python分析Zephyr数据

已于 2023-12-16 17:58:38 修改
阅读量131 收藏 1
点赞数
分类专栏： python 文章标签： python 开发语言
于 2023-12-16 13:38:40 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/weixin_43168119/article/details/135031639
版权 
import numpy as np
import pandas as pd
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.graph_objects as go
import statsmodels.api as sm

# 设置字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

import warnings
warnings.filterwarnings("ignore", category=UserWarning)


import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
# 指定字体
font = FontProperties(fname=r'C:\WINDOWS\Fonts\simhei.ttf')  # 请根据你的系统和字体路径修改

file_path = r'G:\data\Zephyr中国海外并购数据库\workfile.xlsx'
data = pd.read_excel(file_path)
#print(data.head())

# 打印变量名称及类型
for column in data.columns:
    print(f"变量名称: {column}, 类型: {data[column].dtype}")

变量名称: Unnamed: 0, 类型: float64
变量名称: Deal Number, 类型: int64
变量名称: Acquiror name, 类型: object
变量名称: Acquiror country code, 类型: object
变量名称: Target name, 类型: object
变量名称: Target country code, 类型: object
变量名称: Deal type, 类型: object
变量名称: Deal status, 类型: object
变量名称: Deal value th EUR, 类型: object
变量名称: Target business description(s), 类型: object
变量名称: Acquiror business description(s), 类型: object
变量名称: Deal type.1, 类型: object
变量名称: Deal sub-type, 类型: object
变量名称: Deal financing, 类型: object
变量名称: Deal method of payment, 类型: object
变量名称: Deal method of payment value th EUR, 类型: object
变量名称: Deal status.1, 类型: object
变量名称: Rumour date, 类型: datetime64[ns]
变量名称: Announced date, 类型: datetime64[ns]
变量名称: Expected completion date, 类型: datetime64[ns]
变量名称: Assumed completion date, 类型: datetime64[ns]
变量名称: Completed date, 类型: datetime64[ns]
变量名称: Postponed date, 类型: datetime64[ns]
变量名称: Withdrawn  date, 类型: datetime64[ns]
变量名称: Last deal status date, 类型: datetime64[ns]
变量名称: Last deal value, offer price, bid premium update date, 类型: datetime64[ns]
变量名称: Last deal status update date, 类型: datetime64[ns]
变量名称: Last % of stake update date, 类型: datetime64[ns]
变量名称: Last acquiror, target, vendor update date, 类型: datetime64[ns]
变量名称: Last advisor update date, 类型: datetime64[ns]
变量名称: Last deal comment, rationale update date, 类型: datetime64[ns]
变量名称: Last update, 类型: datetime64[ns]
变量名称: Deal value th EUR.1, 类型: object
变量名称: Deal value (Native currency) th LCU, 类型: object
变量名称: Deal equity value th EUR, 类型: object
变量名称: Deal equity value (Native currency) th LCU, 类型: object
变量名称: Deal enterprise value th EUR, 类型: object
变量名称: Deal enterprise value (Native currency) th LCU, 类型: object
变量名称: Deal modelled enterprise value th EUR, 类型: object
变量名称: Deal modelled enterprise value (Native currency) th LCU, 类型: object
变量名称: Deal total target value th EUR, 类型: object
变量名称: Deal total target value (Native currency) th LCU, 类型: object
变量名称: Modelled Fee Income th EUR, 类型: object
变量名称: As Reported Fee Income th EUR, 类型: object
变量名称: Initial stake (%), 类型: object
变量名称: Acquired stake (%), 类型: object
变量名称: Final stake (%), 类型: object
变量名称: IRR (%), 类型: float64
变量名称: Native currency, 类型: object

# 提取“Acquiror country code”列并统计每个类别的出现次数
acquiror_country_code_counts = data['Acquiror country code'].value_counts()

# 打印结果
print("Acquiror country code 变量下有几类字符，分别出现了多少次：")
for code, count in acquiror_country_code_counts.items():
    print(f"字符: {code}, 出现次数: {count}")

