《数据可视化》 　—— 　基于Python的应用

第1章 数据分析软件简介

第2章 数据的收集与整理

第3章 Python编程基础

第4章 数据的探索分析

第5章 数据的直观分析

第6章 数据的统计分析

第7章 数据的模型分析

第8章 数据的预测分析

第 9 章 数据的决策分析及可视化

9.1 确定性分析

　9.1.1 单目标求解及图示

（1）读取数据

import pandas as pd
Tv=pd.read_excel('DaPy_data.xlsx','Target',index_col=0); Tv #目标值 

	设备投资	单件成本	年销售量	销售单价
方案
方案1	1500000	1700	8000	2900
方案2	2000000	1550	8000	2900
方案3	2500000	1400	8000	2900

（2）计算年收益金额

Tv['年收益']=Tv.年销售量*(Tv.销售单价-Tv.单件成本)-Tv.设备投资;Tv 

	设备投资	单件成本	年销售量	销售单价	年收益
方案
方案1	1500000	1700	8000	2900	8100000
方案2	2000000	1550	8000	2900	8800000
方案3	2500000	1400	8000	2900	9500000

（3）年收益的直观分析

import matplotlib.pyplot as plt            
plt.rcParams['font.sans-serif']=['SimHei']; 
#plt.rcParams['figure.dpi']=90  #分辨率
Tv['年收益'].plot(kind='bar');

（4）确定最佳方案：收益率最大者为最佳方案。

Tv['年收益'].idxmax()

'方案3'

　9.1.2 多目标求解及图示

（1）计算理想值:

Ev=[min(Tv.设备投资), min(Tv.单件成本), max(Tv.年销售量), max(Tv.销售单价), 
    max(Tv.年收益)]; Ev #理想值 

[1500000, 1400, 8000, 2900, 9500000]

（2）计算差距:

Tv_Ev2=((Tv-Ev))**2    #差值的平方 
Tv_Ev2

	设备投资	单件成本	年销售量	销售单价	年收益
方案
方案1	0	90000	0	0	1960000000000
方案2	250000000000	22500	0	0	490000000000
方案3	1000000000000	0	0	0	0

Dv=(Tv_Ev2).sum(1); Dv   #差距

方案
方案1    1960000090000
方案2     740000022500
方案3    1000000000000
dtype: int64

Tv['差距']=Dv; Tv

	设备投资	单件成本	年销售量	销售单价	年收益	差距
方案
方案1	1500000	1700	8000	2900	8100000	1960000090000
方案2	2000000	1550	8000	2900	8800000	740000022500
方案3	2500000	1400	8000	2900	9500000	1000000000000

（3）差距的直观分析

Dv.plot(kind='bar');

（4）确定最佳方案:

Dv.idxmin() 

'方案2'

pd.DataFrame({'单目标':Tv['年收益'],'单目标方案':Tv['年收益']==Tv['年收益'].max(),
              '多目标':Tv['差距'],'多目标方案':Tv['差距']==Tv['差距'].min()})

	单目标	单目标方案	多目标	多目标方案
方案
方案1	8100000	False	1960000090000	False
方案2	8800000	False	740000022500	True
方案3	9500000	True	1000000000000	False

9.2 不确定性决策分析

　9.2.1 分析方法简介

PLm=pd.DataFrame();    #构建损益矩阵 ProfitLoss matrix 
PLm['畅销']= 12000*(Tv.销售单价-Tv.单件成本)-Tv.设备投资; 
PLm['一般']= 8000*(Tv.销售单价-Tv.单件成本)-Tv.设备投资; 
PLm['滞销']= 1500*(Tv.销售单价-Tv.单件成本)-Tv.设备投资;
PLm 

	畅销	一般	滞销
方案
方案1	12900000	8100000	300000
方案2	14200000	8800000	25000
方案3	15500000	9500000	-250000

