Python数据分析——（三）

最新推荐文章于 2022-05-29 11:43:47 发布
最新推荐文章于 2022-05-29 11:43:47 发布
阅读量323 收藏 1
点赞数
分类专栏： practice
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_43873416/article/details/88534643
版权

用Python挖掘该不该使用花呗？怎么使用比较合理？

基于蒙特卡洛原理（使用随机数来解决计算问题），建立收入支出模型进行测算：
1.假设月薪1w，每个月平均奖金1500
2.当月全部花费都由花呗支付，当当月花呗欠款大于当月可支出收入时，就宣布“吃土”
3.现预设120个月（十年），如果十年都没有吃上土，就代表有了花呗随心浪

基本思路：
1.每月净收入模型
2.每月支出模型
3.每月花呗还款情况模拟
4.不同情况下（分期和不分期）花呗偿还额度的变化

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

1.构建每月净收入模型

净收入 = 月薪 - 五险一金 + 奖金 - 个人所得税
参考上海市五险一金缴纳系数和个税政策

# 个税计算函数

def tax(salary_sum):
    if salary_sum <= 3500:
        # 月薪低于3500元；
        return 0
    elif salary_sum <= (3500 + 1500):
        # 月薪在3500-4500元之间；
        return (salary_sum - 3500) * 0.03
    elif salary_sum <= (3500 + 1500 + 3000):
        # 月薪在4500-8000元之间；
        return 1500 * 0.03 + (salary_sum - 1500 - 3500) * 0.1
    elif salary_sum <= (3500 + 1500 + 3000 + 4500):
        # 月薪在8000-12500元之间；
        return 1500 * 0.03 + 3000 * 0.1 + (salary_sum - 3500 - 1500 - 3000) * 0.2
    elif salary_sum <= (3500 + 1500 + 3000 + 4500 + 26000):
        # 月薪在12500-38500元之间；
        return 1500 * 0.03 + 3000 * 0.1 + 4500 * 0.2 + (salary_sum - 3500 - 1500 - 3000 - 4500) * 0.25
    elif salary_sum <= (3500 + 1500 + 3000 + 4500 + 26000 + 20000):
        # 月薪在38500-58500元之间；
        return 1500 * 0.03 + 3000 * 0.1 + 4500 * 0.2 + 26000 * 0.25 + (salary_sum - 3500 - 1500 - 3000 - 4500 - 26000) * 0.3
    elif salary_sum <= (3500 + 1500 + 3000 + 4500 + 26000 + 20000 + 25000):
        # 月薪在58500-83500元之间；
        return 1500 * 0.03 + 3000 * 0.1 + 4500 * 0.2 + 26000 * 0.25 + 20000 * 0.3 + (salary_sum - 3500 - 1500 - 3000 - 4500 - 26000 - 20000) * 0.35
    else:
        # 月薪在83500元以上；
        return 1500 * 0.03 + 3000 * 0.1 + 4500 * 0.2 + 26000 * 0.25 + 20000 * 0.3 + 25000 * 0.35 + (salary_sum - 3500 - 1500 - 3000 - 4500 - 26000 - 20000 - 25000) * 0.45

test = 45000
print('函数构建完成，当月薪为%.1f元时，需要缴税%.2f元' % (test,tax(test)))

五险一金缴纳的系数总和是17.5%，上限基数是21396，所以高于21396的都应缴纳3744.58

# 五险一金函数

def insurance(salary):
    if salary <= 21396:
        return salary * 0.175
    else:
        return 3744.58

test = 15000
print('函数构建完成，当月薪为%.1f元时，需要缴五险一金%.2f元' % (test,insurance(test)))

# 奖金随机函数

def bonus(b_avg):
    # 预设10年的奖金，生成120个随机值
    return pd.Series(np.random.normal(loc = b_avg,scale = 200,size = 120))

print('函数构建完成，当奖金均值为1500时，随机数组为：')
print(bonus(1500)[:10])

plt.title('奖金随机函数 - 数据分布直方图')
plt.hist(bonus(1500),bins = 30)
plt.grid()

