2021泰迪杯A题-通讯产品销售和盈利能力分析_任务一解题代码

已于 2022-12-03 16:50:38 修改
阅读量1k 收藏 11
点赞数 3
分类专栏： 泰迪杯 文章标签： python 开发语言 数据分析
于 2022-11-11 10:34:48 首次发布
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/qq_53217531/article/details/127801774
版权 
import pandas as pd

统计
data = pd.read_excel('非洲通讯产品销售数据.xlsx',engine = 'openpyxl',sheet_name = 0)
data1 = data.copy()

data1.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1056 entries, 0 to 1055
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   日期      1056 non-null   datetime64[ns]
 1   国家      1056 non-null   object        
 2   城市      1056 non-null   object        
 3   地区      1056 non-null   object        
 4   服务分类    1056 non-null   object        
 5   销售额     1056 non-null   float64       
 6   利润      1056 non-null   float64       
dtypes: datetime64[ns](1), float64(2), object(4)
memory usage: 57.9+ KB

data1['年'] = data1.iloc[:,0].dt.year
data1.head(2)
日期国家城市地区服务分类销售额利润年
02017-01-01Cote d'IvoireAbidjanWesternCommercial656.966.572017
12017-01-01MadagascarAntananarivoEasternPublic875.94-70.082017
data2 = data1.groupby(['年','地区'])['销售额'].sum()
data3 = data1.groupby(['年','地区'])['利润'].mean()

data4 = data1.groupby(['年','国家'])['销售额'].sum()
data5 = data1.groupby(['年','国家'])['利润'].mean()

data6 = data1.groupby(['年','服务分类'])['销售额'].sum()
data7 = data1.groupby(['年','服务分类'])['利润'].mean()

data1['季度'] = data1.iloc[:,0].dt.quarter
data1.head(2)
日期国家城市地区服务分类销售额利润年季度
02017-01-01Cote d'IvoireAbidjanWesternCommercial656.966.5720171
12017-01-01MadagascarAntananarivoEasternPublic875.94-70.0820171
data8 = data1.groupby(['季度','地区'])['销售额'].sum()
data9 = data1.groupby(['季度','地区'])['利润'].mean()

data10 = data1.groupby(['季度','国家'])['销售额'].sum()
data11 = data1.groupby(['季度','国家'])['利润'].mean()

data12 = data1.groupby(['季度','服务分类'])['销售额'].sum()
data13 = data1.groupby(['季度','服务分类'])['利润'].mean()
计算同比增长率

同比增长是指和上一时期、上一年度或历史相比的增长（幅度）。 计算公式：同比增长率=（本期数－同期数）÷同期数×100%。 某个指标的同比增长率=（ 现年的某个指标的值-上年同期这个指标的值）/上年同期这个指标的值
中文名: 同比增长
公式: （本期数－同期数）÷同期数×100%

data4.head(2)

年     国家     
2017  Algeria    2867.75
      Angola     1451.46
Name: 销售额, dtype: float64

data5.head(2)

年     国家     
2017  Algeria    -4.930
      Angola     30.955
Name: 利润, dtype: float64

data14 = data4.reset_index()

data15 = pd.pivot_table(data14,values = ['销售额'],index = ['国家','年'])
data15 = data15.reset_index()

data15['销售额同比增长'] = data15.groupby('国家')['销售额'].diff()

data15['销售额同比增长率'] = data15['销售额同比增长']/(data15['销售额']-data15['销售额同比增长'])

data16 = data15.pivot(index='国家',columns='年',values='销售额')
data16 = data16.reset_index()

s = data15[data15['年']==2018]['销售额同比增长率']
s=s.reset_index()
data16['2017-2018年销售额同比增长率'] = s['销售额同比增长率']

s1 = data15[data15['年']==2019]['销售额同比增长率']
s1=s1.reset_index()
data16['2018-2019年销售额同比增长率'] = s1['销售额同比增长率']

s2 = data15[data15['年']==2020]['销售额同比增长率']
s2=s2.reset_index()
data16['2019-2020年销售额同比增长率'] = s1['销售额同比增长率']

data16 = data16.set_index('国家')
data16.head(2)
年20172018201920202017-2018年销售额同比增长率2018-2019年销售额同比增长率2019-2020年销售额同比增长率
国家
Algeria2867.752068.731181.662223.79-0.278623-0.428799-0.428799
Angola1451.461362.601164.262102.77-0.061221-0.145560-0.145560
data17 = data5.reset_index()