Acquiror country code 变量下有几类字符，分别出现了多少次：
字符: CN, 出现次数: 12288
字符: US, 出现次数: 4212
字符: HK, 出现次数: 1315
字符: KY, 出现次数: 1041
字符: JP, 出现次数: 761
字符: SG, 出现次数: 616
字符: VG, 出现次数: 441
字符: GB, 出现次数: 262
字符: DE, 出现次数: 257
字符: FR, 出现次数: 230
字符: KR, 出现次数: 218
字符: TW, 出现次数: 190
字符: BM, 出现次数: 155
字符: CA, 出现次数: 136
字符: CH, 出现次数: 118
字符: AU, 出现次数: 109
字符: IL, 出现次数: 99
字符: NL, 出现次数: 89
字符: MY, 出现次数: 84
字符: IT, 出现次数: 80
字符: IN, 出现次数: 59
字符: SE, 出现次数: 45
字符: FI, 出现次数: 44
字符: BE, 出现次数: 39
字符: ES, 出现次数: 35
字符: NO, 出现次数: 29
字符: LU, 出现次数: 29
字符: TH, 出现次数: 29
字符: RU, 出现次数: 28
字符: BR, 出现次数: 27
字符: MU, 出现次数: 25
字符: DK, 出现次数: 21
字符: II, 出现次数: 19
字符: UZ, 出现次数: 15
字符: KZ, 出现次数: 14
字符: BY, 出现次数: 14
字符: CZ, 出现次数: 14
字符: WS, 出现次数: 13
字符: IE, 出现次数: 13
字符: AT, 出现次数: 13
字符: VN, 出现次数: 13
字符: SA, 出现次数: 9
字符: ID, 出现次数: 8
字符: ZA, 出现次数: 8
字符: HU, 出现次数: 8
字符: GR, 出现次数: 7
字符: MO, 出现次数: 6
字符: PT, 出现次数: 6
字符: PL, 出现次数: 6
字符: PK, 出现次数: 6
字符: AR, 出现次数: 6
字符: CL, 出现次数: 6
字符: CO, 出现次数: 5
字符: EE, 出现次数: 5
字符: ZW, 出现次数: 5
字符: EG, 出现次数: 4
字符: NG, 出现次数: 4
字符: AE, 出现次数: 4
字符: PH, 出现次数: 3
字符: CU, 出现次数: 3
字符: BG, 出现次数: 3
字符: AM, 出现次数: 3
字符: NZ, 出现次数: 3
字符: CW, 出现次数: 3
字符: TR, 出现次数: 3
字符: UA, 出现次数: 2
字符: LT, 出现次数: 2
字符: IR, 出现次数: 2
字符: CY, 出现次数: 2
字符: CD, 出现次数: 2
字符: SC, 出现次数: 2
字符: KH, 出现次数: 2
字符: QA, 出现次数: 2
字符: DZ, 出现次数: 2
字符: MA, 出现次数: 2
字符: SI, 出现次数: 2
字符: HR, 出现次数: 2
字符: SK, 出现次数: 1
字符: UY, 出现次数: 1
字符: OM, 出现次数: 1
字符: TJ, 出现次数: 1
字符: GN, 出现次数: 1
字符: GE, 出现次数: 1
字符: MD, 出现次数: 1
字符: BH, 出现次数: 1
字符: MX, 出现次数: 1
字符: PA, 出现次数: 1
字符: KW, 出现次数: 1
字符: KN, 出现次数: 1
字符: VE, 出现次数: 1
字符: SL, 出现次数: 1
字符: ZM, 出现次数: 1
字符: LI, 出现次数: 1
字符: MN, 出现次数: 1
字符: UG, 出现次数: 1
字符: PE, 出现次数: 1
字符: RS, 出现次数: 1
字符: BD, 出现次数: 1

# 绘制饼状图
plt.figure(figsize=(8, 8))
plt.pie(acquiror_country_code_counts, labels=acquiror_country_code_counts.index, autopct='%1.1f%%', startangle=140)
plt.title('Acquiror country code 分布饼状图')
plt.show()

在这里插入图片描述

# 提取“Acquiror country code”列并统计每个类别的出现次数
acquiror_country_code_counts = data['Acquiror country code'].value_counts()

# 将出现次数小于2.6%的字符合并为一个类别
threshold = 0.026
other_codes = acquiror_country_code_counts[acquiror_country_code_counts / acquiror_country_code_counts.sum() < threshold].index
data['Acquiror country code'] = data['Acquiror country code'].replace(other_codes, '其他')

