對比分析
阿新 • • 發佈：2018-09-04
4.5 比較 一個 ply nan pre har itl 隨著
‘‘‘ 【課程1.3】 對比分析 對比分析 → 兩個互相聯系的指標進行比較 絕對數比較（相減） / 相對數比較（相除） 結構分析、比例分析、空間比較分析、動態對比分析 ‘‘‘
import numpy as np import pandas as pd import matplotlib.pyplot as plt % matplotlib inline
# 1、絕對數比較 → 相減 # 相互對比的指標在量級上不能差別過大 # （1）折線圖比較 # （2）多系列柱狀圖比較 data = pd.DataFrame(np.random.rand(30,2)*1000, columns = [‘A_sale‘,‘B_sale‘], index = pd.period_range(‘20170601‘,‘20170630‘)) print(data.head()) # 創建數據 → 30天內A/B產品的日銷售額 data.plot(kind=‘line‘, style = ‘--.‘, alpha = 0.8, figsize = (10,3), title = ‘AB產品銷量對比-折線圖‘) # 折線圖比較 data.plot(kind= ‘bar‘, width = 0.8, alpha = 0.8, figsize = (10,3), title = ‘AB產品銷量對比-柱狀圖‘) # 多系列柱狀圖比較
輸出：
A_sale B_sale 2017-06-01 334.812619 778.500279 2017-06-02 921.431743 970.734046 2017-06-03 785.444137 481.548456 2017-06-04 359.790330 259.8245372017-06-05 657.224681 332.818389
# 1、絕對數比較 → 相減 # （3）柱狀圖堆疊圖+差值折線圖比較 fig3 = plt.figure(figsize=(10,6)) plt.subplots_adjust(hspace=0.3) # 創建子圖及間隔設置 ax1 = fig3.add_subplot(2,1,1) x = range(len(data)) y1 = data[‘A_sale‘] y2 = -data[‘B_sale‘] plt.bar(x,y1,width = 1,facecolor = ‘yellowgreen‘) plt.bar(x,y2,width = 1,facecolor = ‘lightskyblue‘) plt.title(‘AB產品銷量對比-堆疊圖‘) plt.grid() plt.xticks(range(0,30,6)) ax1.set_xticklabels(data.index[::6]) # 創建堆疊圖 ax2 = fig3.add_subplot(2,1,2) y3 = data[‘A_sale‘]-data[‘B_sale‘] plt.plot(x,y3,‘--go‘) plt.axhline(0,hold=None,color=‘r‘,linestyle="--",alpha=0.8) # 添加y軸參考線 plt.grid() plt.title(‘AB產品銷量對比-差值折線‘) plt.xticks(range(0,30,6)) ax2.set_xticklabels(data.index[::6]) # 創建差值折線圖
輸出：
[<matplotlib.text.Text at 0x9faa9b0>, <matplotlib.text.Text at 0x9fa6e48>, <matplotlib.text.Text at 0x9fed0f0>, <matplotlib.text.Text at 0x9fedb38>, <matplotlib.text.Text at 0x9ff15c0>]
# 2、相對數比較 → 相除 # 有聯系的指標綜合計算後的對比，數值為相對數 # 結構分析、比例分析、空間比較分析、動態對比分析、計劃完成度分析 # （1）結構分析 # 在分組基礎上，各組總量指標與總體的總量指標對比，計算出各組數量在總量中所占比重 # 反映總體的內部結構 data = pd.DataFrame({‘A_sale‘:np.random.rand(30)*1000, ‘B_sale‘:np.random.rand(30)*200}, index = pd.period_range(‘20170601‘,‘20170630‘)) print(data.head()) print(‘------‘) # 創建數據 → 30天內A/B產品的日銷售額 # A/B產品銷售額量級不同 data[‘A_per‘] = data[‘A_sale‘] / data[‘A_sale‘].sum() data[‘B_per‘] = data[‘B_sale‘] / data[‘B_sale‘].sum() # 計算出每天的營收占比 data[‘A_per%‘] = data[‘A_per‘].apply(lambda x: ‘%.2f%%‘ % (x*100)) data[‘B_per%‘] = data[‘B_per‘].apply(lambda x: ‘%.2f%%‘ % (x*100)) # 轉換為百分數 print(data.head()) fig,axes = plt.subplots(2,1,figsize = (10,6),sharex=True) data[[‘A_sale‘,‘B_sale‘]].plot(kind=‘line‘,style = ‘--.