实训1_获取产业数据并存储_预处理与简单分析

目录

  • 1. 实训一. 获取产业数据并存储、预处理与分析
    • 1.1 实训内容概述
    • 1.2 实训知识点:
      • 1.2.1 爬取网页数据
        • 1.2.1.1 一般格式
        • 1.2.1.2 采用pandas读取网页表格数据
      • 1.2.2 DataFrame存储为excel表格
        • 1.2.2.1 DataFrame的.to_execel()函数
        • 1.2.2.2 DataFrame的.to_excel()函数存储多个sheet的问题
        • 1.2.2.3 Pandas的ExcelWriter构造函数
      • 1.2.3 Pandas的DataFrame基本使用
        • 1.2.3.1 Pandas的基本函数与属性
        • 1.2.3.2 Pandas中的统计函数
        • 1.2.3.3 Pandas的索引
      • 1.2.4 Pandas读取excel文件
      • 1.2.5 Pandas数据可视化
        • 1.2.5.1 DataFrame.plot()函数
        • 1.2.5.2 中文字符显示设置
        • 1.2.5.3 可视化图形美化
      • 1.2.6 异常值检测
        • 1.2.6.1 3σ原则
        • 1.2.6.2 箱形图异常值检测
      • 1.2.7 Pandas读写MySQL
        • 1.2.7.1 Python+sqlalchemy创建数据库
        • 1.2.7.2 DataFrame.to_sql()存入MySQL
        • 1.2.7.3 Pandas从MySQL中获取数据
      • 1.2.8 汉字转拼音构建数据库名的方法
    • 1.3 实训操作
      • 1.3.1 单步对一个行业进行分析处理
        • 1.3.1.1 请求并解析网页数据
        • 1.3.1.2 浏览各表格了解基本情况
        • 1.3.1.3 各DataFrame采用df.to_excel()存入excel文件
        • 1.3.1.4 从excel中读取"煤炭开采和洗选业"的"经济指标"并查看基本信息
        • 1.3.1.5 以煤炭开采和洗选业为分析对象,查看经济指标的中企业个数和亏损企业个数的变化情况,并绘制出图形予以展示
        • 1.3.1.6 以煤炭开采和洗选业为分析对象,查看2021年度 经济指标的中亏损总额,可视化出来,并查看其最大值、最小值及相应的月份的详细经济指标
        • 1.3.1.7 以煤炭开采和洗选业为分析对象,查看成本费用总的管理费用,并采用3西格玛方法或者箱型图法查看是否有异常的点
        • 1.3.1.8 煤炭开采和洗选业数据存取MySQL
      • 1.3.2 根据实训总体要求,循环爬取多页并存储
    • 1.4 实训小结

本文jupyter notebook资料下载地址百度网盘

1. 实训一. 获取产业数据并存储、预处理与分析

1.1 实训内容概述

    1. 爬取"https://s.askci.com/data/economy/" 前5个行业(左侧导航栏前5个)的经济指标资产负债收入利润成本费用产值指标
    1. 将爬取的结果按产业名为文件名,5个指标名为表单名存储为excel文件;
    1. 煤炭开采和洗选业为分析对象,查看经济指标的总体数据信息、统计数据信息、前5行、后5行数数据等;
    1. 煤炭开采和洗选业为分析对象,查看经济指标的中企业个数亏损企业数的变化情况,并绘制出图形予以展示;
    1. 煤炭开采和洗选业为分析对象,查看2021年度 经济指标的中亏损总额并可视化,再查看其最大值、最小值及相应的月份的详细经济指标;
    1. 煤炭开采和洗选业为分析对象,查看成本费用中的中管理费用,并采用3西格玛方法或者箱型图法查看是否有异常的点。
    1. 附加补充题:将爬取结果保存到MySQL中。

1.2 实训知识点:

1.2.1 爬取网页数据

1.2.1.1 一般格式

  • 爬虫一般步骤:

    • 导包
    • 设置请求头
    • 发起get请求获得响应
    • 对响应进行编码转换
    • 解析响应
    • 获取目标字段
  • 爬虫解析方法:

    • lxml解析(xpath)
    # 导库
    import requests   
    from lxml import etree
    
    # 获得响应,解析响应
    r = requests.get(url,headers)
    html = etree.HTML(r.text)

    # 获得xpath路径,输入xpath方法获得元素内容
    element = html.xpath('xpath路径')
- BeautifulSoup(css、find...)                  
   # 导库
   import requests
   from bs4 import BeautifulSoup
   
   # 获得响应,解析响应
   r = requests.get(url,headers)
   soup = BeautifulSoup(r.text, 'lxml')
   
   # 分步解析获得各元素
   # css选择器
   # 方法:F12-->选择元素-->右键菜单:复制selector  
   element = soup.select("CSS选择器")
   
   # find方法
   # 方法:F12-->选择元素,观察
   element = soup.find("标签",class_= "类名")  #等其他选择
  • 乱码解决
    • 响应中包含的内容:
    • r.status_code:HTTP请求的返回状态,200表示连接成功,404表示失败
    • r.text:HTTP响应内容的字符串形式,即url对应的页面内容
    • r.encoding:从HTTP header中猜测的响应内容编码方式(
    • r.apparent_encoding:从内容中分析出的响应内容编码方式(备选编码方式)
    • r.content:HTTP响应内容的二进制形式
    • r.url:返回对象的网址
    • r.cookies:返回对象的cookis

实例: 采用xpath获取行业名

# 导入库        
import requests
from lxml import etree

# 设置请求头
headers = {
    'user-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36',
    'Host':'s.askci.com'
}
# 设置请求url
url = 'https://s.askci.com/data/economy/00001/'   

# 获得响应
r = requests.get(url, headers = headers) 

# 编码转换,避免乱码
r.encoding = r.apparent_encoding

# 采用etree.HTML解析
html = etree.HTML(r.text)

# 采用xpath获得行业名
html.xpath('/html/body/div[4]/div[2]/div[1]/a[3]/text()')

1.2.1.2 采用pandas读取网页表格数据

一般格式

pandas.read_html(io,
             match='.+', 
             flavor=None, 
             header=None, 
             index_col=None, 
             skiprows=None, 
             attrs=None, 
             parse_dates=False, 
             thousands=',', 
             encoding=None, 
             decimal='.',
             converters=None, 
             na_values=None, 
             keep_default_na=True, 
             displayed_only=True)

输入参数:

  • io:str、路径对象或 file-like 对象
    字符串、路径对象(实现 os.PathLike[str] )或 file-like 对象实现字符串 read() 函数。该字符串可以表示 URL 或 HTML 本身。请注意,lxml 只接受 http、ftp 和文件 url 协议。如果您有一个以 ‘https’ 开头的 URL,您可以尝试删除 ‘s’ 。

  • match:str 或编译的正则表达式,可选
    将返回包含与此正则表达式或字符串匹配的文本的表集。除非 HTML 非常简单,否则您可能需要在此处传递一个非空字符串。默认为“.+”(匹配任何非空字符串)。默认值将返回页面中包含的所有表。此值被转换为正则表达式,以便 Beautiful Soup 和 lxml 之间的行为一致。

  • flavor:str,可选
    要使用的解析引擎。 ‘bs4’ 和 ‘html5lib’ 是同义词,它们都是为了向后兼容。 None 的默认值尝试使用 lxml 进行解析,如果失败,则返回 bs4 + html5lib 。

  • header:int 或 list-like,可选
    用于制作列标题的行(或 MultiIndex 的行列表)。

  • index_col:int 或 list-like,可选
    用于创建索引的列(或列列表)。

  • skiprows:int, list-like 或切片,可选
    解析列整数后要跳过的行数。基于 0。如果给定整数序列或切片,将跳过由该序列索引的行。请注意,单个元素序列表示“跳过第 n 行”,而整数表示“跳过 n 行”。

  • attrs:字典,可选
    这是一个属性字典,您可以通过它来识别 HTML 中的表格。在传递给 lxml 或 Beautiful Soup 之前,不会检查它们的有效性。但是,这些属性必须是有效的 HTML 表格属性才能正常工作。例如,

    • attrs = {‘id’:‘table’}
      是一个有效的属性字典,因为 ‘id’ HTML 标记属性是本文档中任何 HTML 标记的有效 HTML 属性。

    • attrs = {‘asdf’:‘table’}
      不是有效的属性字典,因为 ‘asdf’ 不是有效的 HTML 属性,即使它是有效的 XML 属性。可以在此处找到有效的 HTML 4.01 表格属性。可以在此处找到 HTML 5 规范的工作草案。它包含有关现代 Web 表属性的最新信息。

  • parse_dates:布尔型,可选
    有关详细信息,请参阅read_csv()。

  • thousands:str,可选
    用于解析数千的分隔符。默认为 ‘,’ 。

  • encoding:str,可选
    用于解码网页的编码。默认为 None 。None 保留先前的编码行为,这取决于底层解析器库(例如,解析器库将尝试使用文档提供的编码)。

  • decimal:str,默认“。”
    识别为小数点的字符(例如,对欧洲数据使用“,”)。

  • converters:字典,默认无
    用于转换某些列中的值的函数的字典。键可以是整数或列标签,值是接受一个输入参数、单元格(不是列)内容并返回转换后的内容的函数。

