Python数据分析基础 — 数据可视化（第2版）

王斌会 王术 电子工业出版社 2021.1

习题9

一、选择题

1:A 2:B 3:ABCD 4:ABD 5:AC 6:AC 7:AD 8:ABCD

1. 某电视机商家计划投入资金改进生产设备，以提高生产效率、降低生产成本来获取更多的经济收益，针对某种型号的电视机，现拟订如下四个方案。计划改进设备后，该型号空调的销售单价为3000元/台，预计其年销售数量可达5000台。该厂选择 哪种方案可以获得最大收益？数据如下。电视机商家计划投入资金情况

方案	设备投资（元）	单件成本（元）	年销售量（台）	销售单价（元）
方案1	2500000	1600	5000	3000
方案2	3000000	1500	5000	3000
方案3	3500000	1400	5000	3000
方案4	3800000	1300	5000	3000

（1）用单目标求解法进行决策分析。

import pandas as pd
tv=pd.read_excel('mydata1.xlsx','9.1',index_col=0);tv #读取数据

	设备投资	单件成本	年销售量	销售单价
方案
方案1	2500000	1600	5000	3000
方案2	3000000	1500	5000	3000
方案3	3500000	1400	5000	3000
方案4	3800000	1300	5000	3000

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   #计算年收益

	设备投资	单件成本	年销售量	销售单价	年收益
方案
方案1	2500000	1600	5000	3000	4500000
方案2	3000000	1500	5000	3000	4500000
方案3	3500000	1400	5000	3000	4500000
方案4	3800000	1300	5000	3000	4700000

tv['年收益'].idxmax()  #最佳方案

'方案4'

（2）用多目标求解法进行决策分析。

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

[2500000, 1300, 5000, 3000, 4700000]

dv=((tv-ev)**2).sum(1);  #差值
pd.concat([tv,dv],axis=1)

	设备投资	单件成本	年销售量	销售单价	年收益	0
方案
方案1	2500000	1600	5000	3000	4500000	40000090000
方案2	3000000	1500	5000	3000	4500000	290000040000
方案3	3500000	1400	5000	3000	4500000	1040000010000
方案4	3800000	1300	5000	3000	4700000	1690000000000

dv.idxmin()  #最佳方案

'方案1'

1. 上例的决策分析假设电视机年销售数量固定为5000台，但在实际情况中往往不知道确切的市场需求，这种情况下，假设就可能出现三种自然状态：

（1）当市场需求量大于预计销售量时，称其处于“畅销”状态，假设市场需求为8000台。

（2）当市场需求量大致等于预计销售量时，称其处于“一般”状态，假设市场需求为5000台。

（3）当市场需求量低于预计销售量时，称其处于“滞销”状态，假设市场需求为2000台。

• 试用不确定性决策分析中的乐观原则、悲观原则、折中原则和后悔原则对这些方案进行决策分析。

（1）乐观原则

plm=pd.DataFrame();
plm['畅销']=8000*(tv.销售单价-tv.单件成本)-tv.设备投资;
plm['一般']=5000*(tv.销售单价-tv.单件成本)-tv.设备投资;
plm['滞销']=2000*(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	8700000	4500000	300000
方案2	9000000	4500000	0
方案3	9300000	4500000	-300000
方案4	9800000	4700000	-400000

lg=plm.max(1);          #乐观原则，书本187页
pd.concat([plm,lg],axis=1)

	畅销	一般	滞销	0
方案
方案1	8700000	4500000	300000	8700000
方案2	9000000	4500000	0	9000000
方案3	9300000	4500000	-300000	9300000
方案4	9800000	4700000	-400000	9800000

lg.idxmax() #最佳方案   

'方案4'

（2）悲观原则

bg=plm.min(1);         #悲观原则，书本188页
pd.concat([plm,bg],axis=1)

	畅销	一般	滞销	0
方案
方案1	8700000	4500000	300000	300000
方案2	9000000	4500000	0	0
方案3	9300000	4500000	-300000	-300000
方案4	9800000	4700000	-400000	-400000

bg.idxmax()   #最佳方案

'方案1'

（3）折中原则

a=0.65
zz=a*lg+(1-a)*bg;     #折中原则，书本189页
pd.concat([plm,zz],axis=1)       

	畅销	一般	滞销	0
方案
方案1	8700000	4500000	300000	5760000.0
方案2	9000000	4500000	0	5850000.0
方案3	9300000	4500000	-300000	5940000.0
方案4	9800000	4700000	-400000	6230000.0

zz.idxmax()  #最佳方案

'方案4'

（4）后悔原则

rm=plm.max()-plm;rm
hh=rm.max(1);        #后悔原则，书本189页
pd.concat([rm,hh],axis=1)

	畅销	一般	滞销	0
方案
方案1	1100000	200000	0	1100000
方案2	800000	200000	300000	800000
方案3	500000	200000	600000	600000
方案4	0	0	700000	700000

hh.idxmin()  #最佳方案

'方案3'

1. 在上例中，商家有可能不能确定该型号的电视机将来的市场需求量，但是可以根据市场调研或者相关的历史销售数据得出，这三种状态出现的概率分别为：

畅销（0.15）、一般（0.50）、滞销（0.35）。

• 试用概率风险决策分析的期望值法和后悔期望值法对这些方案进行决策分析。

（1）期望值法

probe=[0.15,0.50,0.35]
qw=(probe*plm).sum(1)         #期望值法，书本191页
pd.concat([plm,qw],axis=1)

	畅销	一般	滞销	0
方案
方案1	8700000	4500000	300000	3660000.0
方案2	9000000	4500000	0	3600000.0
方案3	9300000	4500000	-300000	3540000.0
方案4	9800000	4700000	-400000	3680000.0

qw.idxmax()  #最佳方案

'方案4'

（2）后悔期望值法

hhqw=(probe*rm).sum(1);       #后悔期望值法，书本192页
pd.concat([rm,hhqw],axis=1)

	畅销	一般	滞销	0
方案
方案1	1100000	200000	0	265000.0
方案2	800000	200000	300000	325000.0
方案3	500000	200000	600000	385000.0
方案4	0	0	700000	245000.0

hhqw.idxmin()  #最佳方案

'方案4'