对比分析

两个相互联系的数（指标）进行比较（绝对数比较、相对数比较）

对比分析

对比分析 → 两个互相联系的指标进行比较

绝对数比较（相减） / 相对数比较（相除）
结构分析、比例分析、空间比较分析、动态对比分析

1.绝对数比较 -->相减

相互对比的指标在量级上不能差别过大
（1）折线图比较（2）多系列柱状图比较

data.plot(kind='line',style = '--.',alpha = 0.8,figsize = (10,3),title = 'AB产品销量对比-折线图')

data.plot(kind = 'bar', width = 0.8,alpha = 0.8,figsize = (10,3),title = 'AB产品销量对比-柱状图')

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline

# 1、绝对数比较 → 相减  
data = pd.DataFrame(np.random.rand(30,2)*1000,columns = ['A_sale','B_sale'],index = pd.period_range('20170601','20170630'))
print(data.head())
# 创建数据 → 30天内A/B产品的日销售额

data.plot(kind='line',style = '--.',alpha = 0.8,figsize = (10,3),title = 'AB产品销量对比-折线图')
# 折线图比较
data.plot(kind = 'bar',width = 0.8,alpha = 0.8,figsize = (10,3),title = 'AB产品销量对比-柱状图')
# 多系列柱状图比较

绝对值在一个月中，折线图的曲线

　　（3）柱状图堆叠图+差值折线图比较

plt.bar(x, y1, width = 1, facecolor = 'yellowgreen')   plt.bar(x, y2, width = 1, facecolor = 'lightskyblue')

plt.plot(x, y3, "--go") 差值折线图

#绝对数比较,看它们比较的状况--相减

x = range(len(data))
y1 = data['A_sale']
y2 = -data['B_sale'] #做一个正负堆叠图

fig3 = plt.figure(figsize = (10, 6))
plt.subplots_adjust(hspace = 0.3) #做一下校准,  创建子图及间隔设置。

ax1 = fig3.add_subplot(2, 1, 1) #柱状图创建方式
plt.bar(x, y1, width = 1, facecolor = 'yellowgreen')
plt.bar(x, y2, width = 1, facecolor = 'lightskyblue')
plt.title('AB产品销量对比-堆叠图')
plt.grid()
plt.xticks(range(0,30,6))
ax1.set_xticklabels(data.index[::6]) # x轴日期、间隔
ax2 = fig3.add_subplot(2, 1, 2)
y3 = data['A_sale'] - data['B_sale'] #折线图，做减法
plt.plot(x, y3, "--go")
plt.grid()
plt.title('AB产品销量对比-差值折线')
plt.xticks(range(0,30,6))
plt.axhline(0, color = 'r', linestyle = '--', alpha = 0.8)  # 添加y轴参考线
ax2.set_xticklabels(data.index[::5]) #加个标签。# 创建差值折线图

可以看到它们大概一个月中销量的对比。

绝对数的比较更多的是两个样本量差不多，但更多的时候用的是相对数，相对数更多的时候是做一个结构性比较。

2、相对数比较 → 相除

有联系的指标综合计算后的对比，数值为相对数
结构分析、比例分析、空间比较分析、动态对比分析

（1）结构分析频率对比

在分组基础上，各组总量指标与总体的总量指标对比，计算出各组数量在总量中所占比重
反映总体的内部结构

data = pd.DataFrame({'A_sale':np.random.rand(30)*1000,'B_sale':np.random.rand(30)*200},index = pd.period_range('20170601','20170630'))
print(data.head())
print('------')
# 创建数据 → 30天内A/B产品的日销售额
# A/B产品销售额量级不同

data['A_per'] = data['A_sale'] / data['A_sale'].sum()  #A_sale的频率 
data['B_per'] = data['B_sale'] / data['B_sale'].sum()  #计算出每天的营收占比，B_sale的频率 
data['A_per%'] = data['A_per'].apply(lambda x:"%.3f%%" % (x*100)) 
data['B_per%'] = data['B_per'].apply(lambda x:"%.3f%%" % (x*100)) #转换为百分数
data.head()

能看绝对值的，看相对值肯定是没错的，看相对值就已经抛开了相对值的影响，趋势对比、完成度，

fig,axes = plt.subplots(2,1,figsize = (10,6),sharex=True)
data[['A_sale','B_sale']].plot(kind='line',style = '--.',alpha = 0.8,ax=axes[0])
axes[0].legend(loc = 'upper right')
data[['A_per','B_per']].plot(kind='line',style = '--.',alpha = 0.8,ax=axes[1])
axes[1].legend(loc = 'upper right')
# 绝对值对比较难看出结构性变化，通过看销售额占比来看售卖情况的对比# 同时可以反应“强度” → 两个性质不同但有一定联系的总量指标对比，用来说明“强度”、“密度”、“普遍程度”
# 例如：国内生产总值“元/人”，人口密度“人/平方公里”