  • na_values:可迭代,默认无
    自定义 NA 值。

  • keep_default_na:布尔值,默认为真
    如果指定了 na_values 并且 keep_default_na 为 False,则默认 NaN 值将被覆盖,否则将附加到它们。

  • displayed_only:布尔值,默认为真
    是否应该解析带有“display:none” 的元素。

返回值:

  • dfs
    数据帧列表。

注意:

在使用此函数之前,您应该阅读有关 HTML 解析库的问题。

调用此函数后,期望进行一些清理。例如,如果在传递 header=0 参数时列名转换为 NaN,则可能需要手动分配列名。我们尝试尽可能少地假设表格的结构,并将表格中包含的 HTML 的特性推送给用户。

这个函数搜索 **< table >**元素并且仅用于 < tr >< th > 行和 < td > 每个内的元素 < tr > 或者表中的元素。 < td > 代表“table data”。该函数试图正确处理colspan和rowspan属性。如果函数有 < thead > 参数,它用于构造标题,否则该函数会尝试在正文中查找标题(通过仅放置行 **< th >**元素到标题中)。

与read_csv() 类似,在应用skiprows 之后应用header 参数。

此函数将始终返回 DataFrame 列表,否则将失败,例如,它不会返回空列表。

1.2.2 DataFrame存储为excel表格

  • 使用to_excel()函数将DataFrame导出到excel文件
    要将单个对象写入excel文件, 我们必须指定目标文件名。如果要写入多个工作表, 则需要使用目标文件名创建一个ExcelWriter对象, 并且还需要在必须写入的文件中指定工作表。也可以通过指定唯一的sheet_name来写入多张纸。必须保存所有写入文件的数据的更改。

1.2.2.1 DataFrame的.to_execel()函数

  • 一般格式:
    DataFrame.to_excel(excel_writer, 
                 sheet_name='Sheet1', 
                 na_rep='', 
                 float_format=None, 
                 columns=None,
                 header=True, 
                 index=True, 
                 index_label=None, 
                 startrow=0, 
                 startcol=0, 
                 engine=None,
                 merge_cells=True, 
                 encoding=None, 
                 inf_rep='inf', 
                 verbose=True, 
                 freeze_panes=None)
  • 输入参数:
    • excel_writer:文件路径或现有的ExcelWriter。
    • sheet_name:它是指包含DataFrame的工作表的名称。
    • na_rep:指定要写入的表如果有空值(NAN),则需要填入的字符串。
    • float_format:这是一个可选参数, 用于格式化浮点数字符串。
    • columns:指定哪些列要写入新表。
    • header:是否把列名也写入excel表,默认为True,即写入
    • index:是否把索引也写入excel表,默认为True,即写入。
    • index_label:引用索引列的列标签。如果未指定, 并且标头和索引为True, 则使用索引名称。如果DataFrame使用MultiIndex, 则应给出一个序列。
    • startrow:默认值0。它指向转储DataFrame的左上单元格行。
    • startcol:默认值0。它指向转储DataFrame的左上方单元格列。
    • engine:这是一个可选参数, 用于写入要使用的引擎, openpyxl或xlsxwriter。
    • merge_cells:返回布尔值, 其默认值为True。它将MultiIndex和Hierarchical行写为合并的单元格。
    • encoding:这是一个可选参数, 可对生成的excel文件进​​行编码。仅对于xlwt是必需的。
    • inf_rep:它也是一个可选参数, 默认值为inf。它通常表示无穷大。
    • verbose:返回一个布尔值。它的默认值为True。
      它用于在错误日志中显示更多信息。
    • Frozen_panes:它也是一个可选参数, 用于指定要冻结的最底部一行和最右边一列。

1.2.2.2 DataFrame的.to_excel()函数存储多个sheet的问题

大家尝试df.to_excel()会发现,多次调用此函数存同一个excel文件的不同sheet时,会把旧文件覆盖掉,无法保存为多个sheet。
其解决办法如下:

    if not os.path.exists(excelFileName):
    html_tables[0].to_excel(excelFileName,sheet_name=sheet_names[0], index=True)
else:
    with pd.ExcelWriter(excelFileName, engine='openpyxl', mode='a') as writer:
            html_tables[0].to_excel(writer,sheet_name=sheet_names[0], index=True)
  • 第⼀个if语句是在Excel⽂件不存在时,⽤于直接构建;
  • 第⼆个else语句则是⽤ExcelWriter对已存在的Excel⽂件进⾏追加。
  • 注意,文件名"excelFileName"需使用".xlsx",若用".xls"可能会出现 **" File is not a zip file"**错误

1.2.2.3 Pandas的ExcelWriter构造函数

  • 一般格式
    以下首先对ExcelWriter的帮助文档进行整合:
    ExcelWriter是一个用于将DataFrame对象写入Excel工作表的类。默认的处理是对xls文件使用xlwt方法,对xlsx文件使用openpyxl方法,对ods文件使用odf方法。可以参见DataFrame.to_excel的文档查看这三种方法的典型用法。ExcelWriter应当视为一个上下文管理器(context manager),否则,call close()函数进行保存并关闭任何已打开的文件的处理(handles)

通过查看ExcelWriter的py文件,可以看到该类的定义框架如下所示:

class ExcelWriter(builtins.object):
    def ExcelWriter(
        path: 'FilePathOrBuffer | ExcelWriter', 
        engine=None, 
        date_format=None, 
        datetime_format=None, 
        mode: 'str' = 'w', 
        storage_options: 'StorageOptions' = None, 
        if_sheet_exists: 'str | None' = None, 
        engine_kwargs: 'dict | None' = None, 
        **kwargs):
  • 参数详解
    • path :str 或打字。BinaryIO,xls 或xlsx 或ods 文件的路径。
    • engine :str(可选)。用于写作的引擎。如果没有,默认为io.excel.< extension >.writer。注意:只能作为关键字参数传递。
    • date_format :str,默认无。写入Excel 文件的日期格式字符串(例如“YYYY-MM-DD”)。
    • datetime_format :str,默认无。写入Excel 文件的日期时间对象的格式字符串。(例如“YYYY-MM-DD HH:MM:SS”)。
    • mode :{‘w’, ‘a’},默认’w’。要使用的文件模式(写入或附加)。附加不适用于fsspec URL。
    • storage_options :字典,可选。对特定存储连接有意义的额外选项,例如主机、端口、用户名、密码等,如果使用将由 fsspec 解析的URL,例如,从“s3://”、“gcs://” 开始。
    • if_sheet_exists :{‘error’, ‘new’, ‘replace’, ‘overlay’},默认’error’。尝试写入已存在的工作表时的行为方式(仅限附加模式)。
      • ‘error’:引发ValueError。
      • ‘new’:创建一个新工作表,其名称由引擎确定。
      • ‘replace’:在写入之前删除工作表的内容。
      • ‘overlay’:将内容写入现有工作表而不删除旧内容。
    • engine_kwargs :字典,可选. 要传递到引擎的关键字参数。这些将传递给各个引擎的以下函数:
      • xlsxwriter:xlsxwriter.Workbook(file, **engine_kwargs)
      • openpyxl(写入模式):openpyxl.Workbook(**engine_kwargs)
      • openpyxl(追加模式):openpyxl.load_workbook(file, **engine_kwargs)
      • odswriter:odf.opendocument.OpenDocumentSpreadsheet(**engine_kwargs)
    • **kwargs :字典,可选。要传递到引擎的关键字参数。

其中,最基本的应用是:

    ExcelWriter(path, 
                engine=None, 
                date_format=None, 
                datetime_format=None,
                mode=‘w’)
  • 参数详解
    • path:文件保存路径,如"D:\test\test.xlsx"(绝对路径和文件名都要有)
    • engine:写入excel文件使用的引擎,默认为"None";一般情况下默认即可。
    • date_format:将写入Excel文件中的日期格式化,如"YYYY-MM-DD";默认为"None";
    • datetime_format:将写入excel文件中的时间格式化,如"YYYY-MM-DD HH: MM: SS"。默认为"None";
    • mode:写入模式,有"w"–写入和"a"–追加;默认为"w";

1.2.3 Pandas的DataFrame基本使用

1.2.3.1 Pandas的基本函数与属性

# 查看DataFrame的基本信息
df.info()

# 查看DataFrame的统计信息
df.describe()

# 查看DataFrame的前n行
df.head(n)

# 查看DataFrame的后n行
df.tail(n)

# 返回DataFrame的列索引
df.columns

# 返回DataFrame的行索引
df.index

1.2.3.2 Pandas中的统计函数

  • count() 统计个数,空值NaN不计算
  • min()最小值
  • max()最大值
  • sum()总和
  • mean()平均值
  • median()中位数
  • var()方差
  • std()标准差
  • argmin() 统计最小值的索引位置
  • argmax()统计最大值的索引位置
  • idxmin() 统计最小值的索引值
  • idxmax() 统计最大值的索引值

1.2.3.3 Pandas的索引

  • 获取列

    • 字典式
      df[columnName]
    • 对象式
      df.columnName
  • 获取行

    • 绝对索引
      df.loc[索引名]
    • 相对索引
      df.iloc[整数相对索引值]
  • 获取标量

    • df.loc[行索引名称,列索引名称]方式

    • df.loc[行索引名称][列索引名称]方式

    • df.iloc[行索引值,列索引值]方式

    • df.iloc[行索引值][列索引值]方式

    • df.at[行索引名称,列索引名称] 方式

    • df.iat[行索引值,列索引值]方式

  • 切片

    • 行切片

      • df[起始行索引名称:终止行索引名称:步长]

      • df.loc[起始行索引名称:终止行索引名称:步长]

      • df.iloc[起始行索引值:终止行索引值:步长]

    • 列切片

      • df[[列索引名1,列索引名2,列索引名3,...]]