data17 = pd.pivot_table(data17,values=['利润'],index=['国家','年'])
data17 = data17.reset_index()

data17['利润同比增长'] = data17.groupby('国家')['利润'].diff()

data17['利润同比增长率'] = data17['利润同比增长']/(data17['利润']-data17['利润同比增长'])
#print(data17)
data18 = data17.pivot(index='国家',columns='年',values='利润')
data18 = data18.reset_index()

s3 = data17[data17['年']==2018]['利润同比增长率']
s3 = s3.reset_index()
data18['2017-2018年利润同比增长率'] = s3['利润同比增长率']

s4 = data17[data17['年']==2019]['利润同比增长率']
s4 = s4.reset_index()
data18['2018-2019年利润同比增长率'] = s4['利润同比增长率']

s5 = data17[data17['年']==2020]['利润同比增长率']
s5 = s5.reset_index()
data18['2019-2020年利润同比增长率'] = s5['利润同比增长率']

data18.head(2)
年国家20172018201920202017-2018年利润同比增长率2018-2019年利润同比增长率2019-2020年利润同比增长率
0Algeria-4.93015.137.4800-12.5650-4.068966-0.505618-2.679813
1Angola30.955-15.901.537520.7425-1.513649-1.09669812.491057


data19 = data6.reset_index()
data20 = pd.pivot_table(data19,index=['服务分类','年'],values='销售额')
data20 = data20.reset_index()

data20['各服务分类销售额同比增长'] = data20.groupby('服务分类')['销售额'].diff()
data20['各服务分类销售额同比增长率'] = data20['各服务分类销售额同比增长']/(data20['销售额']-data20['各服务分类销售额同比增长'])

data21 = data20.pivot(index='服务分类',columns='年',values='销售额')
data21 = data21.reset_index()

ss = data20[data20['年']==2018]['各服务分类销售额同比增长率']
ss = ss.reset_index()
data21['2017-2018年各服务分类销售额同比增长率'] = ss['各服务分类销售额同比增长率']

ss1 = data20[data20['年']==2019]['各服务分类销售额同比增长率']
ss1 = ss1.reset_index()
data21['2018-2019年各服务分类销售额同比增长率'] = ss1['各服务分类销售额同比增长率']

ss2 = data20[data20['年']==2020]['各服务分类销售额同比增长率']
ss2 = ss2.reset_index()
data21['2019-2020年各服务分类销售额同比增长率'] = ss2['各服务分类销售额同比增长率']

data21
年服务分类20172018201920202017-2018年各服务分类销售额同比增长率2018-2019年各服务分类销售额同比增长率2019-2020年各服务分类销售额同比增长率
0Commercial42016.7643427.2051169.6742060.430.0335690.178286-0.178020
1Public44802.8140280.0438341.0740102.73-0.100948-0.0481370.045947
2Residential51826.0746863.3540885.0743736.38-0.095757-0.1275680.069740
#有关服务分类的逐年利润同比增长率方法同上，此处便不一一写出

sum

<function sum(iterable, /, start=0)>

统计
data1.head(2)
日期国家城市地区服务分类销售额利润年季度
02017-01-01Cote d'IvoireAbidjanWesternCommercial656.966.5720171
12017-01-01MadagascarAntananarivoEasternPublic875.94-70.0820171
data22 = pd.pivot_table(data1,index=['地区','国家','服务分类'],values=['销售额','利润'],aggfunc=['mean',sum])
data22.head(2)
meansum
利润销售额利润销售额
地区国家服务分类
EasternBurundiCommercial19.726667409.45666759.181228.37
Public3.851429531.43000026.963720.01
s21 = data22['mean']['利润']
s21 = s21.reset_index()
s22 = data22['sum']['销售额']
s22 = s22.reset_index()
data22.drop(columns=['mean','sum'],inplace=True)
data22 = data22.reset_index()
data22['利润'] = s21['利润']
data22['销售额'] = s22['销售额']
data22.head(2)
地区国家服务分类利润销售额
0EasternBurundiCommercial19.7266671228.37
1EasternBurundiPublic3.8514293720.01
data23 = pd.pivot_table(data22,index=['地区','国家','服务分类'],values=['销售额','利润'])
data23.head(2)