按总量做一个对比，也能看出大概趋势，按百分比就好比较了（每一天中两个产品销量的对比）。结构分析反映的其实是跟总量之间的关系，可以说明强度、硬度

（2）比例分析相比做除法

它的核心在于通过多个变量或者说不同的变量之间的相比，比之后的新的变量，这个新变量赋予新的意义。比如说男女比例的比值可以看出其他方面。

比如人的流出占比和资本的流出占比

# 在分组的基础上，将总体不同部分的指标数值进行对比，其相对指标一般称为“比例相对数”
# 比例相对数 = 总体中某一部分数值 / 总体中另一部分数值 → “基本建设投资额中工业、农业、教育投资的比例”、“男女比例”...

# 2、相对数比较 → 相除
# （2）比例分析
data = pd.DataFrame({'consumption':np.random.rand(12)*1000 + 2000,'salary':np.random.rand(12)*500 + 5000},index = pd.period_range('2017/1','2017/12',freq = 'M'))
print(data.head())
print('------')
# 创建数据 → 某人一年内的消费、工资薪水情况
# 消费按照2000-3000/月随机，工资按照5000-5500/月随机

data['c_s'] = data['consumption'] / data['salary'] #一年的消费占比情况；  比例相对数 --->> 消费收入比
data
data['c_s'].plot.area(color = 'green', alpha = 0.5, ylim = [0.3, 0.6], figsize = (8, 3), grid = True) #创建面积图去表达 
data

（3）空间比较分析（横向）

比如说同样的2017年北京和深圳膜拜单车使用量，空间是比较抽象的更多的是在时间相同的情况下，不同的元素的比较。

同一时间内不同空间（这四个产品）的相互比较

 同类现象在同一时间不同空间的指标数值进行对比，反应同类现象在不同空间上的差异程度和现象发展不平衡的状况空间比较相对数 = 甲空间某一现象的数值 / 乙空间同类现象的数值一个很现实的例子 → 绝对数来看，我国多经济总量世界第一，但从人均水平来看是另一回事

data.sum().plot(kind = 'bar', color = ['r', 'g', 'b', 'k'], alpha = 0.8, grid = True) 同一个月内
data[:10].plot(kind = 'bar',color = ['r','g','b','k'], alpha = 0.8, grid = True, figsize = (12,4),width = 0.8) 同一天内

# 2、相对数比较 → 相除
# （3）空间比较分析（横向对比分析）

data = pd.DataFrame({'A':np.random.rand(30)*5000,'B':np.random.rand(30)*2000,'C':np.random.rand(30)*10000,'D':np.random.rand(30)*800},index = pd.period_range('20170601','20170630'))
print(data.head())
print('------')
# 创建数据 → 30天内A/B/C/D四个产品的销售情况
# 不同产品的销售量级不同

#同一时间（每个月内）
data.sum().plot(kind = 'bar', color = ['r', 'g', 'b', 'k'], alpha = 0.8, grid = True)#求和得到一个柱形图，4个产品的不同营销情况
for i, j in zip(range(4), data.sum()): plt.text(i - 0.25, j + 2000, '%.2f'% j, color = 'k') #通过柱状图做横向比较， ---->> 4个产品的销售额总量#同一时间（每一天）
data[:10].plot(kind = 'bar',color = ['r','g','b','k'], alpha = 0.8, grid = True, figsize = (12,4),width = 0.8)
# 多系列柱状图，横向比较前十天4个产品的销售额。 # 关于同比与环比  
# 同比 → 产品A在2015.3和2016.3的比较（相邻时间段的同一时间点）
# 环比 → 产品A在2015.3和2015.4的比较（相邻时间段的比较）
# 如何界定“相邻时间段”与“时间点”，决定了是同比还是环比

同比和环比都是在时间点上不一样，都是类似同一个内容在不同时间的比较；同比更多的是去年的今天和今年的今天的比较，环比是今年每个时间段的比较，

（4）动态对比分析（纵向）

在时间层面，同一个东西在不同时间轴上进行对比，反映的是变化、速度、趋势

 同一现象在不同时间上的指标数值进行对比，反应现象的数量随着时间推移而发展变动的程度及趋势最基本方法，计算动态相对数 → 发展速度动态相对数（发展速度） = 某一现象的报告期数值 / 同一现象的基期数值基期：用来比较的基础时期报告期：所要研究的时期，又称计算期

# 2、相对数比较 → 相除   （4）动态对比分析（纵向对比分析）

data = pd.DataFrame({'A':np.random.rand(30)*2000+1000},index = pd.period_range('20170601','20170630'))
print(data.head())
print('------')
# 创建数据 → 30天内A产品的销售情况
data['base'] = 1000  # 假设基期销售额为1000，后面每一天都为计算期

#累计增长量 = 报告期水平 - 固定基期水平
data['l_growth'] = data['A'] - data['base'] #每一天减去它就可以了
data
#逐期增长量= 报告期水平 - 报告期前一期水平
data['z_growth'] = data['A'] - data.shift(1)['A']  #每一天每个周期跟上个增长量的对比；shift移动一行
data.fillna(0, inplace = True)  #替换缺失值
data[['l_growth','z_growth']].plot(figsize = (10,4),style = '--.',alpha = 0.8)  
plt.axhline(0,hold=None,color='r',linestyle="--",alpha=0.8)  # 添加y轴参考线
plt.legend(loc = 'lower left')
plt.grid()
# 通过折线图查看增长量情况
data.head()

累计增长量和逐期增长量的大小差别，如果是累计增长量它本身是跟着机器相比较，效益好每天都是增长的；

逐期增长量可以看到每天的一个变化频率和变动趋势了，如果今天的增长量和昨天的增长量比下降了就会是个负数。如果把逐期增长量加在一起，如果大于0，就是往上长的。

#定基增长速度
data['lspeed'] = data['l_growth'] / 1000
#环比增长速度
data['zspeed'] = data['z_growth'] / data.shift(1)['A']#报告期的水平/上期的水平

data[['lspeed','zspeed']].plot(figsize = (10,4),style = '--.',alpha = 0.8)  
plt.axhline(0,hold=None,color='r',linestyle="--",alpha=0.8)  # 添加y轴参考线
plt.grid()
data.head()