      • df.loc[:,起始列索引名:终止列索引名:步长]

      • df.iloc[:,起始列索引值:终止列索引值:步长]

    • 花式切片

      • df.loc[起始行索引名:终止行索引名:行步长, 起始列索引名:终止列索引名:列步长]

      • df.iloc[起始行索引值:终止行索引值:行步长, 起始列索引值:终止列索引值:列步长]

  • 布尔索引
    例如:

    # 找出df的A列值最小的那行数据
    df[df.A==df.A.min()]
    

1.2.4 Pandas读取excel文件

  • 一般格式:
    pandas.read_excel(io, 
                sheet_name=0, 
                header=0, 
                names=None, 
                index_col=None, 
                usecols=None, 
                squeeze=False, 
                dtype=None, 
                engine=None, 
                converters=None, 
                true_values=None, 
                false_values=None, 
                skiprows=None, 
                nrows=None, 
                na_values=None, 
                keep_default_na=True, 
                na_filter=True, 
                verbose=False, 
                parse_dates=False, 
                date_parser=None, 
                thousands=None, 
                comment=None, 
                skipfooter=0, 
                convert_float=True,
                mangle_dupe_cols=True, 
                storage_options=None)
  • 主要参数说明
    • io:文件路径,可以是绝对路径或者相对路径
    • sheet_name:指定读取的sheet名。可以是数字,sheet名,以列表形式表现的sheet名
      在未指定的情况下默认为0,即读取第一个sheet,
    • sheet_name = 1,读取第二个sheet
    • sheet_name = “主营首版”,读取名为主营首版的sheet
    • sheet_name = [0,1,‘主营首版’],同时读取列表中的sheet
    • sheet_name = None,读取所有的sheet
    • header:指定标题行,不指定默认第一行为标题行
    • header = 1 ,从第2行开始读取数据,并且将第2行设置为标题行。
    • header = [0,1] ,第一行和第二行为标题行
    • header = None,没有标题行,所有都是数据
    • names:在header=None的前提下,补充列名
    • pd.read_excel(filename,sheet_name =1,header =None,names=[1,2,3,4,5,6,7,8,9,10,11,12,13]) # names元素的个数必须和dataframe的列数一致。
    • index_col:用于指定索引,默认为None,即索引默认为0开始的数字
    • index_col = 0,将第一列设置为索引
    • index_col=[0,1],将第一列和第二列设置为索引,其余列为数据
    • header 如果为1,则第一行数据就会被抛弃,index_col如果为1,第一列的数据会自动后移和其他数据合并在一起,不会被抛弃
    • usecols:用于指定读取的列
    • usecols = [1,2,3],读取第2-4列
    • usecols = None,读取所有列,其他形式的写法验证都不通过。
    • squeeze:如果源数据数据或者读取的数据只有一列,squeeze = False时读取的结果是*行1列的dataframe结构,如果squeeze = True时读取的结果是一个Series结构。
    • converters={“可滚动收入”:lambda x: x/100,“收入”:lambda x: x/100} # 将可滚动收入和收入的数值都除以100
    • skiprows:省略指定行数的数据,从第一行开始
    • skipfooter:省略指定行数的数据,是从尾部数的行开始。

1.2.5 Pandas数据可视化

1.2.5.1 DataFrame.plot()函数

一般格式:

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, 
                sharex=None, sharey=False, layout=None, figsize=None, 
                use_index=True, title=None, grid=None, legend=True, 
                style=None, logx=False, logy=False, loglog=False, 
                xticks=None, yticks=None, xlim=None, ylim=None, rot=None, 
                fontsize=None, colormap=None, position=0.5, table=False, yerr=None, 
                xerr=None, stacked=True/False, sort_columns=False, 
                secondary_y=False, mark_right=True, **kwds)

主要参数解释:

  • x : label or position, default None#指数据框列的标签或位置参数
  • y : label or position, default None
  • kind : str
    • ‘line’ : line plot (default)#折线图
    • ‘bar’ : vertical bar plot#条形图
    • ‘barh’ : horizontal bar plot#横向条形图
    • ‘hist’ : histogram#柱状图
    • ‘box’ : boxplot#箱线图
    • ‘kde’ : Kernel Density Estimation plot#Kernel 的密度估计图,主要对柱状图添加Kernel 概率密度线
    • ‘density’ : same as ‘kde’
    • ‘area’ : area plot#不了解此图
    • ‘pie’ : pie plot#饼图
    • ‘scatter’ : scatter plot#散点图 需要传入columns方向的索引
    • ‘hexbin’ : hexbin plot#不了解此图
  • ax : matplotlib axes object, default None#子图(axes, 也可以理解成坐标轴) 要在其上进行绘制的matplotlib subplot对象。如果没有设置,则使用当前matplotlib subplot其中,变量和函数通过改变figure和axes中的元素(例如:title,label,点和线等等)一起描述figure和axes,也就是在画布上绘图。
  • subplots : boolean, default False#判断图片中是否有子图
  • Make separate subplots for each column
  • sharex : boolean, default True if ax is None else False#如果有子图,子图共x轴刻度,标签
  • In case subplots=True, share x axis and set some x axis labels to invisible; defaults to True if ax is None otherwise False if an ax is passed in; Be aware, that passing in both an ax and sharex=True will alter all x axis labels for all axis in a figure!
  • sharey : boolean, default False#如果有子图,子图共y轴刻度,标签
  • In case subplots=True, share y axis and set some y axis labels to invisible
  • layout : tuple (optional)#子图的行列布局
  • (rows, columns) for the layout of subplots
  • figsize : a tuple (width, height) in inches#图片尺寸大小
  • use_index : boolean, default True#默认用索引做x轴
  • title : string#图片的标题用字符串
  • grid : boolean, default None (matlab style default)#图片是否有网格
  • Axis grid lines
  • legend : False/True/’reverse’#子图的图例,添加一个subplot图例(默认为True)
  • Place legend on axis subplots
  • style : list or dict#对每列折线图设置线的类型
  • matplotlib line style per column
  • logx : boolean, default False#设置x轴刻度是否取对数
  • Use log scaling on x axis
  • logy : boolean, default False
  • Use log scaling on y axis
  • loglog : boolean, default False#同时设置x,y轴刻度是否取对数
  • Use log scaling on both x and y axes
  • xticks : sequence#设置x轴刻度值,序列形式(比如列表)
  • Values to use for the xticks
  • yticks : sequence#设置y轴刻度,序列形式(比如列表)
  • Values to use for the yticks
  • xlim : 2-tuple/list#设置坐标轴的范围,列表或元组形式
  • ylim : 2-tuple/list
  • rot : int, default None#设置轴标签(轴刻度)的显示旋转度数
  • Rotation for ticks (xticks for vertical, yticks for horizontal plots)
  • fontsize : int, default None#设置轴刻度的字体大小
  • Font size for xticks and yticks
  • colormap : str or matplotlib colormap object, default None#设置图的区域颜色
  • Colormap to select colors from. If string, load colormap with that name from matplotlib.
  • colorbar : boolean, optional #图片柱子
  • If True, plot colorbar (only relevant for ‘scatter’ and ‘hexbin’ plots)
  • position : float
  • Specify relative alignments for bar plot layout. From 0 (left/bottom-end) to 1 (right/top-end). Default is 0.5 (center)
  • layout : tuple (optional) #布局
  • (rows, columns) for the layout of the plot
  • table : boolean, Series or DataFrame, default False #如果为正,则选择DataFrame类型的数据并且转换匹配matplotlib的布局。
  • If True, draw a table using the data in the DataFrame and the data will be transposed to meet matplotlib’s default layout. If a Series or DataFrame is passed, use passed data to draw a table.
  • yerr : DataFrame, Series, array-like, dict and str
  • See Plotting with Error Bars for detail.
  • xerr : same types as yerr.
  • stacked : boolean, default False in line and
  • bar plots, and True in area plot. If True, create stacked plot.
  • sort_columns : boolean, default False # 以字母表顺序绘制各列,默认使用前列顺序
  • secondary_y : boolean or sequence, default False ##设置第二个y轴(右y轴)
  • Whether to plot on the secondary y-axis If a list/tuple, which columns to plot on secondary y-axis
  • mark_right : boolean, default True
  • When using a secondary_y axis, automatically mark the column labels with “(right)” in the legend
  • kwds : keywords
  • Options to pass to matplotlib plotting method
  • Returns:axes : matplotlib.AxesSubplot or np.array of them