# 重新计算合并后的各类别出现次数
acquiror_country_code_counts = data['Acquiror country code'].value_counts()

# 绘制饼状图
plt.figure(figsize=(8, 8))
plt.pie(acquiror_country_code_counts, labels=acquiror_country_code_counts.index, autopct='%1.1f%%', startangle=140)
plt.title('Acquiror country code 分布饼状图')
plt.show()

在这里插入图片描述

deal_value_column = data['Deal value th EUR']
print(f"Deal value th EUR 变量的类型是：{deal_value_column.dtype}")

Deal value th EUR 变量的类型是：object

data['Deal value th EUR'] = pd.to_numeric(data['Deal value th EUR'], errors='coerce')
# 打印变量类型
print(f"Deal value th EUR 变量的类型是：{data['Deal value th EUR'].dtype}")

Deal value th EUR 变量的类型是：float64

deal_value_column = data['Rumour date']
print(f"Rumour date 变量的类型是：{deal_value_column.dtype}")

Rumour date 变量的类型是：datetime64[ns]

# 输出 "Rumour date" 变量的基本统计信息
rumour_date_summary = data['Rumour date'].describe(datetime_is_numeric=True)
# rumour_date_summary = data['Rumour date'].describe()

# 打印总结信息
print("Rumour date 变量的基本统计信息：")
print(rumour_date_summary)

Rumour date 变量的基本统计信息：
count                            25367
mean     2014-01-22 00:27:11.473962240
min                1995-12-31 00:00:00
25%                2011-01-11 00:00:00
50%                2015-10-27 00:00:00
75%                2017-10-05 00:00:00
max                2019-08-27 00:00:00
Name: Rumour date, dtype: object

# 将 "Rumour date" 和 "Acquiror country code" 列作为索引，计算 "Deal value th EUR" 列的总和
deal_value_sum_by_group = data.groupby(['Rumour date', 'Acquiror country code'])['Deal value th EUR'].sum()

# 打印结果
print("根据 Rumour date 和 Acquiror country code 计算的 Deal value th EUR 总和：")
print(deal_value_sum_by_group)

根据 Rumour date 和 Acquiror country code 计算的 Deal value th EUR 总和：
Rumour date  Acquiror country code
1995-12-31   US                             0.00
1997-02-28   CN                             0.00
1997-06-06   CN                       1043196.93
1997-06-24   CN                         12158.26
1998-02-04   其他                             0.00
                                         ...    
2019-08-24   US                             0.00
2019-08-26   CN                         25983.52
             US                             0.00
2019-08-27   CN                       1991362.14
             其他                         97825.48
Name: Deal value th EUR, Length: 8937, dtype: float64

# 筛选出 "Acquiror country code" 为 "CN" 的样本
cn_samples = data[data['Acquiror country code'] == 'CN']

# 设置图形样式
sns.set(style="whitegrid")

# 画出时间趋势图
plt.figure(figsize=(12, 6))
sns.lineplot(x='Rumour date', y='Deal value th EUR', data=cn_samples)
plt.title('Acquiror country code 为 CN 的样本时间趋势图', fontproperties=font)
plt.xlabel('日期', fontproperties=font)
plt.ylabel('Deal value th EUR', fontproperties=font)
plt.show()

在这里插入图片描述

### tabulate ###
# 按年对 "Rumour date" 进行分组，计算 "Deal value th EUR" 列的总和
deal_value_sum_by_year = data.groupby([data['Rumour date'].dt.year, 'Acquiror country code'])['Deal value th EUR'].sum()
#日期频率: deal_value_sum_by_group = data.groupby(['Rumour date', 'Acquiror country code'])['Deal value th EUR'].sum()

# 打印结果
print("根据 Rumour date 年份和 Acquiror country code 计算的 Deal value th EUR 总和：")
print(deal_value_sum_by_year)



### 画图 ###
# 筛选出 "Acquiror country code" 为 "CN" 的样本
cn_samples = data[data['Acquiror country code'] == 'CN']

# 设置图形样式
sns.set(style="whitegrid")

# 画出 "Acquiror country code" 为 "CN" 样本的时间趋势图
plt.figure(figsize=(12, 6))
sns.lineplot(x=cn_samples['Rumour date'].dt.year, y=cn_samples['Deal value th EUR'], estimator='sum')
plt.title('Acquiror country code 为 CN 的样本时间趋势图', fontproperties=font)
plt.xlabel('年份', fontproperties=font)
plt.ylabel('Deal value th EUR 总和', fontproperties=font)
plt.show()