C:\Users\31214\AppData\Local\Temp\ipykernel_13176\515147003.py:1: PerformanceWarning: dropping on a non-lexsorted multi-index without a level parameter may impact performance.
  data23 = pd.pivot_table(data22,index=['地区','国家','服务分类'],values=['销售额','利润'])
利润销售额
地区国家服务分类
EasternBurundiCommercial19.7266671228.37
Public3.8514293720.01

data30 = pd.read_excel('非洲通讯产品销售数据.xlsx',engine = 'openpyxl',sheet_name = 1)
data30 = data30.drop(columns=['Unnamed: 5','备注：本表格中“销售合同”为“已成交合同”。'])
data31 = data30.copy()
data31.head(2)
日期销售经理地区销售合同成交率
02017-01-01Aiden MorrisWestern130.55
12017-01-01Audrey BakerEastern110.30
data32 = data31.groupby('销售经理')['销售合同'].sum()
s32 = data31.groupby('销售经理')['成交率'].mean()
s32= s32.reset_index()
data32 = data32.reset_index()
data32['成交率'] = s32['成交率']
data32.head(2)
销售经理销售合同成交率
0Aiden Morris1900.479167
1Audrey Baker2030.378125



data41 = data1.copy()
data41.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1056 entries, 0 to 1055
Data columns (total 9 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   日期      1056 non-null   datetime64[ns]
 1   国家      1056 non-null   object        
 2   城市      1056 non-null   object        
 3   地区      1056 non-null   object        
 4   服务分类    1056 non-null   object        
 5   销售额     1056 non-null   float64       
 6   利润      1056 non-null   float64       
 7   年       1056 non-null   int64         
 8   季度      1056 non-null   int64         
dtypes: datetime64[ns](1), float64(2), int64(2), object(4)
memory usage: 74.4+ KB

data42 = pd.pivot_table(data41,index=['地区','国家','服务分类','年','季度'],values=['销售额'],aggfunc=sum).reset_index()
s = pd.pivot_table(data41,index=['地区','国家','服务分类','年','季度'],values=['利润'],aggfunc='mean').reset_index()
#s['利润']
data42['利润'] = s['利润']
data42.head(2)
地区国家服务分类年季度销售额利润
0EasternBurundiCommercial20171928.0774.25
1EasternBurundiCommercial20191118.96-2.38
data42['key'] = data42['地区']+'_'+data42['国家']+'_'+data42['服务分类']
data43=data42.copy()
data43.head(2)
地区国家服务分类年季度销售额利润key
0EasternBurundiCommercial20171928.0774.25Eastern_Burundi_Commercial
1EasternBurundiCommercial20191118.96-2.38Eastern_Burundi_Commercial
key = data42['key'].unique()
len(key)

156

from sklearn.linear_model import Ridge

#这是我实验的代码！不用管它
# wjx=[]
# alphas=[0.01,0.1,0.5,1,3,5,7,10,20,100]
# for a in alphas:
#     m=[]
#     coef_sum=0
#     coef_num=0
#     for i in key:
#         df1=pd.DataFrame(columns=data42.columns)
#         cs=i.split('_')
#         d1 = data42[data42['key']==i]
#         try:
#             estimator = Ridge(alpha=1)
#             estimator1 = Ridge(alpha=1)
#             estimator.fit(d1[['年','季度']],d1['销售额'])
#             estimator1.fit(d1[['年','季度']],d1['利润'])
#             result = estimator.predict([[2021,1]])[0]
#             result1 = estimator1.predict([[2021,1]])[0]
#             #print(d1)
#             #data43.loc[len(data43.index)]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
#             #df1=pd.DataFrame([[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]],columns=data42.columns)
#             df1.loc[0]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
#             #print(df1)
#             data43=data43.append(df1)
#             coef_sum=coef_sum+1
#             coef_num=coef_num+estimator.coef_+estimator1.coef_
#             m.append({i:{result,result1}})

#         except:
#             pass
#     trust=((coef_num/(coef_sum*2))[0]+(coef_num/(coef_sum*2))[1])/2
#     #print(i+'--->'+trust)
#     #print(f'{a}----{trust}')
#     wjx.append({a:trust})