　9.2.2 不确定分析原则

9.2.2.1 乐观原则

lg=PLm.max(axis=1);lg  #每列最大者

方案
方案1    12900000
方案2    14200000
方案3    15500000
dtype: int64

BQD=PLm.copy();PLm
BQD['乐观']=lg; BQD

	畅销	一般	滞销	乐观
方案
方案1	12900000	8100000	300000	12900000
方案2	14200000	8800000	25000	14200000
方案3	15500000	9500000	-250000	15500000

lg.plot(kind='bar');

lg.idxmax() 

'方案3'

9.2.2.2 悲观原则

bg=PLm.min(1); bg

方案
方案1    300000
方案2     25000
方案3   -250000
dtype: int64

BQD['悲观']=bg; BQD

	畅销	一般	滞销	乐观	悲观
方案
方案1	12900000	8100000	300000	12900000	300000
方案2	14200000	8800000	25000	14200000	25000
方案3	15500000	9500000	-250000	15500000	-250000

plt.rcParams['axes.unicode_minus']=False;  #正常显示图中负号
bg.plot(kind='bar');

bg.idxmax() 

'方案1'

9.2.2.3 折中原则

a=0.35 
zz= a*lg + (1-a)*bg; zz

方案
方案1    4710000.0
方案2    4986250.0
方案3    5262500.0
dtype: float64

BQD['折中']=zz; BQD

	畅销	一般	滞销	乐观	悲观	折中
方案
方案1	12900000	8100000	300000	12900000	300000	4710000.0
方案2	14200000	8800000	25000	14200000	25000	4986250.0
方案3	15500000	9500000	-250000	15500000	-250000	5262500.0

zz.plot(kind='bar');

zz.idxmax() 

'方案3'

9.2.2.4 后悔原则

Rm=PLm.max()-PLm;Rm  #构建后悔矩阵 Regret matrix 

	畅销	一般	滞销
方案
方案1	2600000	1400000	0
方案2	1300000	700000	275000
方案3	0	0	550000

hh=Rm.max(1);hh 

方案
方案1    2600000
方案2    1300000
方案3     550000
dtype: int64

BQD['后悔']=hh; BQD

	畅销	一般	滞销	乐观	悲观	折中	后悔
方案
方案1	12900000	8100000	300000	12900000	300000	4710000.0	2600000
方案2	14200000	8800000	25000	14200000	25000	4986250.0	1300000
方案3	15500000	9500000	-250000	15500000	-250000	5262500.0	550000

hh.plot(kind='bar');

hh.idxmin() 

'方案3'

pd.DataFrame({'乐观':lg,'乐观方案':lg==lg.max(),'悲观':bg,'悲观方案':bg==bg.max(),
              '折中':zz,'折中方案':zz==zz.max(),'后悔':hh,'后悔方案':hh==hh.min()})

	乐观	乐观方案	悲观	悲观方案	折中	折中方案	后悔	后悔方案
方案
方案1	12900000	False	300000	True	4710000.0	False	2600000	False
方案2	14200000	False	25000	False	4986250.0	False	1300000	False
方案3	15500000	True	-250000	False	5262500.0	True	550000	True

9.3 概率型风险分析

　9.3.1 期望值法及直观分析

probE=[0.1,0.65,0.25]; #初始概率 
qw=(probE*PLm).sum(1); qw

方案
方案1    6630000.0
方案2    7146250.0
方案3    7662500.0
dtype: float64

qw.plot(kind='bar');

qw.idxmax()

'方案3'

　9.3.2 后悔期望值法及直观分析

Rm

	畅销	一般	滞销
方案
方案1	2600000	1400000	0
方案2	1300000	700000	275000
方案3	0	0	550000

probE=[0.1,0.65,0.25]; 
hhqw=(probE*Rm).sum(1); hhqw

方案
方案1    1170000.0
方案2     653750.0
方案3     137500.0
dtype: float64

hhqw.plot(kind='bar');

hhqw.idxmin()

'方案3'

pd.DataFrame({'期望值':qw,'期望方案':qw==qw.max(),
              '后悔期望值':qw,'后悔期望方案':hhqw==hhqw.min()})

	期望值	期望方案	后悔期望值	后悔期望方案
方案
方案1	6630000.0	False	6630000.0	False
方案2	7146250.0	False	7146250.0	False
方案3	7662500.0	True	7662500.0	True