根据 Rumour date 年份和 Acquiror country code 计算的 Deal value th EUR 总和：
Rumour date  Acquiror country code
1995         US                              0.00
1997         CN                        1055355.19
1998         US                              0.00
             其他                              0.00
1999         CN                          11489.88
                                         ...     
2019         JP                        1453527.09
             KY                         135947.13
             SG                        1986665.50
             US                        4812972.23
             其他                       13771393.89
Name: Deal value th EUR, Length: 142, dtype: float64

在这里插入图片描述

# 设置图形样式
sns.set(style="whitegrid")

# 画出 "Acquiror country code" 为 "CN" 样本的时间趋势图
plt.figure(figsize=(12, 6))
plot = sns.lineplot(x=cn_samples['Rumour date'].dt.year, y=cn_samples['Deal value th EUR'], estimator='sum')
plt.title('Acquiror country code 为 CN 的样本时间趋势图', fontproperties=font)
plt.xlabel('年份', fontproperties=font)
plt.ylabel('Deal value th EUR 总和', fontproperties=font)

# 设置 x 轴刻度
years = sorted(cn_samples['Rumour date'].dt.year.unique())
plot.set_xticks(years)

plt.show()

在这里插入图片描述

# 筛选出 "Acquiror country code" 为 "CN" 和 "US" 的样本
cn_samples = data[data['Acquiror country code'] == 'CN']
us_samples = data[data['Acquiror country code'] == 'US']

# 设置图形样式
sns.set(style="whitegrid")

# 画出 "Acquiror country code" 为 "CN" 和 "US" 样本的时间趋势图
plt.figure(figsize=(12, 6))
plot = sns.lineplot(x=cn_samples['Rumour date'].dt.year, y=cn_samples['Deal value th EUR'], estimator='sum', label='CN')
sns.lineplot(x=us_samples['Rumour date'].dt.year, y=us_samples['Deal value th EUR'], estimator='sum', label='US')
plt.title('Acquiror country code 为 CN 和 US 的样本时间趋势图', fontproperties=font)
plt.xlabel('年份', fontproperties=font)
plt.ylabel('Deal value th EUR 总和', fontproperties=font)
plt.legend()

# 设置 x 轴刻度
years = sorted(data['Rumour date'].dt.year.unique())
plot.set_xticks(years)

plt.show()

在这里插入图片描述

# 筛选出 "Acquiror country code" 为 "CN" 和 "US" 的样本
cn_samples = data[data['Acquiror country code'] == 'CN']
us_samples = data[data['Acquiror country code'] == 'US']

# 设置图形样式
sns.set(style="whitegrid")

# 画出 "Acquiror country code" 为 "CN" 样本的时间趋势图
plt.figure(figsize=(12, 6))
plot_cn = sns.lineplot(x=cn_samples['Rumour date'].dt.year, y=cn_samples['Deal value th EUR'], estimator='sum', label='CN', ci = None )

# 创建第二个纵坐标轴并画出 "Acquiror country code" 为 "US" 样本的时间趋势图
plot_us = plot_cn.twinx()
sns.lineplot(x=us_samples['Rumour date'].dt.year, y=us_samples['Deal value th EUR'], estimator='sum', color='orange', label='US', ci = None )

# 设置标题和标签
plt.title('Acquiror country code 为 CN 和 US 的样本时间趋势图', fontproperties=font)
plt.xlabel('年份', fontproperties=font)
plt.ylabel('Deal value th EUR 总和', fontproperties=font)

# 设置 x 轴刻度
years = sorted(data['Rumour date'].dt.year.unique())
plot_cn.set_xticks(years)

# 添加图例
plot_cn.legend(loc='upper left')
plot_us.legend(loc='upper right')

plt.show()

在这里插入图片描述

# 设置图形样式
sns.set(style="whitegrid")

# 创建数据透视表，用于制作热力图
heatmap_data = data.pivot_table(values='Deal value th EUR', index='Acquiror country code', columns='Rumour date', aggfunc='sum')