‘,alpha = 0.8,ax=axes[0]) axes[0].legend(loc = ‘upper right‘) data[[‘A_per‘,‘B_per‘]].plot(kind=‘line‘,style = ‘--.‘,alpha = 0.8,ax=axes[1]) axes[1].legend(loc = ‘upper right‘) # 絕對值對比較難看出結構性變化，通過看銷售額占比來看售賣情況的對比 # 同時可以反應“強度” → 兩個性質不同但有一定聯系的總量指標對比，用來說明“強度”、“密度”、“普遍程度” # 例如：國內生產總值“元/人”，人口密度“人/平方公裏”
輸出：
A_sale B_sale 2017-06-01 688.134982 6.759655 2017-06-02 310.911156 141.978290 2017-06-03 227.496397 123.595400 2017-06-04 905.453084 64.534911 2017-06-05 374.572618 147.550005 ------ A_sale B_sale A_per B_per A_per% B_per% 2017-06-01 688.134982 6.759655 0.045606 0.002227 4.56% 0.22% 2017-06-02 310.911156 141.978290 0.020606 0.046780 2.06% 4.68% 2017-06-03 227.496397 123.595400 0.015077 0.040723 1.51% 4.07% 2017-06-04 905.453084 64.534911 0.060009 0.021263 6.00% 2.13% 2017-06-05 374.572618 147.550005 0.024825 0.048616 2.48% 4.86%
# 2、相對數比較 → 相除 # （2）比例分析 # 在分組的基礎上，將總體不同部分的指標數值進行對比，其相對指標一般稱為“比例相對數” # 比例相對數 = 總體中某一部分數值 / 總體中另一部分數值 → “基本建設投資額中工業、農業、教育投資的比例”、“男女比例”... data = pd.DataFrame({‘consumption‘:np.random.rand(12)*1000 + 2000, ‘salary‘:np.random.rand(12)*500 + 5000}, index = pd.period_range(‘2017/1‘,‘2017/12‘,freq = ‘M‘)) print(data.head()) print(‘------‘) # 創建數據 → 某人一年內的消費、工資薪水情況 # 消費按照2000-3000/月隨機，工資按照5000-5500/月隨機 data[‘c_s‘] = data[‘consumption‘] / data[‘salary‘] print(data.head()) # 比例相對數 → 消費收入比 data[‘c_s‘].plot.area(color = ‘green‘,alpha = 0.5,ylim = [0.3,0.6],figsize=(8,3),grid=True) # 創建面積圖表達
輸出：
consumption salary 2017-01 2300.613040 5349.939624 2017-02 2256.167470 5477.291974 2017-03 2356.130582 5366.495609 2017-04 2680.961342 5203.749452 2017-05 2612.676360 5395.189285 ------ consumption salary c_s 2017-01 2300.613040 5349.939624 0.430026 2017-02 2256.167470 5477.291974 0.411913 2017-03 2356.130582 5366.495609 0.439045 2017-04 2680.961342 5203.749452 0.515198 2017-05 2612.676360 5395.189285 0.484260
# 2、相對數比較 → 相除 # （3）空間比較分析（橫向對比分析） # 同類現象在同一時間不同空間的指標數值進行對比，反應同類現象在不同空間上的差異程度和現象發展不平衡的狀況 # 空間比較相對數 = 甲空間某一現象的數值 / 乙空間同類現象的數值 # 一個很現實的例子 → 絕對數來看，我國多經濟總量世界第一，但從人均水平來看是另一回事 data = pd.DataFrame({‘A‘:np.random.rand(30)*5000, ‘B‘:np.random.rand(30)*2000, ‘C‘:np.random.rand(30)*10000, ‘D‘:np.random.rand(30)*800}, index = pd.period_range(‘20170601‘,‘20170630‘)) print(data.head()) print(‘------‘) # 創建數據 → 30天內A/B/C/D四個產品的銷售情況 # 不同產品的銷售量級不同 