python数据分析作业——

import pandas as pd
import matplotlib.pyplot as plt

# 读取 Excel 文件
data = pd.read_excel(r'C:\Users\XXGC\Desktop\2020年销售数据.xlsx')

# 将日期列转换为日期类型
data['销售日期'] = pd.to_datetime(data['销售日期'])

# 根据日期进行分组,并对售价和销售数量进行求和
grouped_data = data.groupby('销售日期').agg({'售价': 'sum', '销售数量': 'sum'})

# 绘制图表
plt.plot(grouped_data.index, grouped_data['售价'], label='Price')
plt.plot(grouped_data.index, grouped_data['销售数量'], label='Quantity sold')

plt.xlabel('date')
plt.ylabel('Numerical value')
plt.title('The price and quantity sold vary with the date')
plt.legend()
plt.show()

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
这个Python期末大作业是一个基于协同过滤算法的电影推荐系统,采用了neo4j数据库来存储和查询电影数据。协同过滤算法是一种利用用户的历史行为和兴趣来进行推荐的方法,它可以根据用户的喜好和其他用户的相似度来推荐用户可能感兴趣的电影。 这个电影推荐系统的实现包括以下几个步骤:首先,通过爬虫从网上获取电影的相关信息,比如电影的名字、导演、演员、类型等等,并将这些信息存储到neo4j数据。然后,根据用户的历史行为和评分数据,计算用户之间的相似度,并将相似度的结果也存储到数据。接下来,当用户登录系统并选择了一个电影,系统会根据用户喜欢的电影类型和其他用户的相似度,从数据查找可能感兴趣的电影,并进行推荐。 通过采用neo4j数据库,这个电影推荐系统可以更高效地存储和查询大数据量的电影信息和用户数据。neo4j是一个数据库,它的存储结构和的结构相似,可以更好地支持复杂的关系型数据的存储和查询。同时,neo4j也提供了丰富的查询语言和API,方便我们实现各种复杂的查询和推荐算法。 总而言之,这个基于协同过滤算法的电影推荐系统使用了neo4j数据库来存储和查询电影数据,通过分析用户的历史行为和其他用户的相似度来进行推荐,可以更好地满足用户的个性化需求。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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