# 画出热力图
plt.figure(figsize=(12, 8))
sns.heatmap(heatmap_data, cmap='Blues', annot=True, fmt='.0f', cbar_kws={'label': 'Deal value th EUR'})
plt.title('Deal value th EUR 热力图', fontproperties=font)
plt.xlabel('Rumour date', fontproperties=font)
plt.ylabel('Acquiror country code', fontproperties=font)

plt.show()

在这里插入图片描述

# 将 "Rumour date" 按年分组，并计算每个单位每年的 "Deal value th EUR" 总和
grouped_data = data.groupby([data['Rumour date'].dt.year, 'Acquiror country code'])['Deal value th EUR'].sum().reset_index()

# 创建数据透视表，用于制作热力图
heatmap_data = grouped_data.pivot_table(values='Deal value th EUR', index='Acquiror country code', columns='Rumour date', aggfunc='sum')

# 设置图形样式
sns.set(style="whitegrid")

# 画出热力图
plt.figure(figsize=(12, 8))
sns.heatmap(heatmap_data, cmap='Blues',  fmt='.0f', cbar_kws={'label': 'Deal value th EUR'})  #annot=True,
plt.title('Deal value th EUR 热力图', fontproperties=font)
plt.xlabel('Rumour date', fontproperties=font)
plt.ylabel('Acquiror country code', fontproperties=font)

plt.show()

在这里插入图片描述

# 添加年度频率的 "Rumour date" 列
data['Rumour year'] = data['Rumour date'].dt.year

# 按照指定维度计算 "Deal value th EUR" 的总和
result = data.groupby(['Acquiror country code', 'Target country code', 'Rumour year'])['Deal value th EUR'].sum().reset_index()

# 打印结果
print(result)

     Acquiror country code Target country code  Rumour year  Deal value th EUR
0                       CN                  AE         2005               0.00
1                       CN                  AE         2006               0.00
2                       CN                  AE         2007               0.00
3                       CN                  AE         2011               0.00
4                       CN                  AE         2015            1891.49
...                    ...                 ...          ...                ...
1821                    其他                  ZM         2003               0.00
1822                    其他                  ZM         2004               0.00
1823                    其他                  ZM         2016               0.00
1824                    其他                  ZW         2006               0.00
1825                    其他                  ZW         2008               0.00

[1826 rows x 4 columns]

# 自定义函数，将 "Target country code" 映射到指定的地区
def map_to_region(country_code):
    # 根据实际情况补充映射规则
    if country_code in ['US']:
        return '美国'
    elif country_code in ['FR', 'DE', 'GB', 'IT', 'ES']:
        return '欧洲'
    elif country_code in ['AU', 'NZ']:
        return '大洋洲'
    elif country_code in ['SG', 'MY', 'TH', 'ID', 'VN', 'PH']:
        return '东南亚'
    elif country_code in ['SA', 'AE', 'IL']:
        return '西亚'
    elif country_code in ['ZA', 'NG', 'KE']:
        return '非洲'
    else:
        return '其他'

# 创建新的 "dest" 变量
data['dest'] = data['Target country code'].apply(map_to_region)

# 创建一个新的数据框，用于绘制桑基图
sankey_data = data.groupby(['Acquiror country code', 'dest']).agg({'Deal value th EUR': 'sum'}).reset_index()

# 使用plotly创建桑基图
fig = go.Figure(data=[go.Sankey(
    node=dict(
        pad=15,
        thickness=20,
        line=dict(color="black", width=0.5),
        label=sankey_data['Acquiror country code'].append(sankey_data['dest']).unique(),
    ),
    link=dict(
        source=sankey_data['Acquiror country code'].map(lambda x: list(sankey_data['Acquiror country code'].unique()).index(x)),
        target=sankey_data['dest'].map(lambda x: len(sankey_data['Acquiror country code'].unique()) + list(sankey_data['dest'].unique()).index(x)),
        value=sankey_data['Deal value th EUR']
    )
)])