#wjx

m=[]
coef_sum=0
coef_num=0
for i in key:
    df1=pd.DataFrame(columns=data42.columns)
    cs=i.split('_')
    d1 = data42[data42['key']==i]
    try:
        estimator = Ridge(alpha=1)
        estimator1 = Ridge(alpha=1)
        estimator.fit(d1[['年','季度']],d1['销售额'])
        estimator1.fit(d1[['年','季度']],d1['利润'])
        result = estimator.predict([[2021,1]])[0]
        result1 = estimator1.predict([[2021,1]])[0]
        #print(d1)
        #data43.loc[len(data43.index)]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
        #df1=pd.DataFrame([[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]],columns=data42.columns)
        df1.loc[0]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
        #print(df1)
        data43=data43.append(df1)
        coef_sum=coef_sum+1
        coef_num=coef_num+estimator.coef_+estimator1.coef_
        m.append({i:{result,result1}})
        
    except:
        pass


D:\Develop\Anaconda3\lib\site-packages\sklearn\base.py:450: UserWarning: X does not have valid feature names, but Ridge was fitted with feature names
  warnings.warn(

trust=((coef_num/(coef_sum*2))[0]+(coef_num/(coef_sum*2))[1])/2

data43=data43.reset_index()
data43.head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
level_0index地区国家服务分类年季度销售额利润key
000EasternBurundiCommercial20171928.0774.25Eastern_Burundi_Commercial
111EasternBurundiCommercial20191118.96-2.38Eastern_Burundi_Commercial
data44=pd.pivot_table(data43,index=['地区','国家','服务分类','年','季度'],values=['利润','销售额'],aggfunc='mean')#.reset_index()
data45=data44.reset_index()
data44.head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
利润销售额
地区国家服务分类年季度
EasternBurundiCommercial2017174.25928.07
20191-2.38118.96
#data44.loc[(slice(None),'Burundi'),:]