data.sum().plot(kind = ‘bar‘,color = [‘r‘,‘g‘,‘b‘,‘k‘], alpha = 0.8, grid = True) for i,j in zip(range(4),data.sum()): plt.text(i-0.25,j+2000,‘%.2f‘ % j, color = ‘k‘) # 通過柱狀圖做橫向比較 → 4個產品的銷售額總量 data[:10].plot(kind = ‘bar‘,color = [‘r‘,‘g‘,‘b‘,‘k‘], alpha = 0.8, grid = True, figsize = (12,4),width = 0.8) # 多系列柱狀圖，橫向比較前十天4個產品的銷售額 # 關於同比與環比 # 同比 → 產品A在2015.3和2016.3的比較（相鄰時間段的同一時間點） # 環比 → 產品A在2015.3和2015.4的比較（相鄰時間段的比較） # 如何界定“相鄰時間段”與“時間點”，決定了是同比還是環比
輸出：
A B C D 2017-06-01 2850.211921 1647.138351 5276.354493 529.747107 2017-06-02 3222.680792 768.466753 6941.803099 284.760211 2017-06-03 727.193796 1732.612257 3311.883561 332.427362 2017-06-04 2582.599603 444.224737 1829.401025 744.340597 2017-06-05 1756.352061 1731.221585 7583.832278 768.792895
# 2、相對數比較 → 相除 # （4）動態對比分析（縱向對比分析） # 同一現象在不同時間上的指標數值進行對比，反應現象的數量隨著時間推移而發展變動的程度及趨勢 # 最基本方法，計算動態相對數 → 發展速度 # 動態相對數（發展速度） = 某一現象的報告期數值 / 同一現象的基期數值 # 基期：用來比較的基礎時期 # 報告期：所要研究的時期，又稱計算期 data = pd.DataFrame({‘A‘:np.random.rand(30)*2000+1000}, index = pd.period_range(‘20170601‘,‘20170630‘)) print(data.head()) print(‘------‘) # 創建數據 → 30天內A產品的銷售情況 data[‘base‘] = 1000 # 假設基期銷售額為1000，後面每一天都為計算期 data[‘l_growth‘] = data[‘A‘] - data[‘base‘] # 累計增長量 = 報告期水平 - 固定基期水平 data[‘z_growth‘] = data[‘A‘] - data.shift(1)[‘A‘] # 逐期增長量 = 報告期水平 - 報告期前一期水平 data[data.isnull()] = 0 # 替換缺失值 data[[‘l_growth‘,‘z_growth‘]].plot(figsize = (10,4),style = ‘--.‘,alpha = 0.8) plt.axhline(0,hold=None,color=‘r‘,linestyle="--",alpha=0.8) # 添加y軸參考線 plt.legend(loc = ‘lower left‘) plt.grid() # 通過折線圖查看增長量情況 data[‘lspeed‘] = data[‘l_growth‘] / data[‘base‘] # 定基增長速度 data[‘zspeed‘] = data[‘z_growth‘] / data.shift(1)[‘A‘] # 環比增長速度 data[[‘lspeed‘,‘zspeed‘]].plot(figsize = (10,4),style = ‘--.‘,alpha = 0.8) plt.axhline(0,hold=None,color=‘r‘,linestyle="--",alpha=0.8) # 添加y軸參考線 plt.grid() print(data.head()) print(‘------‘) # 通過折線圖查看發展速度
輸出：
A 2017-06-01 2604.901536 2017-06-02 2387.955402 2017-06-03 1968.693059 2017-06-04 2313.807035 2017-06-05 1441.483332 ------ A base l_growth z_growth lspeed zspeed 2017-06-01 2604.901536 1000 1604.901536 0.000000 1.604902 NaN 2017-06-02 2387.955402 1000 1387.955402 -216.946134 1.387955 -0.083284 2017-06-03 1968.693059 1000 968.693059 -419.262343 0.968693 -0.175574 2017-06-04 2313.807035 1000 1313.807035 345.113976 1.313807 0.175301 2017-06-05 1441.483332 1000 441.483332 -872.323703 0.441483 -0.377008 ------
對比分析