1.2.5.2 中文字符显示设置

Pandas在绘图时,会显示中文为方块,主要原因有二: matplotlib 字体问题,seaborn 字体问题。
没有中文字体,所以我们只要手动添加中文字体的名称就可以了,不过并不是添加我们熟悉的“宋体”或“黑体”这类的名称,而是要添加字体管理器识别出的字体名称,matplotlib自身实现的字体管理器在文件font_manager.py中,自动生成的可用字体信息在保存在文件fontList.cache里,可以搜索这个文件查看对应字体的名称,例如simhei.ttf对应的名称为’SimHei’,simkai.ttf对应的名称为’KaiTi_GB2312’等。因此我们只要把这些名称添加到配置文件中去就可以让matplotlib显示中文。

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  
# plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] #MAC中设置字体为"Arial Unicode MS"
plt.rcParams['font.serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题,或者转换负号为字符串

1.2.5.3 可视化图形美化

  • 加图标题: plt.title()
  • 加x轴标签: plt.xlabel()
  • 加y轴标签: plt.ylabel()
  • 自定义设置x刻度: plt.xticks(loc,labels)
  • 设置图例: plt.lagend(labels,loc)

1.2.6 异常值检测

1.2.6.1 3σ原则

3σ原则,又称为拉依达原则,它是先假设一组检测数据只含有随机误差,对该组数据进行计算处理得到标准偏差,按一定概率确定一个区间,凡是超过这个区间的误差不属于随机误差而是粗大误差,含有粗大误差范围内的数据(视为异常值)应予以剔除

3σ原则异常值检测函数

import numpy as np
import pandas as pd

def three_sigma(ser):
    """
    ser参数:被检测的数据,是一个Series
    返回值:异常值及其对应的行索引
    """
    
    # 计算平均值
    mean_data = ser.mean()
    # 计算标准差sigma
    std_data = ser.std()
    
    #小于(均值-3倍标准差) 或者 大于 (均值+3倍标准差)的数值都是异常的
    rule = ((mean_data-3*std_data)>ser) | ((mean_data+3*std_data)<ser)
    
    # 返回异常值的行索引
    index = np.arange(ser.shape[0])[rule]
    # 获取异常值
    outliers = ser.iloc[index]
    return outliers
    

1.2.6.2 箱形图异常值检测

除了使用3σ原则检测异常值之外,还可以使用箱形图检测异常值。
需要说明的是,箱形图对检测数据没有任何要求,即使不符合正态分布的数据集是能被检测的。
箱形图是一种用于显示一组数据分散情况的统计图,它通常由上边缘、上四分位数、中位数、下四分位数、下边缘和异常值组成。箱形图能直观地反映出一组数据的分散情况,一旦图中出现离群点(远离大多数值的点),就认为该离群点可能为异常值。

箱形图异常值检测函数

import pandas as pd
import numpy as np

def box_outliers(ser):
   # 对待检测的数据集进行排序
   new_ser = ser.sort_values()
   # 判断待检测数据集数的个数数偶数还是奇数
   if new_ser.count() %2==0:
       #计算Q3,Q1
       Q3 = new_ser[int(len(new_ser)/2):].median()
       Q1 = new_ser[:int(len(new_ser)/2)].median()
   else:
       #计算Q3,Q1
       Q3 = new_ser[int((len(new_ser)-1)/2):].median()
       Q1 = new_ser[:int((len(new_ser)-1)/2)].median()
       
   #计算IQR
   IQR = round(Q3-Q1,1)
   # 制定异常值规则
   rule = (round(Q3+1.5*IQR,1)<ser)|(round(Q1-1.5*IQR,1)>ser)
   
   # 返回异常值的行索引
   index = np.arange(ser.shape[0])[rule]
   # 获取异常值
   outliers = ser.iloc[index]
   return outliers
                        

1.2.7 Pandas读写MySQL

1.2.7.1 Python+sqlalchemy创建数据库

在使用Pandas进行数据库操作之前,先学会如何使用Python+sqlalchemy创建数据库。
其方法有如下两种:(数据库连接用户名: root,密码:123456,本地地址127.0.0.1,端口号:3306,创建数据库:sx1db)

from sqlalchemy import create_engine

# 方法一, 利用sqlalchemy_utils库的create_databse模块
# 需要提前用"pip install sqlalchemy_utils"安装sqlalchemy_utils
from sqlalchemy_utils import database_exists, create_database

engine = create_engine('mysql+pymysql://root:[email protected]:3306/sx1db')
if not database_exists(engine.url):
    create_database(engine.url,encoding='gb2312')
print(database_exists(engine.url))


# 方法二 单纯使用sqlalchemy

with create_engine('mysql+pymysql://root:123456@localhost:3306/',
                   isolation_level='AUTOCOMMIT').connect() as connection:
    connection.execute('CREATE DATABASE sx1db charset="gb2312"')

  • create_engine()基本格式
   engine = create_engine('dialect+driver://username:password@host:port/database',encoding='gb2312')
  • 参数说明
    • dialect:数据库类型
    • driver:数据库驱动选择
    • username:数据库用户名
    • password: 用户密码
    • host:服务器地址
    • port:端口
    • database:数据库
    • charset:指定字符集
?create_engine

1.2.7.2 DataFrame.to_sql()存入MySQL

  • df.to_sql()方法一般格式:
    .to_sql(name, 
         con, 
         flavor=None,
         schema=None, 
         if_exists='fail', 
         index=True, 
         index_label=None, 
         chunksize=None, 
         dtype=None)
    ```
- **参数详解**
    - name:指定的是将输入接入数据库当做的哪个表

    - con:与数据库链接的方式,推荐使用sqlalchemy的engine类型
 
    - schema: 相应数据库的引擎,不设置则使用数据库的默认引擎,如mysql中的innodb引擎

    - if_exists: 当数据库中已经存在数据表时对数据表的操作
        - replace:替换
        - append:追加
        - fail:则当表存在时提示ValueError。
 
    - index:对DataFrame的index索引的处理,为True时索引也将作为数据写入数据表
 
    - index_label:当上一个参数index为True时,设置写入数据表时index的列名称
 
    - chunsize:设置整数,如20000,一次写入数据时的数据行数量,当数据量很大时,需要设置,否则会链接超时写入失败。

    - dtype:写入数据表时,可以设置列的名称(The keys should be the column names and the values should be the SQLAlchemy types or strings for the sqlite3 legacy mode),需要设置时,类型需要和sqlalchemy的类型保持一致.当不设置时,to_sql生成表时会自动兼容最大的类型。

