2021泰迪杯A题-通讯产品销售和盈利能力分析_任务一解题代码

import pandas as pd 

统计

data = pd.read_excel('非洲通讯产品销售数据.xlsx',engine = 'openpyxl',sheet_name = 0)
data1 = data.copy()

data1.info()

RangeIndex: 1056 entries, 0 to 1055
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   日期      1056 non-null   datetime64[ns]
 1   国家      1056 non-null   object        
 2   城市      1056 non-null   object        
 3   地区      1056 non-null   object        
 4   服务分类    1056 non-null   object        
 5   销售额     1056 non-null   float64       
 6   利润      1056 non-null   float64       
dtypes: datetime64[ns](1), float64(2), object(4)
memory usage: 57.9+ KB

data1['年'] = data1.iloc[:,0].dt.year
data1.head(2)

	日期	国家	城市	地区	服务分类	销售额	利润	年
0	2017-01-01	Cote d'Ivoire	Abidjan	Western	Commercial	656.96	6.57	2017
1	2017-01-01	Madagascar	Antananarivo	Eastern	Public	875.94	-70.08	2017

data2 = data1.groupby(['年','地区'])['销售额'].sum()
data3 = data1.groupby(['年','地区'])['利润'].mean()

data4 = data1.groupby(['年','国家'])['销售额'].sum()
data5 = data1.groupby(['年','国家'])['利润'].mean()

data6 = data1.groupby(['年','服务分类'])['销售额'].sum()
data7 = data1.groupby(['年','服务分类'])['利润'].mean()

data1['季度'] = data1.iloc[:,0].dt.quarter
data1.head(2)

	日期	国家	城市	地区	服务分类	销售额	利润	年	季度
0	2017-01-01	Cote d'Ivoire	Abidjan	Western	Commercial	656.96	6.57	2017	1
1	2017-01-01	Madagascar	Antananarivo	Eastern	Public	875.94	-70.08	2017	1

data8 = data1.groupby(['季度','地区'])['销售额'].sum()
data9 = data1.groupby(['季度','地区'])['利润'].mean()

data10 = data1.groupby(['季度','国家'])['销售额'].sum()
data11 = data1.groupby(['季度','国家'])['利润'].mean()

data12 = data1.groupby(['季度','服务分类'])['销售额'].sum()
data13 = data1.groupby(['季度','服务分类'])['利润'].mean()

计算同比增长率

同比增长是指和上一时期、上一年度或历史相比的增长（幅度）。 计算公式：同比增长率=（本期数－同期数）÷同期数×100%。 某个指标的同比增长率=（ 现年的某个指标的值-上年同期这个指标的值）/上年同期这个指标的值
中文名: 同比增长
公式: （本期数－同期数）÷同期数×100%

data4.head(2)

年     国家     
2017  Algeria    2867.75
      Angola     1451.46
Name: 销售额, dtype: float64

data5.head(2)

年     国家     
2017  Algeria    -4.930
      Angola     30.955
Name: 利润, dtype: float64

data14 = data4.reset_index()

data15 = pd.pivot_table(data14,values = ['销售额'],index = ['国家','年'])
data15 = data15.reset_index()

data15['销售额同比增长'] = data15.groupby('国家')['销售额'].diff()

data15['销售额同比增长率'] = data15['销售额同比增长']/(data15['销售额']-data15['销售额同比增长'])

data16 = data15.pivot(index='国家',columns='年',values='销售额')
data16 = data16.reset_index()

s = data15[data15['年']==2018]['销售额同比增长率']
s=s.reset_index()
data16['2017-2018年销售额同比增长率'] = s['销售额同比增长率']

s1 = data15[data15['年']==2019]['销售额同比增长率']
s1=s1.reset_index()
data16['2018-2019年销售额同比增长率'] = s1['销售额同比增长率']

s2 = data15[data15['年']==2020]['销售额同比增长率']
s2=s2.reset_index()
data16['2019-2020年销售额同比增长率'] = s1['销售额同比增长率']

data16 = data16.set_index('国家')
data16.head(2)