在这里插入图片描述

# 构建每月净收入函数

def final_income(s,b_avg):
    df_i = pd.DataFrame({
            '月薪':[s for i in range(120)],                                              # 月薪基数
            '五险一金':[insurance(s) for i in range(120)],                                # 计算五险一金
            '奖金':bonus(b_avg)                                                          # 计算奖金
        })
    df_i['计税部分'] = df_i['月薪'] + df_i['奖金']
    df_i['个人所得税'] = df_i['计税部分'].apply(lambda x : tax(x))                         # 计算个人所得税
    df_i['月净收入'] = df_i['月薪'] - df_i['五险一金'] + df_i['奖金'] - df_i['个人所得税']
    return df_i

# 测试当月收入1万，平均奖金1500元时的月净收入情况    
result = final_income(10000,1500)
result.head()

在这里插入图片描述

2.构建每月支出模型

基本生活支出：基本生活支出的变化不会太大，设定以3000元和3500元为限，均匀分布
购物支出 ：设定为以5000元为均值，500元为标准差的正态分布
娱乐支出：设定以400元和1200元为限，均匀分布
学习支出：某在线平台课程价格大概在100元到500元不等。所以，这个也可以设定个均匀分布的模型
其他支出：每个月总会有些意外的，比如出门掉了个钱包等等。所以设定500元为均值，40元为标准差的正态分布模型
总支出 = 基本生活 + 购物 + 娱乐 + 学习 + 其他

# 基本生活支出

general_expense = pd.Series(np.random.randint(3000,3500,size=120))

plt.title('基本生活支出')
plt.hist(general_expense, bins = 30)
plt.grid()

在这里插入图片描述

# 购物支出

shopping = pd.Series(np.random.normal(loc=5000,scale=500,size=120))

plt.title('购物支出')
plt.hist(shopping, bins = 30)
plt.grid()

在这里插入图片描述

# 娱乐支出

entertainment = pd.Series(np.random.randint(400,1200,size=120))

plt.title('娱乐支出')
plt.hist(entertainment, bins = 30)
plt.grid()

在这里插入图片描述

# 学习支出

study = pd.Series(np.random.randint(100,500,size=120))

plt.title('学习支出')
plt.hist(study,bins = 30)
plt.grid()

在这里插入图片描述

# 其他支出

other = pd.Series(np.random.normal(loc=500,scale=40,size=120))

plt.title('其他支出')
plt.hist(other,bins = 30)
plt.grid()

在这里插入图片描述

# 构建每月支出函数

def final_expense():
    df_i = pd.DataFrame({
            '基本生活支出':np.random.randint(3000,3500,size=120),
            '购物支出':np.random.normal(loc=5000,scale=500,size=120),
            '娱乐支出':np.random.randint(400,1200,size=120),
            '学习支出':np.random.randint(100,500,size=120),
            '其他支出':np.random.normal(loc=500,scale=40,size=120)
        })
    df_i['月总支出'] = df_i['基本生活支出'] + df_i['购物支出'] + df_i['娱乐支出'] + df_i['学习支出'] + df_i['其他支出']
    return df_i
    
result = final_expense()
result[['基本生活支出','购物支出','娱乐支出','学习支出','其他支出']].iloc[:12].plot(kind='bar',
                                                              figsize = (12,4),
                                                              stacked = True,                 # stacked 堆叠
                                                              colormap = 'Reds_r')
plt.title('月总支出情况 - 前12月')
plt.grid()

result.head()

在这里插入图片描述

3.每月花呗还款情况模拟

几个条件：

  • 每月先还花呗欠款，再消费。
  • 所有的支出除还款外，都可以使用花呗透支。
  • 花呗信用总额度为1.5万

当这月的收入小于等于需要还款的金额，就代表你要吃土了
（当月还需借贷花呗金额 = 月支出 + 本月需还花呗 - 月初余额 - 月收入 ）> 15000 时

# 创建120个月每月的月收入，月支出，月初余额，本月需还花呗

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]

