电信备案新增网站,ctcms做的比较好的网站,服装公司网站首页,搜索引擎优化的概念是什么一、 导入项目
导入项目、准备项目数据
import pandas as pd# 文件路径为python文件位置下的相对路径dwxpd.read_excel(电蚊香套装市场近三年交易额.xlsx) fmfzpd.read_excel(防霉防蛀片市场近三年交易额.xlsx) msmcpd.read_excel(灭鼠杀虫剂市… 一、 导入项目
导入项目、准备项目数据
import pandas as pd# 文件路径为python文件位置下的相对路径dwxpd.read_excel(电蚊香套装市场近三年交易额.xlsx) fmfzpd.read_excel(防霉防蛀片市场近三年交易额.xlsx) msmcpd.read_excel(灭鼠杀虫剂市场近三年交易额.xlsx) mzpd.read_excel(盘香灭蟑香蚊香盘市场近三年交易额.xlsx) wxqpd.read_excel(蚊香加热器市场近三年交易额.xlsx) wxppd.read_excel(蚊香片市场近三年交易额.xlsx) wxypd.read_excel(蚊香液市场近三年交易额.xlsx) 二、合并数据
声明变量、使用方法观察数据
# 使用head()方法查看前5行数据print(dwx.head())# 使用tail()方法查看后5行数据print(dwx.tail())# 使用info()方法查看数据的字段及类型dwx.info() 三、 补齐数据
索引数据、合并数据、训练模型、预测数据
# 用sum方法汇总数据
dwx_all dwx[交易金额].sum() # 汇总单张表格数据
print(dwx_all)
fmfz_all fmfz[交易金额].sum()msmc_all msmc[交易金额].sum()
mz_all mz[交易金额].sum()
wxq_all wxq[交易金额].sum()
wxp_all wxp[交易金额].sum()
wxy_all wxy[交易金额].sum()
# 将7张表格的数据汇总并形成一张表合并数据
m_sum pd.DataFrame(data[dwx_all, fmfz_all, msmc_all, mz_all, wxq_all, wxp_all, wxy_all], columns[销售额],index[电蚊香, 防霉防蛀, 灭鼠灭虫, 灭蟑, 蚊香加热器, 蚊香片, 蚊香液])
m_sumtext pd.DataFrame(data[dwx_all, fmfz_all, msmc_all, mz_all, wxq_all, wxp_all, wxy_all], columns[销售额],index[电蚊香, 防霉防蛀, 灭鼠灭虫, 灭蟑, 蚊香加热器, 蚊香片, 蚊香液])
print(m_sum)# 先使用head()和tail()方法观察数据d.head()d.tail()# 补齐缺失月份数据# 预测一个叶子行业的12月数据# 索引2017年12月分数据t17d.where(d.时间2017-12-1).dropna()# 同理将2016年12月和2015年12月的数据也索引出来t16d.where(d.时间2016-12-1).dropna()t15d.where(d.时间2015-12-1).dropna()# 将2015年2016年2017年三年的数据合并t4pd.concat([t17,t16,t15])# 由于我们的目的是用2015-2017年3年的12月份数据来进行回归建模预测2018年12月数据# 因此此处我们选用2015,2016,2017作为x变量每一年12月份的数据作为y变量yt4.drop(时间,axis1)# 设置x轴的年份。x[2017,2016,2015]# 使用回归算法预测先加载numpy和sklearn库。 # 使用回归算法预测先加载numpy和sklearn库。import numpy as npfrom sklearn import linear_model# 将数据处理成回归模型所需要的形式。x_trainnp.array(x).reshape(-1,1)y_trainnp.array(y.iloc[:,0])# 将线性模型实例化。linear_reglinear_model.LinearRegression()# 训练模型。linear_reg.fit(x_train,y_train)# 输入自变量2018预测2018年12月份的销售额。y_2018_12linear_reg.predict(np.array([2018]).reshape(-1,1)).round(1)# 输出预测结果。print(y_2018_12[0])# 当一个动作有规律的出现3次或以上肯定有一个办法可以更高效便捷。# 用循环预测所有叶子行业的12月数据# 写FOR循环得到2018年所有类目12月份的预测值。y_12[]for i in range(7):y_trainnp.array(y.iloc[:,i])linear_reglinear_model.LinearRegression()linear_reg.fit(x_train,y_train)y_prelinear_reg.predict(np.array([2018]).reshape(-1,1)).round(1)y_12.append(y_pre[0])# 打印2018年个叶子行业12月份的预测结果。print(y_12) 四、 整理集数据绘制趋势图
索引数据、汇总数据、绘制各个子行业市场趋势图
# 重置索引。d.reset_index(inplaceTrue)# 由于“index”列没有作用可以删除。del d[index]# 查看数据结果。print(d.head())# 汇总每一个月份的类目市场数据d2d.drop(时间,axis1)d[col_sum]d2.apply(lambda x:x.sum(),axis1)# 提取日期的年份。d[year]d.时间.apply(lambda x: x.year)# 按年份汇总数据。data_sumd.groupby(year).sum()print(data_sum)
# 绘制各个叶子市场的趋势图with plt.style.context(ggplot):# 设置画布大小宽8inch高6inch。plplt.figure(figsize(8,6))# 绘制各叶子行业市场趋势线图。plt.plot(x,data_sum.iloc[:,0])plt.plot(x,data_sum.iloc[:,1])plt.plot(x,data_sum.iloc[:,2])# 设置数字标签。for a,b in zip(x,data_sum.iloc[:,2]):plt.text(a,b0.05,%.0f% b,hacenter,vabottom,fontsize8)plt.plot(x,data_sum.iloc[:,3])plt.plot(x,data_sum.iloc[:,4])plt.plot(x,data_sum.iloc[:,5])plt.plot(x,data_sum.iloc[:,6])# 设置数字标签。for a,b in zip(x,data_sum.iloc[:,6]):plt.text(a,b0.05,%.0f% b,hacenter,vabottom,fontsize8)# 设置图的标题x轴标题y轴标题设置刻度线格式。plt.title(近三年驱虫市场各子市场容量趋势)plt.xlabel(year)plt.ylabel(交易额)plt.xticks(x,year,fontsize9,rotation45)# 设置图例并画图如图4-4所示。plt.legend([电蚊香,防霉防蛀,灭鼠灭虫,灭蟑,蚊香加热器,蚊香片,蚊香液])plt.show() 提交说明
请注意以下说明否则将会影响自己的最终成绩
1、将所有Python文件压缩之后进行提交命名为【学号姓名】。压缩包使用zip或rar格式均可。
2、将压缩包提交至对应班级的文件夹下未上交、上交文件夹错误按0分处理。