年	2017	2018	2019	2020	2017-2018年销售额同比增长率	2018-2019年销售额同比增长率	2019-2020年销售额同比增长率
国家
Algeria	2867.75	2068.73	1181.66	2223.79	-0.278623	-0.428799	-0.428799
Angola	1451.46	1362.60	1164.26	2102.77	-0.061221	-0.145560	-0.145560

data17 = data5.reset_index()

data17 = pd.pivot_table(data17,values=['利润'],index=['国家','年'])
data17 = data17.reset_index()

data17['利润同比增长'] = data17.groupby('国家')['利润'].diff()

data17['利润同比增长率'] = data17['利润同比增长']/(data17['利润']-data17['利润同比增长'])
#print(data17)
data18 = data17.pivot(index='国家',columns='年',values='利润')
data18 = data18.reset_index()

s3 = data17[data17['年']==2018]['利润同比增长率']
s3 = s3.reset_index()
data18['2017-2018年利润同比增长率'] = s3['利润同比增长率']

s4 = data17[data17['年']==2019]['利润同比增长率']
s4 = s4.reset_index()
data18['2018-2019年利润同比增长率'] = s4['利润同比增长率']

s5 = data17[data17['年']==2020]['利润同比增长率']
s5 = s5.reset_index()
data18['2019-2020年利润同比增长率'] = s5['利润同比增长率']

data18.head(2)

年	国家	2017	2018	2019	2020	2017-2018年利润同比增长率	2018-2019年利润同比增长率	2019-2020年利润同比增长率
0	Algeria	-4.930	15.13	7.4800	-12.5650	-4.068966	-0.505618	-2.679813
1	Angola	30.955	-15.90	1.5375	20.7425	-1.513649	-1.096698	12.491057

data19 = data6.reset_index()
data20 = pd.pivot_table(data19,index=['服务分类','年'],values='销售额')
data20 = data20.reset_index()

data20['各服务分类销售额同比增长'] = data20.groupby('服务分类')['销售额'].diff()
data20['各服务分类销售额同比增长率'] = data20['各服务分类销售额同比增长']/(data20['销售额']-data20['各服务分类销售额同比增长'])

data21 = data20.pivot(index='服务分类',columns='年',values='销售额')
data21 = data21.reset_index()

ss = data20[data20['年']==2018]['各服务分类销售额同比增长率']
ss = ss.reset_index()
data21['2017-2018年各服务分类销售额同比增长率'] = ss['各服务分类销售额同比增长率']

ss1 = data20[data20['年']==2019]['各服务分类销售额同比增长率']
ss1 = ss1.reset_index()
data21['2018-2019年各服务分类销售额同比增长率'] = ss1['各服务分类销售额同比增长率']

ss2 = data20[data20['年']==2020]['各服务分类销售额同比增长率']
ss2 = ss2.reset_index()
data21['2019-2020年各服务分类销售额同比增长率'] = ss2['各服务分类销售额同比增长率']

data21

年	服务分类	2017	2018	2019	2020	2017-2018年各服务分类销售额同比增长率	2018-2019年各服务分类销售额同比增长率	2019-2020年各服务分类销售额同比增长率
0	Commercial	42016.76	43427.20	51169.67	42060.43	0.033569	0.178286	-0.178020
1	Public	44802.81	40280.04	38341.07	40102.73	-0.100948	-0.048137	0.045947
2	Residential	51826.07	46863.35	40885.07	43736.38	-0.095757	-0.127568	0.069740

#有关服务分类的逐年利润同比增长率方法同上，此处便不一一写出

sum

统计

data1.head(2)

	日期	国家	城市	地区	服务分类	销售额	利润	年	季度
0	2017-01-01	Cote d'Ivoire	Abidjan	Western	Commercial	656.96	6.57	2017	1
1	2017-01-01	Madagascar	Antananarivo	Eastern	Public	875.94	-70.08	2017	1

data22 = pd.pivot_table(data1,index=['地区','国家','服务分类'],values=['销售额','利润'],aggfunc=['mean',sum])
data22.head(2)

			mean		sum
			利润	销售额	利润	销售额
地区	国家	服务分类
Eastern	Burundi	Commercial	19.726667	409.456667	59.18	1228.37
		Public	3.851429	531.430000	26.96	3720.01

s21 = data22['mean']['利润']
s21 = s21.reset_index()
s22 = data22['sum']['销售额']
s22 = s22.reset_index()
data22.drop(columns=['mean','sum'],inplace=True)
data22 = data22.reset_index()
data22['利润'] = s21['利润']
data22['销售额'] = s22['销售额']
data22.head(2)