# 设置图形布局
fig.update_layout(title_text="Sankey Diagram", font_size=10)
fig.show()

在这里插入图片描述

# 提取 "dest" 等于 "大洋洲" 的样本
oceania_data = data[data['dest'] != '大洋洲']

# 创建一个新的数据框，用于绘制桑基图
sankey_data = oceania_data.groupby(['Acquiror country code', 'dest']).agg({'Deal value th EUR': 'sum'}).reset_index()

# 使用plotly创建桑基图
fig = go.Figure(data=[go.Sankey(
    node=dict(
        pad=15,
        thickness=20,
        line=dict(color="black", width=0.5),
        label=sankey_data['Acquiror country code'].append(sankey_data['dest']).unique(),
    ),
    link=dict(
        source=sankey_data['Acquiror country code'].map(lambda x: list(sankey_data['Acquiror country code'].unique()).index(x)),
        target=sankey_data['dest'].map(lambda x: len(sankey_data['Acquiror country code'].unique()) + list(sankey_data['dest'].unique()).index(x)),
        value=sankey_data['Deal value th EUR']
    )
)])

# 设置图形布局
fig.update_layout(title_text="Sankey Diagram - Oceania", font_size=10)
fig.show()

在这里插入图片描述

# 对 'Deal value th EUR' 取对数
data['Log_Deal_Value'] = np.log(data['Deal value th EUR'])

# 设置图形风格
sns.set(style="whitegrid")

# 绘制核密度图
plt.figure(figsize=(10, 6))
sns.kdeplot(data['Log_Deal_Value'], fill=True, color='skyblue', label='Log(Deal value)')
plt.title('Kernel Density Plot of Log(Deal value)')
plt.xlabel('Log(Deal value)')
plt.ylabel('Density')
plt.legend()
plt.show()

在这里插入图片描述

# 提取CN样本和US样本
cn_data = data[data['Acquiror country code'] == 'CN']
us_data = data[data['Acquiror country code'] == 'US']

# 对 'Deal value th EUR' 取对数
data['Log_Deal_Value'] = np.log(data['Deal value th EUR'])

# 设置图形风格
sns.set(style="whitegrid")

# 绘制核密度图
plt.figure(figsize=(10, 6))

# 绘制CN样本的核密度图
sns.kdeplot(cn_data['Log_Deal_Value'], fill=True, label='CN', color='blue')

# 绘制US样本的核密度图
sns.kdeplot(us_data['Log_Deal_Value'], fill=True, label='US', color='orange')

plt.title('Kernel Density Plot of Log(Deal Value) for CN and US Samples')
plt.xlabel('Log(Deal value th EUR)')
plt.ylabel('Density')
plt.legend()
plt.show()

在这里插入图片描述

# 提取CN样本和US样本
cn_data = data[data['Acquiror country code'] == 'CN']
us_data = data[data['Acquiror country code'] == 'US']

# 设置图形风格
sns.set(style="whitegrid")

# 创建一个包含两个子图的图形
fig, axes = plt.subplots(1, 2, figsize=(12, 6))

# 绘制CN样本的核密度图
sns.kdeplot(cn_data['Log_Deal_Value'], fill=True, label='CN', color='blue', ax=axes[0])
axes[0].set_title('Kernel Density Plot for CN Samples')
axes[0].set_xlabel('Log(Deal value th EUR)')
axes[0].set_ylabel('Density')

# 绘制US样本的核密度图
sns.kdeplot(us_data['Log_Deal_Value'], fill=True, label='US', color='orange', ax=axes[1])
axes[1].set_title('Kernel Density Plot for US Samples')
axes[1].set_xlabel('Log(Deal value th EUR)')
axes[1].set_ylabel('Density')

# 调整子图的布局
plt.tight_layout()
plt.show()

在这里插入图片描述

# 选择CN样本
cn_data = data[data['Acquiror country code'] == 'CN']

# 提取年份和对应的 'Deal value th EUR'
cn_yearly_total = cn_data.groupby(cn_data['Rumour date'].dt.year)['Deal value th EUR'].sum()

# 使用matplotlib绘制柱状图
plt.figure(figsize=(10, 6))
cn_yearly_total.plot(kind='bar', color='blue')
plt.title('Yearly Total Deal Value for CN Samples')
plt.xlabel('Year')
plt.ylabel('Total Deal Value (th EUR)')
plt.show()

