open、high、low、close)和成交量(volume)、换手率(turnover_rate)、市盈率(pe)、市净率(pb)等数据。import pandas as pdimport tushare as ts#tus...
利用Python将时间序列数据按月或者年度汇总
Xianglx的博客
01-02 8436
直接放代码！ # 这段代码可以将时间序列的数据进行汇总，日->月->年 # 使用时，先读入文件，然后保留字段到仅有时间列和值列，通过对时间列的切片，以实现分组汇总功能 import pandas as pd # 读取文件 file = r'D:\Desktop\Statistical_index.xlsx' df = pd.read_excel(file) # 查看原始字段 print(df.head()) #删除无关字段 del df['keyword'] del df['type'
python股票收益率计算_股票分析之——收益率（附完整代码和讲解）
热门推荐
weixin_39886547的博客
12-06 2万+
本节将介绍常见股票分析中的基础分析：收益率。股票收益的两大源头为：红利和股票价值变动的部分。由于我们只使用雅虎财经接口获取股票的相关数据，因此就并不考虑红利和其他因素，只考虑在某个时段的交易中股票本身价值变化的百分比。实际上，从日常经验看，我们也只考虑股票价值本身的变化。如果有读者对Python语言不熟悉，没关系，这里有一个港大毕业并一直在做量化分析的老师的良好建议。反正做事情没那么简单，也没那么...
Python计算股票收益率、Alpha和Beta系数
路在脚下
04-17 1万+
股票收益率、Alpha和Beta系数
得到各种收益率
图灵与对话
09-12 1745
%function [weight,rate]= getWeightRate(dateStr,indexStr) %{ Ps(rs-A)+(Ps-Po)*a Ps（Wf*rf -Wf*Ri）+（ Wf*Ri- Wi*Ri） 其中 要确定的就是Wf 也是28个行业的，如果没有就确定为0 ，说明他们对行业的判断是没有增长，如果增长了，说明判断不够准确 Ps*Wf*（Rf
A股月份效应的研究——基于python量化视角(backtrader回测)
xiaowu1997的博客
02-03 3563
A股的月份效应探究，基于python量化及backtrader回测
python收益率计算-scipy.optimize-大量计算的好帮手
云金杞
02-10 5374
import time import datetimefrom scipy.optimize import fsolve for i in range(1,50): print('第'+str(i)+'次计算开始') x = Symbol('x') startTime=time.strftime('%Y-%m-%d %H:%M:%S',time.localtime())
时间序列分析（1）Python-计算简单收益率
云金杞
02-17 2万+
# -*- coding: utf-8 -*- """ Created on Fri Feb 17 11:30:57 2017 @author: yunjinqi E-mail:yunjinqi@qq.com Differentiate yourself in the world from anyone else. """ import pandas as pd df=pd.read_exc
将科学计数法表示的DataFrame数据转换为浮点数
gulie8的博客
08-26 4381
#将科学计数法表示的数据转换为浮点数 qddf['业绩(拆分)']=['%.2f' % x for x in qddf['业绩(拆分)'].values] #筛选出指定时间段的数据 cjdf.月份=pd.to_datetime(cjdf.月份) cjdf=cjdf[(cjdf.月份>'2021-06-01')] 一般有两种方法： 1.将df['date']转换为dtype系列datetime64[ns]，使用布尔型掩码，然后使用 df.loc[mask]. 2....
Sojern 旅游营销广告月度分析报告
Sojern公司所发布的旅游营销广告报告是一份专业的月度分析文件，该报告涵盖了旅游行业的最新动态、营销趋势、广告投放效果和行业分析等重要信息。通过这份报告，相关行业从业者和决策者可以了解到旅游市场中广告投放...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值