（1）不分期

# 先推导一下第二个月
if income[0] >= expense[0]:
    '''
    第一个月收入大于等于支出时：
    第二个月月初余额 = 第一个月收入 - 第一个月支出
    第二个月需还花呗 = 0
    '''
    saving[1] = income[0] - expense[0]
    debt[1] = 0
else:
    '''
    第一个月收入小于支出时：
    第二个月月初余额 = 0
    第二个月需还花呗 = 第一个月支出 - 第一个月收入
    '''
    saving[1] = 0
    debt[1] = expense[0] - income[0]

# 构建不分期时的函数模拟

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]

def case_a():
    month = []
    data = []
    # 创建两个空列表，用于存放月份和每月数据
    
    for i in range(120):
        money = expense[i] + debt[i] - saving[i] - income[i]      # 当月还需借贷花呗金额 = 月支出 + 本月需还花呗 - 月初余额 - 月收入
        #print(money)
        if money > 15000:
            # 当月还需借贷花呗金额大于15000元时 → 破（吃）产（土）
            print('第%i个月花呗也救不了我了，要破（吃）产（土）了！\n-------' % (i+1))
            break
        else:
            # 当月还需借贷花呗金额小于等于15000元时 → 继续浪
            if money >= 0:
                saving[i+1] = saving[i] + income[i] - expense[i] - debt[i]
                debt[i+1] = 0
            else:
                saving[i+1] = 0
                debt[i+1] = expense[i] + debt[i] - income[i] - saving[i]
        month.append(i+1)
        data.append([income[i],expense[i],debt[i],saving[i+1],debt[i+1]])
    
    result_a = pd.DataFrame(data,columns=['月收入','月支出','本月需还花呗','本月余钱','欠债'],index = month)
    result_a.index.name = '月份'
    
    return result_a

# 不使用分期情况下，进行1万次模拟，查看吃土月份

month_case_a = []    
for i in range(10000): 
    print('正在进行第%i次模拟' % (i+1))
    income = final_income(10000,1500)['月净收入'].tolist()
    expense = final_expense()['月总支出'].tolist()
    saving = [0 for i in range(120)]
    debt = [0 for i in range(120)]
    result_a = case_a().index.max()
    month_case_a.append(result_a)

result_a = pd.Series(month_case_a)

plt.figure(figsize = (12,4))
result_a.hist(bins=15)
plt.title('第一回合：不可分期 - 模拟结果')

在这里插入图片描述
在不使用分期的情况下，会在第11-14个月左右时就吃土了。
（2）分期
花呗分期期数有4种，花呗分期手续费见下图：
在这里插入图片描述
分期当月不用还款，是从下个月开始还的。
函数构建的话在上面不分期的基础上增加分期的计算就行了

# 构建函数模拟 - 分期三月

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]

def case_b():
    month = []
    data = []
    
    for i in range(120):
        money = expense[i] + debt[i] - saving[i] - income[i]      # 当月还需借贷花呗金额 = 月支出 + 本月需还花呗 - 月初余额 - 月收入
        #print(money)
        if money > 15000:
            # 当月还需借贷花呗金额大于15000元时 → 破（吃）产（土）
            print('第%i个月花呗也救不了我了，要破（吃）产（土）了！\n-------' % (i+1))
            break
        else:
            if money >= 0:
                saving[i+1] = saving[i] + income[i] - expense[i] - debt[i]
                debt[i+1] = 0
            else:
                money_per = (abs(money) * (1+0.025))/3        # 分期三月
                saving[i+1] = 0
                debt[i+1] = debt[i+1] + money_per
                debt[i+2] = debt[i+2] + money_per
                debt[i+3] = debt[i+3] + money_per
        month.append(i+1)
        data.append([income[i],expense[i],debt[i],saving[i+1],debt[i+1]])

    result_b = pd.DataFrame(data,columns=['月收入','月支出','本月需还花呗','本月余钱','欠债'],index = month)
    result_b.index.name = '月份'
    
    return result_b

# 构建函数模拟 - 分期六月

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]