在这里插入图片描述

# 分别选择CN样本和US样本
cn_data = data[data['Acquiror country code'] == 'CN']
us_data = data[data['Acquiror country code'] == 'US']

# 提取年份和对应的 'Deal value th EUR'
cn_yearly_total = cn_data.groupby(cn_data['Rumour date'].dt.year)['Deal value th EUR'].sum()
us_yearly_total = us_data.groupby(us_data['Rumour date'].dt.year)['Deal value th EUR'].sum()

# 使用matplotlib绘制柱状图
plt.figure(figsize=(12, 6))
plt.bar(cn_yearly_total.index - 0.2, cn_yearly_total.values, width=0.4, color='blue', label='CN')
plt.bar(us_yearly_total.index + 0.2, us_yearly_total.values, width=0.4, color='orange', label='US')

plt.title('Yearly Total Deal Value for CN and US Samples')
plt.xlabel('Year')
plt.ylabel('Total Deal Value (th EUR)')
plt.legend()
plt.show()

在这里插入图片描述

# 分别选择CN样本和US样本
cn_data = data[data['Acquiror country code'] == 'CN']
us_data = data[data['Acquiror country code'] == 'US']

# 提取年份和对应的 'Deal value th EUR'
cn_yearly_total = cn_data.groupby(cn_data['Rumour date'].dt.year)['Deal value th EUR'].sum()
us_yearly_total = us_data.groupby(us_data['Rumour date'].dt.year)['Deal value th EUR'].sum()

# 创建一个包含两个子图的图形
fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 在第一个子图上绘制CN样本的柱状图
axes[0].bar(cn_yearly_total.index, cn_yearly_total.values, color='blue', label='CN')
axes[0].set_title('Yearly Total Deal Value for CN Samples')
axes[0].set_xlabel('Year')
axes[0].set_ylabel('Total Deal Value (th EUR)')
axes[0].legend()

# 在第二个子图上绘制US样本的柱状图
axes[1].bar(us_yearly_total.index, us_yearly_total.values, color='orange', label='US')
axes[1].set_title('Yearly Total Deal Value for US Samples')
axes[1].set_xlabel('Year')
axes[1].set_ylabel('Total Deal Value (th EUR)')
axes[1].legend()