	地区	国家	服务分类	利润	销售额
0	Eastern	Burundi	Commercial	19.726667	1228.37
1	Eastern	Burundi	Public	3.851429	3720.01

data23 = pd.pivot_table(data22,index=['地区','国家','服务分类'],values=['销售额','利润'])
data23.head(2)

C:\Users\31214\AppData\Local\Temp\ipykernel_13176\515147003.py:1: PerformanceWarning: dropping on a non-lexsorted multi-index without a level parameter may impact performance.
  data23 = pd.pivot_table(data22,index=['地区','国家','服务分类'],values=['销售额','利润'])

			利润	销售额
地区	国家	服务分类
Eastern	Burundi	Commercial	19.726667	1228.37
		Public	3.851429	3720.01

data30 = pd.read_excel('非洲通讯产品销售数据.xlsx',engine = 'openpyxl',sheet_name = 1)
data30 = data30.drop(columns=['Unnamed: 5','备注：本表格中“销售合同”为“已成交合同”。'])
data31 = data30.copy()
data31.head(2)

	日期	销售经理	地区	销售合同	成交率
0	2017-01-01	Aiden Morris	Western	13	0.55
1	2017-01-01	Audrey Baker	Eastern	11	0.30

data32 = data31.groupby('销售经理')['销售合同'].sum()
s32 = data31.groupby('销售经理')['成交率'].mean()
s32= s32.reset_index()
data32 = data32.reset_index()
data32['成交率'] = s32['成交率']
data32.head(2)

	销售经理	销售合同	成交率
0	Aiden Morris	190	0.479167
1	Audrey Baker	203	0.378125

data41 = data1.copy()
data41.info()

RangeIndex: 1056 entries, 0 to 1055
Data columns (total 9 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   日期      1056 non-null   datetime64[ns]
 1   国家      1056 non-null   object        
 2   城市      1056 non-null   object        
 3   地区      1056 non-null   object        
 4   服务分类    1056 non-null   object        
 5   销售额     1056 non-null   float64       
 6   利润      1056 non-null   float64       
 7   年       1056 non-null   int64         
 8   季度      1056 non-null   int64         
dtypes: datetime64[ns](1), float64(2), int64(2), object(4)
memory usage: 74.4+ KB

data42 = pd.pivot_table(data41,index=['地区','国家','服务分类','年','季度'],values=['销售额'],aggfunc=sum).reset_index()
s = pd.pivot_table(data41,index=['地区','国家','服务分类','年','季度'],values=['利润'],aggfunc='mean').reset_index()
#s['利润']
data42['利润'] = s['利润']
data42.head(2)

	地区	国家	服务分类	年	季度	销售额	利润
0	Eastern	Burundi	Commercial	2017	1	928.07	74.25
1	Eastern	Burundi	Commercial	2019	1	118.96	-2.38

data42['key'] = data42['地区']+'_'+data42['国家']+'_'+data42['服务分类']
data43=data42.copy()
data43.head(2)

	地区	国家	服务分类	年	季度	销售额	利润	key
0	Eastern	Burundi	Commercial	2017	1	928.07	74.25	Eastern_Burundi_Commercial
1	Eastern	Burundi	Commercial	2019	1	118.96	-2.38	Eastern_Burundi_Commercial

key = data42['key'].unique()
len(key)