def case_c():
    month = []
    data = []
    # 创建两个空列表，用于存放月份和每月数据
    
    for i in range(120):
        money = expense[i] + debt[i] - saving[i] - income[i]      # 当月还需借贷花呗金额 = 月支出 + 本月需还花呗 - 月初余额 - 月收入
        #print(money)
        if money > 15000:
            # 当月还需借贷花呗金额大于15000元时 → 破（吃）产（土）
            print('第%i个月花呗也救不了我了，要破（吃）产（土）了！\n-------' % (i+1))
            break
        else:
            if money >= 0:
                saving[i+1] = saving[i] + income[i] - expense[i] - debt[i]
                debt[i+1] = 0
            else:
                money_per = (abs(money) * (1+0.045))/6        # 分期六月
                saving[i+1] = 0
                debt[i+1] = debt[i+1] + money_per
                debt[i+2] = debt[i+2] + money_per
                debt[i+3] = debt[i+3] + money_per
                debt[i+4] = debt[i+4] + money_per
                debt[i+5] = debt[i+5] + money_per
                debt[i+6] = debt[i+6] + money_per
        month.append(i+1)
        data.append([income[i],expense[i],debt[i],saving[i+1],debt[i+1]])
    
    result_c = pd.DataFrame(data,columns=['月收入','月支出','本月需还花呗','本月余钱','欠债'],index = month)
    result_c.index.name = '月份'
    
	return result_c

# 构建函数模拟 - 分期九月

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]

def case_d():
    month = []
    data = []
    # 创建两个空列表，用于存放月份和每月数据
    
    for i in range(120):
        money = expense[i] + debt[i] - saving[i] - income[i]      # 当月还需借贷花呗金额 = 月支出 + 本月需还花呗 - 月初余额 - 月收入
        #print(money)
        if money > 15000:
            # 当月还需借贷花呗金额大于15000元时 → 破（吃）产（土）
            print('第%i个月花呗也救不了我了，要破（吃）产（土）了！\n-------' % (i+1))
            break
        else:
            if money >= 0:
                saving[i+1] = saving[i] + income[i] - expense[i] - debt[i]
                debt[i+1] = 0
            else:
                money_per = (abs(money) * (1+0.065))/9         # 分期九月
                saving[i+1] = 0
                debt[i+1] = debt[i+1] + money_per
                debt[i+2] = debt[i+2] + money_per
                debt[i+3] = debt[i+3] + money_per
                debt[i+4] = debt[i+4] + money_per
                debt[i+5] = debt[i+5] + money_per
                debt[i+6] = debt[i+6] + money_per
                debt[i+7] = debt[i+7] + money_per
                debt[i+8] = debt[i+8] + money_per
                debt[i+9] = debt[i+9] + money_per
        month.append(i+1)
        data.append([income[i],expense[i],debt[i],saving[i+1],debt[i+1]])
    
    result_d = pd.DataFrame(data,columns=['月收入','月支出','本月需还花呗','本月余钱','欠债'],index = month)
    result_d.index.name = '月份'
    
    return result_d

# 构建函数模拟 - 分期十二月

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]

def case_e():
    month = []
    data = []
    # 创建两个空列表，用于存放月份和每月数据
    
    for i in range(120):
        money = expense[i] + debt[i] - saving[i] - income[i]      # 当月还需借贷花呗金额 = 月支出 + 本月需还花呗 - 月初余额 - 月收入
        #print(money)
        if money > 15000:
            # 当月还需借贷花呗金额大于15000元时 → 破（吃）产（土）
            print('第%i个月花呗也救不了我了，要破（吃）产（土）了！\n-------' % (i+1))
            break
        else:
            if money >= 0:
                saving[i+1] = saving[i] + income[i] - expense[i] - debt[i]
                debt[i+1] = 0
            else:
                money_per = (abs(money) * (1+0.088))/12    # 分期十二月
                saving[i+1] = 0
                debt[i+1] = debt[i+1] + money_per
                debt[i+2] = debt[i+2] + money_per
                debt[i+3] = debt[i+3] + money_per
                debt[i+4] = debt[i+4] + money_per
                debt[i+5] = debt[i+5] + money_per
                debt[i+6] = debt[i+6] + money_per
                debt[i+7] = debt[i+7] + money_per
                debt[i+8] = debt[i+8] + money_per
                debt[i+9] = debt[i+9] + money_per
                debt[i+10] = debt[i+10] + money_per
                debt[i+11] = debt[i+11] + money_per
                debt[i+12] = debt[i+12] + money_per
        month.append(i+1)
        data.append([income[i],expense[i],debt[i],saving[i+1],debt[i+1]])
    