# 调整子图的布局
plt.tight_layout()
plt.show()

在这里插入图片描述

mengke25
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Zephyr内核——数据结构
wayne2018的博客-心情驿站
10-25 198
Zephyr提供了一个在内核中使用的通用数据结构库，但在一般应用程序代码中很有用。这些结构包括用于存储有序数据的列表和平衡树状结构，以及用于以一种干净的方式管理“字节流”数据的环状缓冲区。
Zephyr内核——数据结构——单链列表
wayne2018的博客-心情驿站
10-25 215
Zephyr提供了一种`sys_slist_t`类型，用于存储简单的单链列表数据（即，每个列表元素存储一个指向下一个元素的指针，而不是指向上一个元素的指针）
1997-2023年1月中国企业跨国并购数据Zephyr数据库
m0_71334485的博客
09-21 336
1997-2023年1月中国企业跨国并购数据Zephyr数据库
Zephyr数据库2010-2019中国企业所有跨国并购数据库
07-06
Zephyr数据库2010-2019中国企业所有跨国并购数据库
Zephyr数据2010-2019中国企业跨国并购数据
uranusautism的博客
02-24 596
Zephyr 是国际并购研究领域知名的M&A分析库，每天在线向用户发布全球并购（M&A）、首发（IPO）、计划首发、机构投资者收购（IBO）、管理层收购（MBO）、股票回购（Share Buyback）、杠杆收购（LBO）、反向收购（Reverse Takeover）、风险投资（VC）、合资（JV）等交易的最新信息。据Zephyr数据库整理形成2010-2019中国企业所有跨国并购数据！Zephyr数据库2010-2019中国企业所有跨国并购数据。
OFDI：中国企业对外直接投资数据库－筛选CN-Zephyr数据库.xlsx
05-29
OFDI：中国企业对外直接投资数据库－筛选CN-Zephyr数据库.xlsx
Python库 | zephyr-seis-0.1.6.tar.gz
03-12
今天我们将聚焦于一个名为Zephyr-Seis的Python库，通过深入解析其0.1.6版本，来探讨它在地震数据处理中的核心功能与应用。 Zephyr-Seis，这个以希腊神话中的西风神命名的库，是专门针对地震数据处理和分析的工具集...
energy_monitor_firmware
02-22
然而，Python可能是用于构建上层数据分析或用户界面的工具，比如收集和分析来自监测仪的数据，或者创建用户友好的Web应用。 4. **数据通信协议**：监测仪需要与主设备或云平台进行通信，这可能涉及各种通信协议，如...
自动化测试工具，自动化测试框架，性能测试工具，测试报告工具 软件测试面试题，自动测试面试题，Java面试题，Python面试题
10-03
测试报告工具，如Allure或HTMLTestRunner，帮助呈现测试结果，提供丰富的可视化数据，包括测试统计、失败原因、日志等，便于团队理解测试状况和改进方向。 面试中，对于Java和Python的测试问题可能涉及如何使用...
lumicks_assignment
04-06
在这个作业或项目中，用户可能需要使用到Lumicks的产品，如Cytoscan或Zephyr系统，来执行实验并分析数据。 【描述】虽然描述信息过于简洁，但我们可以推测"Lumicks_assignment"可能是一个学习或研究任务，要求参与...
Zephyr源代码
10-16
Zephyr源代码，想学习Zephyr相关开发的同学可以下来看看
2023国赛开发资源 物联网开发资源
最新发布
05-30
物联网是一种将物理世界与数字世界相互连接的技术，它通过传感器、网络通信和数据分析来实现设备间的智能交互。以下是一些关键知识点的详细说明： 1. **物联网架构**：物联网的基础架构通常包括感知层、网络层、...
zephyr核心数据结构 - struct device
weymin
10-24 284
struct device 的zephyr中的地位相当于linux中的 struct file_operations .在linux中，奉行一切皆文件的思想；而在zephyr中，与linux相似，奉行一切皆设备的思想。
Zephyr--添加自己的库(文件）
sjxpf922的博客
04-01 1528
创建自己的文件 在zephyr/drivers路径下创建my_add文件夹 mkdir my_add 在my_add文件夹下创建： # CMakeLists.txt # Kconfig # test.c 在CmakeLists.txt中添加： zephyr_sources(test.c)#添加我自己的.c文件。 例子比较简单，Kconfig文件就不用写什么配置了。 编写简单的test.c文件，我这里就写了一个简单的函数： #include "drivers/test.h" i
国内外知名的统计数据库和统计网站
热门推荐
凤凰涅槃
08-15 1万+
国外统计数据库 BvD系列数据库  　　BvD为各国政府金融监管部门、银行与金融机构、证券投资公司等提供国际金融与各国宏观经济走势分析等专业数据。提供如下5个专业子库： 　　1. Osiris --全球上市公司分析库  　　2. Zephyr --全球并购交易分析库 　　3. EIU Countrydata -- EIU国家数据 　　4. BankScope --全球银行与金融机构
Zephyr 教程：入门指南
06-09 7995
使用这篇指南开始开发你的 Zephyr 程序吧！设置开发环境Zephyr 工程支持这些操作系统： Linux Mac OS Windows 8.1 使用下面的方法搭建你的开发环境吧。 在 Linux 上搭建开发环境 在 Mac OS 上搭建开发环境（未翻译） 在 Windows 上搭建开发环境（未翻译） 匿名检出源代码Zephyr 的代码托管在 Linux 基金会的后台服务器 Girret 上，支持
Zephyr-项目介绍
段亮的博客（Android系统-VR系统）
02-22 1733
Zephyr kernel是一个为资源有限系统设计的一个为内核：从简单的嵌入式环境检测传感器、LED穿戴设备到复杂的智能手表和物联网无限网关。 Zephyr被设计支持多体系架构，包含ARM Cortex-M,intel X86和ARC等等： Supported Boards The following boards are currently supported: Note De
zephyr windows
01-13
4. 安装Zephyr的其他Python依赖项。Zephyr的scripts/requirements.txt文件列出了这些依赖项。可以使用以下命令来安装它们： ```shell pip3 install -r %HOMEPATH%\zephyrproject\zephyr\scripts\requirements.txt ``...

“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

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

打赏作者

mengke25

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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