  .to_sql()参数中除 name、con必填外,可选参数index推荐使用False,同时dtype推荐不使用。

#### 1.2.7.3 Pandas从MySQL中获取数据
- **.read_sql()方法的一般格式**
```python
pandas.read_sql(sql, 
           con, 
           index_col=None,
           coerce_float=True, 
           params=None,
           parse_dates=None, 
           columns=None,
           chunksize=None)
  • 常用参数说明
    • sql:SQL命令字符串
    • con:连接sql数据库的engine,一般可以用SQLalchemy或者pymysql之类的包建立
    • index_col: 选择某1列或几列作为index(或MultiIndex),字符串或字符串列表
    • coerce_float:非常有用,将数字形式的字符串直接以float型读入
    • parse_dates:将某一列日期型字符串转换为datetime型数据,与pd.to_datetime函数功能类似。
      可以直接提供需要转换的列名以默认的日期形式转换,也可以用字典的格式提供列名和转换的日期格式。
      比如{column_name: format string}(format string:“%Y:%m:%H:%M:%S”)。
    • columns:要选取的列。一般没啥用,因为在sql命令里面一般就指定要选择的列了
    • chunksize:如果提供了一个整数值,那么就会返回一个generator,每次输出的行数就是提供的值的大小。

1.2.8 汉字转拼音构建数据库名的方法

在实训中,要求将不同行业的数据存入到不同的的MySQL数据库中,数据库命名一个自然的想法是采用行业名的英文或汉语拼音为名。
汉语拼音全拼时太长,因此打算用汉语拼音每个字首字母大写+"db"作为数据库的名称。
爬取时,外面获得的行业名为汉语文字,如何将其转换为汉语拼音,网上有很多个共享的工具包可用。
这里用pinyin工具包,使用前先用python pip install pinyin进行安装。
构建数据库名称的代码如下:

hyName = '煤炭开采和洗选业'
dbName = [''+pinyin.get(x)[0].upper() for x in hyName] # mysql中部区分大小写,所以转换成大写起始没啥用
dbName = "".join(dbName)+'db'
print(dbName)
hyName = '煤炭开采和洗选业'
dbName = [''+pinyin.get(x)[0].upper() for x in hyName]  # mysql中部区分大小写,所以转换成大写起始没啥用
dbName = "".join(dbName)+'db'
print(dbName)
MTKCHXXYdb

1.3 实训操作

1.3.1 单步对一个行业进行分析处理

1.3.1.1 请求并解析网页数据

# 导入库        
import requests
from lxml import etree
import pandas as pd 
import csv

# 设置请求头
headers = {
    'user-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36',
    'Host':'s.askci.com'
}

# 设置请求url
url = 'https://s.askci.com/data/economy/00001/'   

# 获得响应
r = requests.get(url, headers = headers) 

# 编码转换,避免乱码
r.encoding = r.apparent_encoding

# 采用etree.HTML解析
html = etree.HTML(r.text)

# 采用xpath获得行业名
hyName = html.xpath('/html/body/div[4]/div[2]/div[1]/a[3]/text()')[0]

# 获取表格数据
html_tables = pd.read_html(r.content,header=0,index_col=0)

print("读取的类别:",type(html_tables),"\n表格的个数:",len(html_tables))
读取的类别:  
表格的个数: 5

1.3.1.2 浏览各表格了解基本情况

html_tables[0].head()
企业数量(个) 亏损企业数(个) 亏损总额(亿元) 累计增长(%) 存货(亿元) 累计增长(%).1 产成品(亿元) 累计增长(%).2
类别年份
202203 4546 1498 180.1 5.6 1244.5 4.0 617.2 12.9
202202 4539 1395 116.9 3.7 1197.8 0.1 574.1 3.3
202112 4343 970 560.9 -8.3 1242.4 5.0 603.5 10.4
202111 4343 1024 440.1 -21.5 1350.0 8.5 680.9 15.1
202110 4334 1083 382.8 -27.9 1300.6 3.9 627.9 5.9
html_tables[0].info()

Int64Index: 112 entries, 202203 to 201202
Data columns (total 8 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   企业数量(个)    112 non-null    int64  
 1   亏损企业数(个)   112 non-null    int64  
 2   亏损总额(亿元)   112 non-null    float64
 3   累计增长(%)    112 non-null    float64
 4   存货(亿元)     112 non-null    float64
 5   累计增长(%).1  112 non-null    float64
 6   产成品(亿元)    112 non-null    float64
 7   累计增长(%).2  112 non-null    float64
dtypes: float64(6), int64(2)
memory usage: 7.9 KB
html_tables[1].head()
流动资产合计(亿元) 累计增长(%) 应收帐款(亿元) 累计增长(%).1 资产总计(亿元) 累计增长(%).2 负债合计(亿元) 累计增长(%).3
类别年份
202203 32073.7 31.5 4632.4 51.9 69195.4 13.1 43842.2 6.7
202202 30933.3 30.6 4503.6 56.4 67953.5 13.6 43102.2 7.9
202112 31153.2 33.7 4313.7 60.1 67994.9 13.0 44117.8 10.1
202111 31168.1 28.5 4760.4 58.5 67961.0 13.7 43581.5 10.5
202110 30230.8 25.0 4474.9 52.8 66818.4 12.3 43387.3 11.3
html_tables[2].head()
主营业务收入(亿元) 累计增长(%) 利润总额(亿元) 累计增长(%).1 主营业务税金及附加(亿元) 累计增长(%).2 应交增值税(亿元) 累计增长(%).3
类别年份
202203 -- -- 2357.0 189 -- -- -- --
202202 -- -- 1484.8 155.3 -- -- -- --
202112 -- -- 7023.1 212.7 -- -- -- --
202111 -- -- 6473.6 222.6 -- -- -- --
202110 -- -- 5435.7 210.2 -- -- -- --
html_tables[3].head()
主营业务成本(亿元) 累计增长(%) 销售费用(亿元) 累计增长(%).1 管理费用(亿元) 累计增长(%).2 财务费用(亿元) 累计增长(%).3
类别年份
202203 -- -- 120.7 -16.0 498.9 29.6 213.0 3.1
202202 -- -- 74.0 -25.7 290.9 22.7 122.1 -5.2
202112 -- -- 609.2 1.6 1897.2 27.3 876.9 8.0
202111 -- -- 553.1 2.4 1590.0 22.0 760.7 6.8
202110 -- -- 502.0 3.1 1412.2 20.5 696.7 7.2
html_tables[4].head()
增加值同比增长(%) 增加值累计增长(%) 出口交货值当月值(亿元) 同比增长(%) 出口交货值累计值(亿元) 累计增长(%)
类别年份
202203 16.7 13.2 0 -95.3 0.2 -95.1
202202 -- 11.1 -- -- 0.4 -91.9
202112 12.2 6.7 0 -100 0.3 -93.4
202111 9.6 6.1 0 -100 0.5 -88.1
202110 9.2 5.6 0 -100 0.5 -91.1

1.3.1.3 各DataFrame采用df.to_excel()存入excel文件

import os

excelFileName = hyName+".xlsx"
hyParaNames = ["经济指标","资产负债","收入利润","成本费用","产值指标"]
sheet_names = hyParaNames

# 经济指标
if not os.path.exists(excelFileName):
    html_tables[0].to_excel(excelFileName,sheet_name=sheet_names[0], index=True)
else:
    with pd.ExcelWriter(excelFileName, engine='openpyxl', mode='a',if_sheet_exists='replace') as writer:
            html_tables[0].to_excel(writer,sheet_name=sheet_names[0], index=True)
# 资产负债
if not os.path.exists(excelFileName):
    html_tables[1].to_excel(excelFileName,sheet_name=sheet_names[1], index=True)
else:
    with pd.ExcelWriter(excelFileName, engine='openpyxl', mode='a',if_sheet_exists='replace') as writer:
            html_tables[1].to_excel(writer,sheet_name=sheet_names[1], index=True)
# 收入利润
if not os.path.exists(excelFileName):
    html_tables[2].to_excel(excelFileName,sheet_name=sheet_names[2], index=True)
else:
    with pd.ExcelWriter(excelFileName, engine='openpyxl', mode='a',if_sheet_exists='replace') as writer:
            html_tables[2].to_excel(writer,sheet_name=sheet_names[2], index=True)
# 成本费用
if not os.path.exists(excelFileName):
    html_tables[3].to_excel(excelFileName,sheet_name=sheet_names[3], index=True)
else:
    with pd.ExcelWriter(excelFileName, engine='openpyxl', mode='a',if_sheet_exists='replace') as writer:
            html_tables[3].to_excel(writer,sheet_name=sheet_names[3], index=True)
# 产值指标
if not os.path.exists(excelFileName):
    html_tables[4].to_excel(excelFileName,sheet_name=sheet_names[4], index=True)
else:
    with pd.ExcelWriter(excelFileName, engine='openpyxl', mode='a',if_sheet_exists='replace') as writer:
            html_tables[4].to_excel(writer,sheet_name=sheet_names[4], index=True)

1.3.1.4 从excel中读取"煤炭开采和洗选业"的"经济指标"并查看基本信息

df_mt_jj = pd.read_excel("煤炭开采和洗选业.xlsx",sheet_name="经济指标",index_col=0)
# 查看开始5行
df_mt_jj.head()
企业数量(个) 亏损企业数(个) 亏损总额(亿元) 累计增长(%) 存货(亿元) 累计增长(%).1 产成品(亿元) 累计增长(%).2