    result_e = pd.DataFrame(data,columns=['月收入','月支出','本月需还花呗','本月余钱','欠债'],index = month)
    result_e.index.name = '月份'
    
    return result_e

构建完函数，再分别进行1w次模拟，并且用直方图绘制出模拟结果

# 允许分期(分期三月)

month_case_b = []    
for i in range(10000): 
    print('正在进行第%i次模拟' % (i+1))
    income = final_income(10000,1500)['月净收入'].tolist()
    expense = final_expense()['月总支出'].tolist()
    saving = [0 for i in range(120)]
    debt = [0 for i in range(120)]
    result_b = case_b().index.max()
    month_case_b.append(result_b)

result_b = pd.Series(month_case_b)

plt.figure(figsize = (12,4))
result_b.hist(bins=18)
plt.title('第二回合：允许分期(分期三月) - 模拟结果')

在这里插入图片描述

# 允许分期(分期六月)

month_case_c = []    
for i in range(10000): 
    print('正在进行第%i次模拟' % (i+1))
    income = final_income(10000,1500)['月净收入'].tolist()
    expense = final_expense()['月总支出'].tolist()
    saving = [0 for i in range(120)]
    debt = [0 for i in range(120)]
    result_c = case_c().index.max()
    month_case_c.append(result_c)

result_c = pd.Series(month_case_c)

plt.figure(figsize = (12,4))
result_c.hist(bins=20)
plt.title('第二回合：允许分期(分期六月) - 模拟结果')

在这里插入图片描述

# 允许分期(分期九月)

month_case_d = []    
for i in range(10000): 
    print('正在进行第%i次模拟' % (i+1))
    income = final_income(10000,1500)['月净收入'].tolist()
    expense = final_expense()['月总支出'].tolist()
    saving = [0 for i in range(120)]
    debt = [0 for i in range(120)]
    result_d = case_d().index.max()
    month_case_d.append(result_d)

result_d = pd.Series(month_case_d)

plt.figure(figsize = (12,4))
result_d.hist(bins=20)
plt.title('第二回合：允许分期(分期九月) - 模拟结果')

在这里插入图片描述

# 允许分期(分期十二月)

month_case_e = []    
for i in range(10000): 
    print('正在进行第%i次模拟' % (i+1))
    income = final_income(10000,1500)['月净收入'].tolist()
    expense = final_expense()['月总支出'].tolist()
    saving = [0 for i in range(120)]
    debt = [0 for i in range(120)]
    result_e = case_e().index.max()
    month_case_e.append(result_e)

result_e = pd.Series(month_case_e)

plt.figure(figsize = (12,4))
result_e.hist(bins=20)
plt.title('第二回合：允许分期(分期十二月) - 模拟结果')

在这里插入图片描述
从进行的1w次模拟中可以知道，在使用3、6、9、12期分期时，分别会在第23、35、45、55个月左右就吃土了。

4.不同情况下（分期和不分期）花呗偿还额度的变化

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]
r1 = case_a()['欠债']

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]
r2 = case_b()['欠债']

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]
r3 = case_c()['欠债']

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]
r4 = case_d()['欠债']

income = final_income(10000,1500)['月净收入'].tolist()
expense = final_expense()['月总支出'].tolist()
saving = [0 for i in range(120)]
debt = [0 for i in range(120)]
r5 = case_e()['欠债']

# 将不同情况的数据连接进行合并
df = pd.DataFrame({'不分期':r1,'分期三月':r2,'分期六月':r3,'分期九月':r4,'分期十二月':r5},
                 columns = ['不分期','分期三月','分期六月','分期九月','分期十二月'])

# 制作折线图
df.plot(kind='line',style = '--.',alpha = 0.8,use_index = True,figsize = (12,4),legend = True,colormap = 'Accent')
plt.title('不同情况下负债积累')
plt.grid()