data45.head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
地区国家服务分类年季度利润销售额
0EasternBurundiCommercial2017174.25928.07
1EasternBurundiCommercial20191-2.38118.96
data45[data45['年']==2021].head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}
地区国家服务分类年季度利润销售额
3EasternBurundiCommercial20211-40.17-243.93
10EasternBurundiPublic20211-2.101368.01
data45.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1012 entries, 0 to 1011
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   地区      1012 non-null   object 
 1   国家      1012 non-null   object 
 2   服务分类    1012 non-null   object 
 3   年       1012 non-null   int64  
 4   季度      1012 non-null   int64  
 5   利润      1012 non-null   float64
 6   销售额     1012 non-null   float64
dtypes: float64(2), int64(2), object(3)
memory usage: 55.5+ KB
魏什码
关注
  • 3
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Power BI中计算同比、环比
weixin_41542593的博客
06-25 3万+
财务需求中经常要求计算数据的同比、环比，下面介绍如何在Power BI 中创建用来计算同比和环比的度量值（SSAS模型中同理）。。。 现在表中有金额，时间（时间需要年月日格式），计算同比 ...
2022第十届“泰迪杯”数据挖掘挑战赛B题 完整解题代码
05-06
2022第十届“泰迪杯”数据挖掘挑战赛B题 完整解题代码 2022第十届“泰迪杯”数据挖掘挑战赛B题 完整解题代码
2021A题——泰迪杯第四届.rar
12-08
2021A题——泰迪杯第四届.rar
【2024泰迪杯】C题问题三、四代码（一名小白的记录）
最新发布
zyh20041111的博客
04-28 293
为了不搞忘，先把代码记在这里由【2024泰迪杯】C 题：竞赛论文的辅助自动评阅 问题分析及Python 代码实现草草填充而来，里面还有很多bug，待改进，大佬们可在评论区回复~
在Power BI中如何计算同比增长？
Fluffy的百宝箱
06-15 1万+
在Power BI中计算同比增长
PowerBI_Excel2016报表常见的公式
互联网知识分享
05-25 1146
GMV = 销售额 + (取消订单金额 + 拒收订单金额(就是拒收快递) + 退货订单金额)，即GMV为已付款订单和未付款订单两者之和。[2] 比方说，2015年5月张三的工资为6000元，如果要求同比增长率，则要知道张三2014年5月的工资。比方说，2015年5月张三的工资为6000元，如果要求环比增长率，则要知道张三2015年4月的工资。(当然时间的话可以自定义)n年数据的增长率 = (本期/前n年)^(1/(n-1))-1]×100%（4）次日留存率：在次日至少登录过一次的用户数/当天新增的用户数。
Power BI计算同比，环比问题：
xiaonbsnsn的博客
10-25 2005
先创建好一个度量值。
2021深圳杯A题参考.zip
08-07
《2021深圳杯A题参考》是...总的来说，2021深圳杯A题参考压缩包提供的资料对于参赛者来说是一份宝贵的教育资源，它不仅能够帮助参赛者理解和解答当年的A题，还能为他们提供一个提升数学应用能力和解决问题能力的平台。
2023年泰迪杯B-产品订单需求预测一等奖完整paper.pdf
06-27
进一步建立机器学习模型，深度学习模型以及以及各种组合 预测模型来产品未来的订单需求量，并且利用 GA 智能寻优算法确定模型超参，基于不 同时间粒度的数据提高预测精度，实现企业订单需求的精准预测。
2021中青杯A题思路及代码
08-10
【标题】"2021中青杯A题思路及代码"揭示了这是一份关于中国青少年数学建模竞赛（中青杯）2021年A题的解题资源，其中包含了问题的解决思路以及部分代码。"中青杯"是中国一项针对青少年的数学建模竞赛，旨在培养参赛者...
第十届“泰迪杯”数据挖掘挑战赛B题 完整解题代码
04-24
在第十届“泰迪杯”数据挖掘挑战赛中，B题是一个典型的综合应用问题，它涉及到数据挖掘和人工智能的关键技术。本次比赛旨在检验参赛者在数据处理、模式识别、预测建模等方面的能力。完整的解题代码是实现这些任务的...
21年泰迪杯试题.zip
10-07
21年泰迪杯试题.zip
【第十一届泰迪杯数据挖掘挑战赛】A 题：新冠疫情防控数据的分析 思路+代码（持续更新）
weixin_62338855的博客
02-28 2万+
【第十一届泰迪杯数据挖掘挑战赛】A 题：新冠疫情防控数据的分析 思路+代码（持续更新）
计算同比 环比_PowerBI中同比环比那点事
weixin_33603377的博客
01-13 1980
​哈喽，这里是白茶。一个PowerBI的初学者，记得在刚开始学DAX的时候，一个同比环比的问题困扰了我很久，每次都是觉得自己刚刚理解一点东西了，但是发现后续的坑更多。话不多说，LOOK！这是我自己做的示例文件，准备测试工作。将数据导入PowerBI中。———— / BEGIN / ————下面就可以准备进行同比环比的测试了，白茶在初期的时候，发现系统默认的快速度量值，可以选择计算同比、环比，如下图...
2021年“泰迪杯”数据分析技能赛A题任务1：数据分析与预测
m0_52909986的博客
10-24 5921
2021 年“泰迪杯”数据分析技能赛 A 题任务一
Power Bi簇状柱形图显示数值和同比增幅的直观操作
baibai0623的博客
05-23 8768
图表的最大用处就是要让人直观的看出重点，而不是精确
BI技巧丨增长率问题
Fabric丨白茶
05-01 1089
BOSS：白茶，能不能做个柱形图带折线的？ 白茶：可以啊，老板！ BOSS：（看来这个比较简单）能不能做出环比增长和下降的折线标识？ 白茶：可以啊，老板！ BOSS：（…）那，增长和下降的标识能不能定在顶栏不动？不然和柱子混合我看着有点晕。 白茶：这个有点难啊，老板。 BOSS：（(p≧w≦q)）就要这个！ 在项目实施的过程中，柱形折线图可以说是我们使用频率较高的可视化图形之一，默认的呈现效果如下图： 很多用户和白茶反映过，能不能让折线的标签固定在上方？也不要折线，有每个月的节点就可以，这样看起来能..
Power BI-同比、环比、累计值
热门推荐
weixin_42749734的博客
04-15 2万+
同比、环比、累计值在Power BI中的计算
swift date 计算差_PowerBI学习教程（三）时间累积同比环比计算
weixin_39894778的博客
10-28 625
YOY 同比增长率( Year Over Year): 按年度计的增长率 MOM 环比增长率 (Month Over Month): 按月度计的增长率 YTD 年累计 (Year to Date): 指年初至当前日期(不含今日)累计 QTD 季累计(Quarter to Date): 季度初至今累计 MTD 月累计(Month to Date): 月初至今累计D...
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