类别年份
202203 4546 1498 180.1 5.6 1244.5 4.0 617.2 12.9
202202 4539 1395 116.9 3.7 1197.8 0.1 574.1 3.3
202112 4343 970 560.9 -8.3 1242.4 5.0 603.5 10.4
202111 4343 1024 440.1 -21.5 1350.0 8.5 680.9 15.1
202110 4334 1083 382.8 -27.9 1300.6 3.9 627.9 5.9
# 查看后5行
df_mt_jj.tail()
企业数量(个) 亏损企业数(个) 亏损总额(亿元) 累计增长(%) 存货(亿元) 累计增长(%).1 产成品(亿元) 累计增长(%).2
类别年份
201206 7690 1374 102.77 85.27 1942.58 32.30 735.24 24.20
201205 7690 1316 80.04 74.19 1945.20 30.89 743.32 24.38
201204 7695 1356 69.59 73.37 1888.53 30.16 713.16 25.63
201203 7696 1455 56.66 61.52 1758.56 32.47 700.50 27.54
201202 7696 1453 44.88 83.41 1675.09 32.57 698.14 35.00
# 查看总体信息
df_mt_jj.info()

Int64Index: 112 entries, 202203 to 201202
Data columns (total 8 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   企业数量(个)    112 non-null    int64  
 1   亏损企业数(个)   112 non-null    int64  
 2   亏损总额(亿元)   112 non-null    float64
 3   累计增长(%)    112 non-null    float64
 4   存货(亿元)     112 non-null    float64
 5   累计增长(%).1  112 non-null    float64
 6   产成品(亿元)    112 non-null    float64
 7   累计增长(%).2  112 non-null    float64
dtypes: float64(6), int64(2)
memory usage: 7.9 KB
# 查看统计描述
df_mt_jj.describe()
企业数量(个) 亏损企业数(个) 亏损总额(亿元) 累计增长(%) 存货(亿元) 累计增长(%).1 产成品(亿元) 累计增长(%).2
count 112.000000 112.000000 112.000000 112.000000 112.000000 112.000000 112.000000 112.000000
mean 5696.705357 1566.919643 311.793661 25.219107 1880.310804 4.312589 782.313571 3.848750
std 1424.317220 371.524983 195.253860 52.721925 446.522572 10.319600 162.556546 12.215957
min 4137.000000 970.000000 44.880000 -68.800000 1134.700000 -9.500000 511.200000 -16.200000
25% 4308.500000 1227.000000 165.500000 -8.525000 1599.250000 -3.725000 630.300000 -6.700000
50% 5110.500000 1494.000000 254.750000 23.600000 1919.635000 1.350000 788.020000 2.600000
75% 7058.250000 1943.500000 411.800000 50.175000 2238.575000 9.032500 915.422500 12.277500
max 7975.000000 2344.000000 972.600000 171.070000 2559.400000 33.350000 1053.600000 35.400000

1.3.1.5 以煤炭开采和洗选业为分析对象,查看经济指标的中企业个数和亏损企业个数的变化情况,并绘制出图形予以展示

# 企业个数
data_qygs = df_mt_jj["企业数量(个)"]
data_qygs
类别年份
202203    4546
202202    4539
202112    4343
202111    4343
202110    4334
          ... 
201206    7690
201205    7690
201204    7695
201203    7696
201202    7696
Name: 企业数量(个), Length: 112, dtype: int64
# 亏损企业个数
data_ksqy = df_mt_jj["亏损企业数(个)"]
data_ksqy
类别年份
202203    1498
202202    1395
202112     970
202111    1024
202110    1083
          ... 
201206    1374
201205    1316
201204    1356
201203    1455
201202    1453
Name: 亏损企业数(个), Length: 112, dtype: int64
# 一次获取多列
data_qy = df_mt_jj[["企业数量(个)","亏损企业数(个)"]]
data_qy
企业数量(个) 亏损企业数(个)
类别年份
202203 4546 1498
202202 4539 1395
202112 4343 970
202111 4343 1024
202110 4334 1083
... ... ...
201206 7690 1374
201205 7690 1316
201204 7695 1356
201203 7696 1455
201202 7696 1453

112 rows × 2 columns

1.3.1.5.1 绘制折线图
import matplotlib.pyplot as plt

# 中文显示
plt.rcParams['font.sans-serif'] = ['SimHei'] 

# 绘制亏损企业个数和企业个数折线图
data_ksqy.plot(label="亏损企业数")
data_qygs.plot(label="企业数");

# 添加x标签与y标签
plt.xlabel("年月")
plt.ylabel("个数")

# 添加标题
plt.title("企业个数与亏损企业个数")

# 添加图例
plt.legend(loc="best");

实训1_获取产业数据并存储_预处理与简单分析_第1张图片

import matplotlib.pyplot as plt

# 中文显示
plt.rcParams['font.sans-serif'] = ['SimHei'] 

# 绘制亏损企业个数和企业个数折线图
data_qy.plot()
# 添加x标签与y标签
plt.xlabel("年月")
plt.ylabel("个数")

# 添加标题
plt.title("企业个数与亏损企业个数")

# 添加图例
plt.legend(loc="best");

实训1_获取产业数据并存储_预处理与简单分析_第2张图片

1.3.1.5.2 绘制柱状图
plt.rcParams['font.sans-serif'] = ['SimHei'] 
data_ksqy.plot(kind='bar',label="亏损企业数");
data_qygs.plot.bar("企业数",label="企业数")

# 添加x标签与y标签
plt.xlabel("年月")
plt.ylabel("个数")

# 添加标题
plt.title("企业个数与亏损企业个数")

# 添加图例
plt.legend(loc="best");

实训1_获取产业数据并存储_预处理与简单分析_第3张图片

柱状图不适合绘制数目过多的数据
下面绘制2021年度的

data_qy.loc["202112":"202101"]
企业数量(个) 亏损企业数(个)
类别年份
202112 4343 970
202111 4343 1024
202110 4334 1083
202109 4322 1224
202108 4312 1234
202107 4298 1305
202106 4284 1407
202105 4276 1358
202104 4273 1455
202103 4267 1589
202102 4264 1380
plt.rcParams['font.sans-serif'] = ['SimHei'] 
data_qy.loc["202112":"202101"].plot(kind='bar')

# 添加x标签与y标签
plt.xlabel("年月")
plt.ylabel("个数")

# 添加标题
plt.title("企业个数与亏损企业个数")

# 添加图例
plt.legend(loc="best");

实训1_获取产业数据并存储_预处理与简单分析_第4张图片

在plt.legend()函数中加入若干参数:

    plt.legend(bbox_to_anchor=(num1, num2), loc=num3, borderaxespad=num4)

bbox_to_anchor(num1,num2)表示legend的位置和图像的位置关系,num1表示水平位置,num2表示垂直位置。num1=0表示legend位于图像的左侧垂直线(这里的其它参数设置:num2=0,num3=3,num4=0)。

plt.rcParams['font.sans-serif'] = ['SimHei'] 
data_qy.loc["202112":"202101"].plot(kind='bar')

# 添加x标签与y标签
plt.xlabel("年月")
plt.ylabel("个数")

# 添加标题
plt.title("企业个数与亏损企业个数")

# 添加图例到axis外
num1=1.05
num2=0
num3=3
num4=0
plt.legend(bbox_to_anchor=(num1, num2), loc=num3, borderaxespad=num4);

实训1_获取产业数据并存储_预处理与简单分析_第5张图片

1.3.1.6 以煤炭开采和洗选业为分析对象,查看2021年度 经济指标的中亏损总额,可视化出来,并查看其最大值、最小值及相应的月份的详细经济指标

# 取的经济指标中2021年度数据
df_mt_jj_2021 = df_mt_jj.loc["202112":"202101"]
df_mt_jj_2021
企业数量(个) 亏损企业数(个) 亏损总额(亿元) 累计增长(%) 存货(亿元) 累计增长(%).1 产成品(亿元) 累计增长(%).2
类别年份
202112 4343 970 560.9 -8.3 1242.4 5.0 603.5 10.4
202111 4343 1024 440.1 -21.5 1350.0 8.5 680.9 15.1
202110 4334 1083 382.8 -27.9 1300.6 3.9 627.9 5.9
202109 4322 1224 383.1 -21.7 1223.0 -1.1 565.0 -5.0
202108 4312 1234 358.1 -15.1 1179.9 -4.1 538.4 -9.4
202107 4298 1305 323.6 -12.6 1166.7 -3.2 534.2 -9.0
202106 4284 1407 262.1 -18.4 1145.1 -3.3 522.8 -8.6
202105 4276 1358 232.5 -19.6 1153.9 -3.5 530.5 -7.5
202104 4273 1455 208.0 -9.2 1134.7 -5.2 511.2 -10.3
202103 4267 1589 165.5 -9.7 1163.8 -0.2 530.5 -5.2
202102 4264 1380 110.2 -30.0 1170.0 -0.4 541.4 2.9
# 查看2021年煤炭开采和洗选业的亏损总额
data_ksze = df_mt_jj.loc["202112":"202101","亏损总额(亿元)"]
data_ksze
类别年份
202112    560.9
202111    440.1
202110    382.8
202109    383.1
202108    358.1
202107    323.6
202106    262.1
202105    232.5
202104    208.0
202103    165.5
202102    110.2
Name: 亏损总额(亿元), dtype: float64
# 亏损总额最大值
data_ksze.max()
560.9
# 亏损总额最大值 
# 直接从df_mt_jj_2021中获取
df_mt_jj_2021["亏损总额(亿元)"].max()
560.9
# 亏损总额最小值
data_ksze.min()
110.2
# 查看亏损总额最大的月份的经济指标
df_mt_jj_2021[df_mt_jj_2021["亏损总额(亿元)"]==df_mt_jj_2021["亏损总额(亿元)"].max()]
企业数量(个) 亏损企业数(个) 亏损总额(亿元) 累计增长(%) 存货(亿元) 累计增长(%).1 产成品(亿元) 累计增长(%).2