156

from sklearn.linear_model import Ridge

#这是我实验的代码！不用管它
# wjx=[]
# alphas=[0.01,0.1,0.5,1,3,5,7,10,20,100]
# for a in alphas:
#     m=[]
#     coef_sum=0
#     coef_num=0
#     for i in key:
#         df1=pd.DataFrame(columns=data42.columns)
#         cs=i.split('_')
#         d1 = data42[data42['key']==i]
#         try:
#             estimator = Ridge(alpha=1)
#             estimator1 = Ridge(alpha=1)
#             estimator.fit(d1[['年','季度']],d1['销售额'])
#             estimator1.fit(d1[['年','季度']],d1['利润'])
#             result = estimator.predict([[2021,1]])[0]
#             result1 = estimator1.predict([[2021,1]])[0]
#             #print(d1)
#             #data43.loc[len(data43.index)]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
#             #df1=pd.DataFrame([[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]],columns=data42.columns)
#             df1.loc[0]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
#             #print(df1)
#             data43=data43.append(df1)
#             coef_sum=coef_sum+1
#             coef_num=coef_num+estimator.coef_+estimator1.coef_
#             m.append({i:{result,result1}})

#         except:
#             pass
#     trust=((coef_num/(coef_sum*2))[0]+(coef_num/(coef_sum*2))[1])/2
#     #print(i+'--->'+trust)
#     #print(f'{a}----{trust}')
#     wjx.append({a:trust})

#wjx

m=[]
coef_sum=0
coef_num=0
for i in key:
    df1=pd.DataFrame(columns=data42.columns)
    cs=i.split('_')
    d1 = data42[data42['key']==i]
    try:
        estimator = Ridge(alpha=1)
        estimator1 = Ridge(alpha=1)
        estimator.fit(d1[['年','季度']],d1['销售额'])
        estimator1.fit(d1[['年','季度']],d1['利润'])
        result = estimator.predict([[2021,1]])[0]
        result1 = estimator1.predict([[2021,1]])[0]
        #print(d1)
        #data43.loc[len(data43.index)]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
        #df1=pd.DataFrame([[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]],columns=data42.columns)
        df1.loc[0]=[cs[0],cs[1],cs[2],2021,1,round(result,2),round(result1,2),i]
        #print(df1)
        data43=data43.append(df1)
        coef_sum=coef_sum+1
        coef_num=coef_num+estimator.coef_+estimator1.coef_
        m.append({i:{result,result1}})
        
    except:
        pass

D:\Develop\Anaconda3\lib\site-packages\sklearn\base.py:450: UserWarning: X does not have valid feature names, but Ridge was fitted with feature names
  warnings.warn(

trust=((coef_num/(coef_sum*2))[0]+(coef_num/(coef_sum*2))[1])/2

data43=data43.reset_index()
data43.head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

	level_0	index	地区	国家	服务分类	年	季度	销售额	利润	key
0	0	0	Eastern	Burundi	Commercial	2017	1	928.07	74.25	Eastern_Burundi_Commercial
1	1	1	Eastern	Burundi	Commercial	2019	1	118.96	-2.38	Eastern_Burundi_Commercial

data44=pd.pivot_table(data43,index=['地区','国家','服务分类','年','季度'],values=['利润','销售额'],aggfunc='mean')#.reset_index()
data45=data44.reset_index()
data44.head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

					利润	销售额
地区	国家	服务分类	年	季度
Eastern	Burundi	Commercial	2017	1	74.25	928.07
			2019	1	-2.38	118.96

#data44.loc[(slice(None),'Burundi'),:]

data45.head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

	地区	国家	服务分类	年	季度	利润	销售额
0	Eastern	Burundi	Commercial	2017	1	74.25	928.07
1	Eastern	Burundi	Commercial	2019	1	-2.38	118.96

data45[data45['年']==2021].head(2)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

	地区	国家	服务分类	年	季度	利润	销售额
3	Eastern	Burundi	Commercial	2021	1	-40.17	-243.93
10	Eastern	Burundi	Public	2021	1	-2.10	1368.01

data45.info()

RangeIndex: 1012 entries, 0 to 1011
Data columns (total 7 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   地区      1012 non-null   object 
 1   国家      1012 non-null   object 
 2   服务分类    1012 non-null   object 
 3   年       1012 non-null   int64  
 4   季度      1012 non-null   int64  
 5   利润      1012 non-null   float64
 6   销售额     1012 non-null   float64
dtypes: float64(2), int64(2), object(3)
memory usage: 55.5+ KB