在这里插入图片描述
一些结论：
分期的时间越长，不吃土的时间就越长，说明借贷、分期还款可以延缓吃土；
分期时间越久，累积的负债（折线区域的面积）就越多；
应适当合理地使用花呗。钱不够花时，应努力提高收入。

weixin_43873416
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
白葡萄酒品质分析处理——python数据分析——思考题
03-18
思考题： 计算每个数据集中fixed acidity低于均值的数目。 python实验课，适合计算机科学与技术专业学生
菜鸟编程：python中使用matplotlib绘制饼状图
Zoe的博客
06-26 2797
python中使用matplotlib绘制饼状图，常用的参数如下： plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=Fals
Python数据分析报告
Jancydc的博客
05-29 8036
业务背景：B2B业务已收会员和服务费作为收益主要来源，目前会员类型分成钻石会员、金牌会员，销售合同一般会包含会员服务、增值服务、广告服务等等，销售过程可能会受到销售策略的影响，做一些业务的促销优惠或者折扣。每年的订单含新客户签约和老客户续约两种，同时合同期间也会出现服务加购或者变更的问题。 问题研究：自今年以来整体收益有明显提升，高级会员量也持续增加，钻石会员量相比去年同期也翻倍上涨，钻石会员回款额也在持续上升，钻石会员的金额远高于金牌会员，但整体均单额却相比去年同期没有显著增长，请根据所提供数据分析具体原
读取数据并用一个数据框变量df保存
qq_45894761的博客
03-09 6389
（1）读取以下Excel表格的数据并用一个数据框变量df保存，数据内容如下所示。 import numpy as np import pandas as pd df=pd.read_excel('test2.xlsx') print(df) （2）对df第3列、第4列进行切片，切片后得到一个新的数据框记为df1，并对df1利用自身的方法转换为Numpy数组Nt。 df1 = df.iloc[:,[2,3]] print(df1) df1 = df.iloc[:,[2,3]] print(df..
利用Python将时间序列数据按月或者年度汇总
Xianglx的博客
01-02 8118
直接放代码！ # 这段代码可以将时间序列的数据进行汇总，日->月->年 # 使用时，先读入文件，然后保留字段到仅有时间列和值列，通过对时间列的切片，以实现分组汇总功能 import pandas as pd # 读取文件 file = r'D:\Desktop\Statistical_index.xlsx' df = pd.read_excel(file) # 查看原始字段 print(df.head()) #删除无关字段 del df['keyword'] del df['type'
一个完整的数据分析案例 | 用Python完成用户预测分析
IT教育任姐姐的博客
12-02 6869
概述： 数据集是基于开源数据集Bank Marketing Data Set的分类预测，本数据集与葡萄牙银行机构的营销活动相关。 这些营销活动一般以电话为基础，银行的客服人员至少联系客户一次，以确认客户是否有意愿购买该银行的产品（定期存款），最终目标是预测客户是否会订购定存业务（变量y）。 数据说明 下载下来的数据是这样的，虽说是csv格式但是并非逗号分隔符，需要通过文本工具打开进行一下替换。 替换后打开结果： 以上表格字段说明， 序号 字段名 数据类型 描...
Python数据分析——基于口罩厂数据的公式拆解法
04-28
Python数据分析——基于口罩厂数据的公式拆解法
Python数据分析——基于公众号阅读数据的相关性分析
04-28
Python数据分析——基于公众号阅读数据的相关性分析
Python数据分析入门-运动员信息分析案例数据2
05-16
Python数据分析入门——运动员信息分析案例数据2
python数据分析——探索电影数据集.zip
最新发布
01-04
与数据采集、数据集相关的资源
python计算消费总额_python统计一下自己的花费
weixin_39727105的博客
12-04 3269
一直没有在意自己花了多少钱，我卡绑定了电话吧，取钱，支付宝什么的消费，过后都会短信通知，有时间准备统计一下，自己的情况。然后散点图，柱状图，折线图表示出来。x轴为时间，y轴为钱数。占位，等我有时间，把几百条短信整理出来，在作图。import matplotlib.pyplot as pltimport numpy as np#x=np.arange(1,13,1)x=np.linspace(1,1...
Python之数据分析总结
programmer_guan的博客
05-28 1402
将文本打开读取文本内八位的十六进制数值，进行分割，将其转换为十进制数值并输出,并绘图。import numpy as np import matplotlib.pyplot as plt import matplotlib as mpl plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号 file_object = open('thefile..