类别年份
202112 4343 970 560.9 -8.3 1242.4 5.0 603.5 10.4
# 查看亏损总额最少的月份的经济指标
df_mt_jj_2021[df_mt_jj_2021["亏损总额(亿元)"]==df_mt_jj_2021["亏损总额(亿元)"].min()]
企业数量(个) 亏损企业数(个) 亏损总额(亿元) 累计增长(%) 存货(亿元) 累计增长(%).1 产成品(亿元) 累计增长(%).2
类别年份
202102 4264 1380 110.2 -30.0 1170.0 -0.4 541.4 2.9
# 绘制出2021年度亏损总额的曲线图,并添加图表题、x标签、y标签
df_mt_jj_2021["亏损总额(亿元)"].plot()
plt.title("2021年度亏损总额")
plt.ylabel("亏损总额(亿元)")
loc=df_mt_jj_2021.index
plt.xticks(loc,[str(x)+"月" for x in range(2,13)])
plt.xlabel("月份");

实训1_获取产业数据并存储_预处理与简单分析_第6张图片

# 绘制出2021年度亏损总额的条形图,并添加图表题、x标签、y标签
df_mt_jj_2021["亏损总额(亿元)"].plot.bar(label="亏损总额")
# 添加数据标注
for x, y in enumerate(df_mt_jj_2021["亏损总额(亿元)"].values):   
    plt.text(x+0.4, y+1,y,ha='right',va='bottom')

plt.title("2021年度亏损总额")
plt.ylabel("亏损总额(亿元)")
plt.xlabel("月份")
plt.legend(loc='best');

实训1_获取产业数据并存储_预处理与简单分析_第7张图片

1.3.1.7 以煤炭开采和洗选业为分析对象,查看成本费用总的管理费用,并采用3西格玛方法或者箱型图法查看是否有异常的点

1.3.1.7.0 获取成本费用中的管理费用
df_mt_cb = pd.read_excel("煤炭开采和洗选业.xlsx",sheet_name="成本费用",index_col=0)
# 查看开始5行
df_mt_cb.head()
主营业务成本(亿元) 累计增长(%) 销售费用(亿元) 累计增长(%).1 管理费用(亿元) 累计增长(%).2 财务费用(亿元) 累计增长(%).3
类别年份
202203 -- -- 120.7 -16.0 498.9 29.6 213.0 3.1
202202 -- -- 74.0 -25.7 290.9 22.7 122.1 -5.2
202112 -- -- 609.2 1.6 1897.2 27.3 876.9 8.0
202111 -- -- 553.1 2.4 1590.0 22.0 760.7 6.8
202110 -- -- 502.0 3.1 1412.2 20.5 696.7 7.2
ser_cb_gl = df_mt_cb["管理费用(亿元)"]
ser_cb_gl
类别年份
202203     498.90
202202     290.90
202112    1897.20
202111    1590.00
202110    1412.20
           ...   
201206    1103.77
201205     921.51
201204     727.64
201203     533.49
201202     331.51
Name: 管理费用(亿元), Length: 112, dtype: float64
1.3.1.7.1 3σ原则异常值检测
  • 定义3σ原则异常值检测
import numpy as np
import pandas as pd

def three_sigma(ser):
    """
    ser参数:被检测的数据,是一个Series
    返回值:异常值及其对应的行索引
    """
    
    # 计算平均值
    mean_data = ser.mean()
    # 计算标准差sigma
    std_data = ser.std()
    
    #小于(均值-3倍标准差) 或者 大于 (均值+3倍标准差)的数值都是异常的
    rule = ((mean_data-3*std_data)>ser) | ((mean_data+3*std_data)<ser)
    
    # 返回异常值的行索引
    index = np.arange(ser.shape[0])[rule]
    # 获取异常值
    outliers = ser.iloc[index]
    return outliers    

  • 使用3σ原则异常值检测异常点
three_sigma(ser_cb_gl)
Series([], Name: 管理费用(亿元), dtype: float64)

结果为空值,说明没有异常点出现

1.3.1.7.2 箱形图异常值检测
  • 定义箱形图异常值检测函数
import pandas as pd
import numpy as np

def box_outliers(ser):
    # 对待检测的数据集进行排序
    new_ser = ser.sort_values()
    # 判断待检测数据集数的个数数偶数还是奇数
    if new_ser.count() %2==0:
        #计算Q3,Q1
        Q3 = new_ser[int(len(new_ser)/2):].median()
        Q1 = new_ser[:int(len(new_ser)/2)].median()
    else:
        #计算Q3,Q1
        Q3 = new_ser[int((len(new_ser)-1)/2):].median()
        Q1 = new_ser[:int((len(new_ser)-1)/2)].median()
        
    #计算IQR
    IQR = round(Q3-Q1,1)
    # 制定异常值规则
    rule = (round(Q3+1.5*IQR,1)<ser)|(round(Q1-1.5*IQR,1)>ser)
    
    # 返回异常值的行索引
    index = np.arange(ser.shape[0])[rule]
    # 获取异常值
    outliers = ser.iloc[index]
    return outliers
  • 使用箱形图异常值检测
box_outliers(ser_cb_gl)
Series([], Name: 管理费用(亿元), dtype: float64)

1.3.1.8 煤炭开采和洗选业数据存取MySQL

1.3.1.8.1 创建数据库
# 根据爬取的行业名(hyName)自动构建数据库名
hyName
'煤炭开采和洗选业'
import pinyin

dbName = [''+pinyin.get(x)[0].upper() for x in hyName] 
dbName = "".join(dbName)+'db'
dbName
'MTKCHXXYdb'
from sqlalchemy import create_engine

# 方法一, 利用sqlalchemy_utils库的create_databse模块,
# 需要提前用"pip install sqlalchemy_utils"安装sqlalchemy_utils
from sqlalchemy_utils import database_exists, create_database

connection = create_engine(f'mysql+pymysql://root:[email protected]:3306/{dbName}',encoding='gb2312')
if not database_exists(connection.url):
    create_database(connection.url,encoding='gb2312')
print(database_exists(connection.url))
True

或采用方法二实现如下:

from sqlalchemy import create_engine

# 方法二 单纯使用sqlalchemyf

with create_engine('mysql+pymysql://root:123456@localhost:3306/',
                   isolation_level='AUTOCOMMIT').connect() as connection:
    connection.execute(f'CREATE DATABASE {dbName} charset="gb2312"')

1.3.1.8.2 将煤炭开采和选洗业数据存入MySQL
list('煤炭开采和洗选业')
['煤', '炭', '开', '采', '和', '洗', '选', '业']
hyParaNames
['经济指标', '资产负债', '收入利润', '成本费用', '产值指标']
tableName = hyParaNames[0]
tableName
'经济指标'
# 经济指标
html_tables[0]
企业数量 亏损企业数 亏损总额 累计增长 存货 累计增长 产成品 累计增长
类别年份
202203 4546 1498 180.10 5.60 1244.50 4.00 617.20 12.90
202202 4539 1395 116.90 3.70 1197.80 0.10 574.10 3.30
202112 4343 970 560.90 -8.30 1242.40 5.00 603.50 10.40
202111 4343 1024 440.10 -21.50 1350.00 8.50 680.90 15.10
202110 4334 1083 382.80 -27.90 1300.60 3.90 627.90 5.90
... ... ... ... ... ... ... ... ...
201206 7690 1374 102.77 85.27 1942.58 32.30 735.24 24.20
201205 7690 1316 80.04 74.19 1945.20 30.89 743.32 24.38
201204 7695 1356 69.59 73.37 1888.53 30.16 713.16 25.63
201203 7696 1455 56.66 61.52 1758.56 32.47 700.50 27.54
201202 7696 1453 44.88 83.41 1675.09 32.57 698.14 35.00

112 rows × 8 columns

html_tables[0].columns#=['企业数量', '亏损企业数', '亏损总额', '累计增长', '存货', '累计增长','产成品', '累计增长']
Index(['企业数量(个)', '亏损企业数(个)', '亏损总额(亿元)', '累计增长(%)', '存货(亿元)', '累计增长(%).1',
       '产成品(亿元)', '累计增长(%).2'],
      dtype='object')

坑点1:想法是将列索引作为MySQL的列名创建数据表,发现列名含“(”的后续有问题
坑点2:列名有些是相同的,应该想办法更改为不同(最后的解决办法可能最好是直接重新赋值)
解决办法如下

[xx[:xx.find("(")] if xx.find("(")>0 else xx for xx in html_tables[0].columns]
['企业数量', '亏损企业数', '亏损总额', '累计增长', '存货', '累计增长', '产成品', '累计增长']

采用如上方法能够比较方便的取得括号之前的部分,但对于重复列名(如"累计增长")不是很容易处理。
若要用程序处理,可以用循环+判断实现将其与前一列名并入进来予以明确。
但对于本应用,字段是明确的,且并不太繁杂,可以采用下面的方式,直接定义好列名,在存储到数据库前从次取出去替换掉。

columns = [['企业数量', '亏损企业数', '亏损总额', '亏损总额累计增长', '存货', '存货累计增长', '产成品', '产成品累计增长'],
           ['流动资产合计', '流动资产合计累计增长', '应收帐款', '应收帐款累计增长', '资产总计', '资产总计累计增长', '负债合计', '负债合计累计增长'],
           ['主营业务收入', '主营业务收入累计增长', '利润总额', '利润总额累计增长', '主营业务税金及附加', '主营业务税金及附加累计增长', '应交增值税', '应交增值税累计增长'],
           ['主营业务成本', '主营业务成本累计增长', '销售费用', '销售费用累计增长', '管理费用', '管理费用累计增长', '财务费用', '财务费用累计增长'],
           ['增加值同比增长', '增加值累计增长', '出口交货值当月值', '同比增长', '出口交货值累计值', '累计增长']
          ]
columns
[['企业数量', '亏损企业数', '亏损总额', '亏损总额累计增长', '存货', '存货累计增长', '产成品', '产成品累计增长'],
 ['流动资产合计',
  '流动资产合计累计增长',
  '应收帐款',
  '应收帐款累计增长',
  '资产总计',
  '资产总计累计增长',
  '负债合计',
  '负债合计累计增长'],
 ['主营业务收入',
  '主营业务收入累计增长',
  '利润总额',
  '利润总额累计增长',
  '主营业务税金及附加',
  '主营业务税金及附加累计增长',
