pandas学习---综合练习

最新推荐文章于 2024-04-24 10:58:18 发布

Rolland liu

最新推荐文章于 2024-04-24 10:58:18 发布

阅读量257

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能文章标签： python

本文链接：https://blog.youkuaiyun.com/rolland_1987/article/details/105882611

人工智能专栏收录该内容

4 篇文章

订阅专栏

本文通过对2002年至2018年上海机动车牌照拍卖数据的深入分析，揭示了拍卖中标率变化趋势，统计了各年份拍卖最低价的最大值、均值及0.75分位数，解析了时间序列数据的处理方法，如时间列拆分和多级索引设置，以及通过比较连续月份价格变动来识别市场异常现象。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题

一、2002 年-2018 年上海机动车拍照拍卖

import numpy as np
import pandas as pd
import re
vehicle = pd.read_csv('数据集/2002年-2018年上海机动车拍照拍卖.csv')
vehicle.head()

在这里插入图片描述
(1) 哪一次拍卖的中标率首次小于5%？

vehicle_1 = vehicle.assign(bidding_rate=vehicle['Total number of license issued'] / vehicle['Total number of applicants'])
vehicle_1[vehicle_1['bidding_rate']<0.05].head(1)

在这里插入图片描述
(2) 按年统计拍卖最低价的下列统计量：最大值、均值、0.75 分位数，要求显示在同一张表上。

vehicle_2 = vehicle.assign(year=vehicle['Date'].apply(lambda x: x.split('-')[0]))
vehicle_2.head()
groupby_ = vehicle_2.groupby('year')
new_dataframe = pd.DataFrame()
new_dataframe['max'] = groupby_['lowest price '].max()
new_dataframe['mean'] = groupby_['lowest price '].mean()
new_dataframe['quantile'] = groupby_['lowest price '].quantile(0.75)
new_dataframe

在这里插入图片描述

(3) 将第一列时间列拆分成两个列，一列为年份（格式为20××），另一列为月份（英语缩写），添加到列表作为第一第二列，并将原表第一列删除，其他列依次向后顺延。

Year = vehicle['Date'].apply(lambda x: str(20) + ("%02d" % int(x.split('-')[0])))
Month = vehicle['Date'].apply(lambda x: x.split('-')[1])
vehicle_3 = vehicle.drop(columns='Date')
vehicle_3.insert(0, 'Year', Year)
vehicle_3.insert(1, 'Month', Month)
vehicle_3.head()

在这里插入图片描述

(4) 现在将表格行索引设为多级索引，外层为年份，内层为原表格第二至第五列的变量名，列索引为月份。

vehicle_4 = vehicle_3.set_index(['Year', 'Total number of license issued', 'lowest price ', 'avg price', 'Total number of applicants'])
vehicle_4.head()

在这里插入图片描述

(5) 一般而言某个月最低价与上月最低价的差额，会与该月均值与上月均值的差额具有相同的正负号，哪些拍卖时间不具有这个特点？

vehicle_5 = vehicle[['Date','lowest price ','avg price']]
for index in range(1, len(vehicle_5)):
    if ((vehicle_5.iloc[index]['lowest price '] - vehicle_5.iloc[index-1]['lowest price '])\
    * (vehicle_5.iloc[index]['avg price'] - vehicle_5.iloc[index-1]['avg price'])) < 0:
        print(vehicle_5.iloc[index]['Date'])

在这里插入图片描述

(6) 将某一个月牌照发行量与其前两个月发行量均值的差额定义为发行增益，最初的两个月用0 填充，求发行增益极值出现的时间。

vehicle_6 = vehicle[['Date','Total number of license issued']]
gain = [0,0]
string = 'Total number of license issued'
for index in range(2, len(vehicle_6)):
    gain.append(vehicle.iloc[index][string] - np.mean([vehicle.iloc[index-1][string], vehicle.iloc[index-2][string]]))
vehicle_6['gain'] = gain
print('增益极大值出现时间：', vehicle_6[vehicle_6['gain'] == vehicle_6['gain'].max()]['Date'].values)
print('增益极小值出现时间：', vehicle_6[vehicle_6['gain'] == vehicle_6['gain'].min()]['Date'].values)