python数据统计分析
热门推荐
谢彦的技术博客
02-17 8万+
1. 常用函数库   scipy包中的stats模块和statsmodels包是python常用的数据分析工具，scipy.stats以前有一个models子模块，后来被移除了。这个模块被重写并成为了现在独立的statsmodels包。  scipy的stats包含一些比较基本的工具，比如：t检验，正态性检验，卡方检验之类，statsmodels提供了更为系统的统计模型，包括线性模型，时序分析...
python数据处理（招聘信息薪资字段的处理）
brytlevson的博客
07-13 4749
爬取了51job上面的数据，其中有薪资字段需要做处理 数据部分格式如下图： 处理好之后的数据截图： 处理需求： 1.把 “salary” 列中带“ 万/年 元/天 ”关键字的行都删除 2.把 “salary” 列中 带“千/月” 关键字的数据变换一下 如“6-9千/月”转化为“6k-9k” 3.把 “salary” 列中 带“万/月” 关键字的数据变换一下 如“1-1.5万/月”转换为"10k-15k" 处理代码： # -*- coding: utf-8 -*- import csv import
python数据分析总结
LanceJerry的博客
10-29 4204
利用python进行数据分析(其三) 数据清洗和准备 在数据分析和建模的过程中，在数据准备上（加载、清理、转换以及重塑）需要相当多的时间。因此，pandas和内置的Python标准库提供了一组高级的、灵活的、快速的工具，可以有效地将数据规整成所想要的格式。 1. 处理缺失数据 缺失数据在pandas中呈现的方式比较不完美，对于数值数据，pandas使用浮点值NAN(Not a Number)表示缺...
聚类算法-学习笔记整理
码python的Vinsmoke
06-04 1622
聚类算法 一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。 在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。 聚类算法在现实中的应用 用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别 基于位置信息的商业推送，新闻聚类，筛选排序 图像分割，降维，识别；离群点检测；信用卡异常消费；发掘相同功能的基因片段 K-means算法api sklearn.cluster
三大件实现基本数据分析
qq_43554763的博客
06-10 197
背景 我们将建立一个逻辑回归模型来预测一个学生是否被大学录取。假设你是一个大学系的管理员，你想根据两次考试的结果来决定每个申请人的录取机会。 1导入库 #三大件 import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline 2数据读取（数据已上传） pdData=pd.read_csv('data/LogiReg_data.txt',names=['Exam 1', 'Exam 2
数据分析-第五章pandas
yerunting的博客
03-18 376
5.1. 数据结构 5.1.1 series 1.包含values, index 两个属性 obj.values obj.index 2.创建索引序列 obj2=pd.series([4,7,-5,3], index=['d','b','a','c']) # 按照位置赋值的方式改变series索引 obj.index=['box', 'steve', 'jeff', 'ryan'] 3.可以使...
【基础汇总】——python数据分析必备三大工具
weixin_47974364的博客
04-05 3428
目录前言一、numpy1、数组创建2、数组运算3、矩阵运算二、pandas1、数据结构2、数据处理3、实际案例三、matplotlib1、基本概念2、matplotlib图形绘制3、seaborn图形绘制4、实际案例结语 前言 之前写了那么多的关于金融数据分析的实战案例，我想是时候将这些例子中的使用到的python基础知识进行总结了…… 想要学好数据分析，必须掌握的numpy、pandas、matplotlib三大数据分析相关库的知识，收藏这一篇万字长文就足够了！ 一、numpy 1、数组创建 import
python北京房价预测_python数据分析——北京房价分析
05-26
北京房价预测是一个很有意义的数据分析任务。下面我简单介绍一下如何进行这个分析。 1. 数据收集：我们需要爬取北京各个区域的房价数据，包括二手房和新房的价格、建筑面积、楼层等信息。可以从链家网等房产网站...

“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
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