  '应交增值税',
  '应交增值税累计增长'],
 ['主营业务成本',
  '主营业务成本累计增长',
  '销售费用',
  '销售费用累计增长',
  '管理费用',
  '管理费用累计增长',
  '财务费用',
  '财务费用累计增长'],
 ['增加值同比增长', '增加值累计增长', '出口交货值当月值', '同比增长', '出口交货值累计值', '累计增长']]
columns[0]
['企业数量', '亏损企业数', '亏损总额', '亏损总额累计增长', '存货', '存货累计增长', '产成品', '产成品累计增长']
columns[1]
['流动资产合计',
 '流动资产合计累计增长',
 '应收帐款',
 '应收帐款累计增长',
 '资产总计',
 '资产总计累计增长',
 '负债合计',
 '负债合计累计增长']
html_tables[0].columns=columns[0]
html_tables[0].head()
企业数量 亏损企业数 亏损总额 累计增长 存货 累计增长 产成品 累计增长
类别年份
202203 4546 1498 180.1 5.6 1244.5 4.0 617.2 12.9
202202 4539 1395 116.9 3.7 1197.8 0.1 574.1 3.3
202112 4343 970 560.9 -8.3 1242.4 5.0 603.5 10.4
202111 4343 1024 440.1 -21.5 1350.0 8.5 680.9 15.1
202110 4334 1083 382.8 -27.9 1300.6 3.9 627.9 5.9
# 数据表名以各参数名为表名
hyParaNames
['经济指标', '资产负债', '收入利润', '成本费用', '产值指标']
# 经济指标存入数据库
# 获取数据表名
tableName = hyParaNames[0]
# 更换表中列名
html_tables[0].columns=columns[0]
# 存入数据库
html_tables[0].to_sql(name=tableName, con=connection, if_exists='replace', index=True)
# 资产负债 情况存入数据库
tableName = hyParaNames[1]
html_tables[1].columns=columns[1]
html_tables[1].to_sql(name=tableName, con=connection, if_exists='replace', index=True)
html_tables[2]
主营业务收入 累计增长 利润总额 累计增长 主营业务税金及附加 累计增长 应交增值税 累计增长
类别年份
202203 -- -- 2357.00 189 -- -- -- --
202202 -- -- 1484.80 155.3 -- -- -- --
202112 -- -- 7023.10 212.7 -- -- -- --
202111 -- -- 6473.60 222.6 -- -- -- --
202110 -- -- 5435.70 210.2 -- -- -- --
... ... ... ... ... ... ... ... ...
201206 16438.57 17.55 1898.48 -2.74 238.08 0.63 1078.46 4.42
201205 13813.53 19.93 1613.58 1.69 202.93 5.77 934.56 8.03
201204 10716.44 20.24 1262.86 3.75 154.64 8.34 733.86 9.54
201203 7821.97 22.82 921.23 5.88 111.31 7.22 554.7 12.06
201202 4767 23.02 574.05 11.48 68.33 11.56 343.18 19.48

112 rows × 8 columns

# 收入利润 情况存入数据库
tableName = hyParaNames[2]
html_tables[2].columns=columns[2]
html_tables[2].to_sql(name=tableName, con=connection, if_exists='replace', index=True)
#成本费用 情况存入数据库
tableName = hyParaNames[3]
html_tables[3].columns=columns[3]
html_tables[3].to_sql(name=tableName, con=connection, if_exists='replace', index=True)
#产值指标 情况存入数据库
tableName = hyParaNames[4]
html_tables[4].columns=columns[4]
html_tables[4].to_sql(name=tableName, con=connection, if_exists='replace', index=True)
1.3.1.8.3 从MySQL中读取数据
  • 从hsjskcxydb(黑色金属矿采选业)读取经济指标数据表
import pandas as pd
from sqlalchemy import create_engine
from sqlalchemy_utils import database_exists, create_database

# 创建连接
dbName = 'hsjskcxydb'
connection = create_engine(f'mysql+pymysql://root:[email protected]:3306/{dbName}',encoding='gb2312')
if not database_exists(connection.url):
    print(f"数据库{dbNamee}不存在!")

# 读取表中所有列数据sql语句
sqlStr = "SELECT * FROM 经济指标"
# 把sqlStr查询结果读取为数据框
dfAll = pd.read_sql(sqlStr,connection,index_col='类别年份')
dfAll.head()
企业数量 亏损企业数 亏损总额 亏损总额累计增长 存货 存货累计增长 产成品 产成品累计增长
类别年份
202203 1462 622 16.5 -60.9 388.9 10.9 222.8 14.4
202202 1459 588 12.3 -52.9 383.1 11.1 212.9 12.6
202112 1320 254 116.1 35.3 332.1 8.7 189.5 9.3
202111 1320 251 110.2 105.2 338.3 14.1 194.5 13.0
202110 1315 236 95.8 105.1 332.3 15.5 188.1 15.3
# 读取表中["企业数量","亏损企业数","亏损总额"]列数据SQL语句
sqlStr = "SELECT 类别年份,企业数量,亏损企业数,亏损总额 FROM 经济指标"
# 把sqlStr查询结果读取为数据框
dfSelect = pd.read_sql(sqlStr,connection,index_col='类别年份')
dfSelect.head()
企业数量 亏损企业数 亏损总额
类别年份
202203 1462 622 16.5
202202 1459 588 12.3
202112 1320 254 116.1
202111 1320 251 110.2
202110 1315 236 95.8

1.3.2 根据实训总体要求,循环爬取多页并存储

数据采集并存储为excel和mysql数据部分代码汇总如下。
各数据查看及可视化就不再累述。

# 导入库        
import requests
from lxml import etree
import pandas as pd 
import csv
import os
import pinyin
from sqlalchemy import create_engine
from sqlalchemy_utils import database_exists, create_database
# 设置请求头
headers = {
    'user-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36',
    'Host':'s.askci.com'
}

# 各参数名称
hyParaNames = ["经济指标","资产负债","收入利润","成本费用","产值指标"]

# 各参数表头
columns = [['企业数量', '亏损企业数', '亏损总额', '亏损总额累计增长', '存货', '存货累计增长', '产成品', '产成品累计增长'],
           ['流动资产合计', '流动资产合计累计增长', '应收帐款', '应收帐款累计增长', '资产总计', '资产总计累计增长', '负债合计', '负债合计累计增长'],
           ['主营业务收入', '主营业务收入累计增长', '利润总额', '利润总额累计增长', '主营业务税金及附加', '主营业务税金及附加累计增长', '应交增值税', '应交增值税累计增长'],
           ['主营业务成本', '主营业务成本累计增长', '销售费用', '销售费用累计增长', '管理费用', '管理费用累计增长', '财务费用', '财务费用累计增长'],
           ['增加值同比增长', '增加值累计增长', '出口交货值当月值', '同比增长', '出口交货值累计值', '累计增长']
          ]

for i in range(0,5):
    # 设置请求url
    url = f'https://s.askci.com/data/economy/0000{i+1}/'  

    # 获得响应
    r = requests.get(url, headers = headers) 

    # 编码转换,避免乱码
    r.encoding = r.apparent_encoding

    # 采用etree.HTML解析
    html = etree.HTML(r.text)

    # 采用xpath获得行业名
    hyName = html.xpath('/html/body/div[4]/div[2]/div[1]/a[3]/text()')[0]

    # 获取表格数据
    html_tables = pd.read_html(r.content,header=0,index_col=0)
    
    # 将数据存入excel表
    excelFileName = hyName+".xlsx"
    sheet_names = hyParaNames    
    for k in range(5):
        if not os.path.exists(excelFileName):
            html_tables[k].to_excel(excelFileName,sheet_name=sheet_names[k], index=True)
        else:
            with pd.ExcelWriter(excelFileName, engine='openpyxl', mode='a',if_sheet_exists='replace') as writer:
                    html_tables[k].to_excel(writer,sheet_name=sheet_names[k], index=True)
    
    # 将数据出如MySQL
    # 创建数据库
    dbName = [''+pinyin.get(x)[0].upper() for x in hyName] 
    dbName = "".join(dbName)+'db'
    connection = create_engine(f'mysql+pymysql://root:[email protected]:3306/{dbName}',encoding='gb2312')
    if not database_exists(connection.url):
        create_database(connection.url,encoding='gb2312')
    print(f"数据库{dbName}已准备好!" if database_exists(connection.url) else f"数据库{dbName}准备失败!")
    
    # 数据存入MySQL
    for m in range(len(hyParaNames)):
        tableName = hyParaNames[m]
        html_tables[m].columns=columns[m]
        html_tables[m].to_sql(name=tableName, con=connection, if_exists='replace', index=True)
    print(f"数据库{dbName}已数据已存储!")
    
数据库MTKCHXXYdb已准备好!
数据库MTKCHXXYdb已数据已存储!
数据库SYHTRQKCYdb已准备好!
数据库SYHTRQKCYdb已数据已存储!
数据库HSJSKCXYdb已准备好!
数据库HSJSKCXYdb已数据已存储!
数据库YSJSKCXYdb已准备好!
数据库YSJSKCXYdb已数据已存储!
数据库FJSKCXYdb已准备好!
数据库FJSKCXYdb已数据已存储!


1.4 实训小结


你可能感兴趣的:(Python基础及应用,数据挖掘,数据分析,python)