python 银行流水分析_Python银行数据分析之--农业银行数据转换

Python银行数据分析之--农业银行数据转换

# 农业银行数据转换

def abcBankProcessDo(t, companyName, accountingTitle, begin):

t = t[3:]

# 倒序输出

t.reverse()

# 主体公司 会计科目

# companyName, accountingTitle, begin = input("输入主体公司:"), input("输入会计科目:"), input("输入期初数:")

new_list = []

n = 0

new_list.append(

["序号", "交易ID", "支出金额", "存入金额", "账户余额", "承担主体", "对方开户行", "对方账号", "对方户名", "银行摘要", "凭证号", "凭证摘要", "凭证锁单状态",

"交易时间",

"主键", "交易日期", "主体公司", "会计科目", "期末数", "期初数"])

for i in range(len(t)):

if not t[i][6]: continue

if not t[i][1]:

t[i][1] = "000000"

tradeDateTime = "{}-{}-{} {}:{}:{}".format(t[i][0][:4], t[i][0][4:6],

  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,你想了解银行营销数据分析Python+k-means实现方法,是吗? 首先,K-means是一种聚类算法,可以将数据样本划分为K个不同的类别。在银行营销数据分析中,可以使用K-means来识别客户群体,以便更好地定位和营销。 以下是使用Python和K-means实现银行营销数据分析的一些步骤: 1. 导入所需的库和数据集,例如pandas、numpy和sklearn。 ``` import pandas as pd import numpy as np from sklearn.cluster import KMeans ``` 2. 加载数据集并进行必要的数据预处理,例如删除缺失值、转换数据类型等。 ``` data = pd.read_csv('bank_marketing.csv') data.dropna(inplace=True) data['age'] = data['age'].astype('int64') ``` 3. 选择需要用于聚类的特征,并进行必要的数据标准化。 ``` X = data[['age', 'balance', 'duration']] X = (X - X.mean()) / X.std() ``` 4. 创建K-means模型并训练模型。 ``` kmeans = KMeans(n_clusters=3, random_state=0) kmeans.fit(X) ``` 5. 使用模型对数据进行分类,并将结果添加到原始数据集中。 ``` data['cluster'] = kmeans.labels_ ``` 6. 可视化聚类结果,例如使用散点图。 ``` import matplotlib.pyplot as plt plt.scatter(data['balance'], data['duration'], c=data['cluster']) plt.xlabel('Balance') plt.ylabel('Duration') plt.show() ``` 这些步骤可以帮助你使用Python和K-means实现银行营销数据分析。当然,在实际应用中可能需要更多的数据处理和模型优化等步骤。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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