python数据分析-连云港石化基地2023年用电量分析-CSDN博客

本文链接：https://blog.csdn.net/m0_62638421/article/details/139785947

一、研究背景和意义

研究背景：

随着经济的快速发展和能源需求的不断增长，电力作为现代社会的重要能源之一，其供应和使用情况对于地区的经济发展和社会稳定具有重要意义。连云港石化基地作为我国重要的石化产业基地之一，其用电量的变化情况不仅反映了该地区石化产业的发展状况，也对当地的能源供应和环境保护提出了挑战。因此，对连云港石化基地 2023 年用电量进行分析，对于了解该地区的经济发展和能源利用情况具有重要意义。

研究意义：

为政府部门提供决策依据：通过对连云港石化基地 2023 年用电量的分析，可以了解该地区的能源需求和供应情况，为政府部门制定能源政策和规划提供决策依据。。。。。

二、实证分析

首先读取数据集并分别进行描述性统计分析

import pandas as pd
import matplotlib.pyplot as plt


# Load the data from the provided Excel files
file_path1 = 'data1.xlsx'
file_path2 = 'data2.xlsx'

data1 = pd.read_excel(file_path1)
data1

数据和代码

数据代码报告

描述性统计指标	电量（千瓦时）
mean	10520790.03
std	49460379.16
min	117.00
25%	14159.75
50%	40020.00
75%	283996.25
max	377454691.00

根据所提供的电量数据的描述性统计指标，可以得到以下结论：

在进行电量数据的描述性统计分析中，我们采取了一系列细致的处理规则：首先排除了所有异常或不完整的数据记录，确保所有数据均以千瓦时为单位，并利用标准统计方法来计算了各种关键指标。我们的分析主要关注了数据的集中趋势、离散程度，以及极端值的识别。通过对比均值（约10,520,790.03千瓦时）和中位数（40,020.00千瓦时），我们发现尽管平均电量相对较高，但大部分数据点集中在较低的电量值，这暗示着数据中可能存在少数高用电量的异常值。。

接下来分析一下不同企业的用电情况，这里我们筛选出了排名前十的企业：

top_companies

# 为每个企业选择一个不同的颜色
colors = plt.cm.tab10(np.arange(len(companies)))

# 绘制柱状图
plt.figure(figsize=(10, 8),dpi=200)
plt.bar(companies, electricity, color=colors)
plt.xlabel('企业名称')
plt.ylabel('用电量')
plt.title('不同企业的用电量情况')
plt.xticks(rotation=45)  # 如果企业名称较长，可以旋转以免重叠
# plt.grid(True)  # 显示网格线

# 设置y轴标签为非科学技术法显示
plt.gca().ticklabel_format(axis='y', style='plain')
plt.show()

首先，我们对数据进行了彻底的清洗和验证，确保所有用电数据均准确无误。然后，我们从企业规模和行业类型这两个维度对数据进行了对比分析。具体来说，我们将企业按照用电量进行了排名，以此识别出用电量最高的企业。分析结果表明，盛虹炼化（连云港）有限公司和连云港石化有限公司的用电量显著高于其他企业，这反映了它们作为该地区主要炼油或化工企业的能源密集特性。它们对电力的巨大需求可能是支持高强度生产过程所必需的。紧随其后的江苏瑞恒新材料科技有限公司，其用电量也相对较高，这可能指示该公司是一家从事新材料生产的高能耗企业。与这些企业相比，其他企业的用电量相对较低，这可能反映了它们较小的规模或参与的行业对能源的需求相对较低。尽管如此，这些企业仍在当地经济中扮演着重要角色。

接下来再看一下计算每个月的总用电量并且可视化：

# 转换日期列为日期时间对象
data1['月份'] = data1['时间'].dt.month
data1['月份']
# 绘制条形图
plt.figure(figsize=(12, 6),dpi=200)
sns.barplot(x=monthly_electricity.index, y=monthly_electricity.values)
plt.title('每月用电量分布')
plt.xlabel('月份')
plt.ylabel('用电量（千瓦时）')
# 设置y轴标签为非科学技术法显示
plt.gca().ticklabel_format(axis='y', style='plain')
plt.show()

分析结果显示，用电量在一年中呈现出明显的季节性变化。例如，7月、8月和11月的用电量相对较高，可能与这些月份工业生产活动的增加或气候变化有关，而2月、6月和10月的用电量较低，这可能反映了生产活动的减少或经济放缓。因此，月度用电量变化可以被视为衡量当地经济活动水平和健康状况的重要指标。。。。

接下来，以江苏瑞恒新材料科技有限公司为代表，展示该公司的用电占比：

我们的分析结果显示，江苏瑞恒新材料科技有限公司的用电量占比高达14.8%，这一显著的比例不仅展示了该公司在当地能源消耗方面的重要性，而且暗示了其较大的企业规模和市场影响力。在典型经济体中，企业的用电量往往与其规模、产能和产品产出水平紧密相关。较高的用电量可能表明该公司拥有大型生产设施和高产出的生产线。此外，这一较高的用电量占比还可能反映出该公司在其行业中的领先地位，如在新材料科技领域的技术优势或市场占有率。

接下来项目用电对比，按项目分组并计算每个项目的总用电量（这里我们选取了前20个项目的用电量），并且可视化：

project_electricity = data2.groupby('项目')['电量'].sum().sort_values(ascending=False).head(20)
# 重置索引，便于作图
project_electricity_df = project_electricity.reset_index()

# 绘制条形图
plt.figure(figsize=(8, 10),dpi=300)
sns.barplot(x='电量', y='项目', data=project_electricity_df)
plt.title('前20个项目的用电量对比')
plt.xlabel('总用电量（千瓦时）')
plt.ylabel('项目')
plt.xticks(rotation=90)
# 设置y轴标签为非科学技术法显示
plt.gca().ticklabel_format(axis='x', style='plain')
plt.show()