基于python、jupyter-notebook 的金融领域用户交易行为分析
说明:本文重在说明交易数据统计、分析方法,所有数据均为生成的数据
时间原因代码未定义成函数
统计指标:1.用户单日交易行为数据
2.按小时为计算单位,统计用户行为数据(旨在求得一天24小时中每个小时的交易金额、交易量和后再做统计计算)
获取数据代码如下:
1 #!/usr/bin/env python 2 # -*- coding: utf-8 -*- 3 __author__ = 'zqf' 4 5 6 import pymysql 7 import random 8 import time 9 from conf import test_conf 10 11 12 con = pymysql.connect(**test_conf.con_set) 13 print("连接成功") 14 cur = con.cursor() 15 time_start = time.time() 16 for i in range(1, 100000): 17 phone_random = random.randint(10000000000, 19999999999) 18 transaction_amount_random = random.uniform(0, 50000) 19 transaction_type_random = random.randint(1, 5) 20 # sql = "select * from my_database.transcation_info" 21 sql = "insert into my_database.transaction_info(user_id, name, phone, transaction_amount, transaction_type, " \ 22 "transaction_time) values('%d', 'name%d', '%d', '%d', '%d', '2019-05-%d %d:%d:%d')" % \ 23 (random.randint(1, 1000), random.randint(1, 1000), phone_random, transaction_amount_random, 24 transaction_type_random, random.randint(1, 31), random.randint(0, 23), random.randint(0, 59), 25 random.randint(0, 59)) 26 27 cur.execute(sql) 28 print("execute完毕即将提交") 29 try: 30 con.commit() 31 print("提交成功") 32 except Exception: 33 print("插入失败") 34 con.rollback() 35 time_stop = time.time() 36 take_time = time_stop - time_start 37 print("花费时间:", take_time) 38 # print(cur.fetchall())
在juoyter-notebook中
导入所需包
# 导入所需包import pandas as pd import pymysql from datetime import datetime import time from matplotlib import pyplot as plt plt.rcParams['font.family'] = ['sans-serif'] plt.rcParams['font.sans-serif'] = ['SimHei'] # from conf import test_conf
连接sql数据库
1 # 连接数据库 2 con = pymysql.connect(**{ 3 'database': 'my_database', 4 'host': '192.168.**.**', 5 'port': 3306, 6 'user': 'root', 7 'password': '********', 8 'charset': 'utf8' 9 }) 10 print("连接成功") 11 cur = con.cursor() 12 sql = "select * from transaction_info" 13 time_start = time.time() 14 df = pd.read_sql(sql=sql, con=con) 15 time_stop = time.time() 16 take_time = time_stop - time_start 17 print("读取十万条数据花费时间:", take_time) 18 # print(df)
连接成功 读取十万条数据花费时间: 4.09512186050415
# 用户每天每小时最大交易金额 df_groupby_hour = df.groupby(['user_id', df['transaction_time'].apply(lambda item: datetime.strftime(item, '%Y-%m-%d %H'))])
# 计算每天每小时交易金额最大值, 最小值, 平均值, 交易次数, 交易金额总计 df_calculate_by_hour = df_groupby_hour['transaction_amount'].agg([["daily_max", "max"], ["daily_min", "min"], ["daily_mean", "mean"], ["daily_count", "count"], ["daily_sum", "sum"]])
# 注:每天每小时交易金额最大值为每个小时中累计金额的最大值,所以后续需对hour_sum计算相应参数,hour_max、hour_min、hour_mean的后续相应 # 计算均为以天为单位 df_calculate_by_hour
# 将user_id, transaction_time层索引设置成列索引 df_calculate_by_hour_reset_index = df_calculate_by_hour.reset_index() df_calculate_by_hour_reset_index
# 再根据user_id、transaction_time 分组,到天 df_calculate_by_hour_reset_index_regroup = df_calculate_by_hour_reset_index.groupby(['user_id', df_calculate_by_hour_reset_index['transaction_time'].apply(lambda item: datetime.strftime(pd.to_datetime(item), '%Y-%m-%d'))])
# 聚合计算 df_finally = df_calculate_by_hour_reset_index_regroup.agg({'daily_max':['max'], 'daily_min':['min'], 'daily_mean':['mean'], 'daily_count':['sum', 'max', 'min', 'median', 'std', 'mean'], 'daily_sum':['sum', 'max', 'min', 'median', 'std', 'mean']})
# 获取用户交易信息 search_user_id = 1 get_user_message = df_finally.loc[search_user_id]# 将user_id, transaction_time层索引设置成列索引 df_finally_reset = df_finally.reset_index()df_finally.loc[search_user_id]
# 绘制每天参数图 plt.figure(figsize=(10, 6)) plt.xticks(rotation=45) x = df_finally.loc[search_user_id].index li_daily = df_finally.columns.levels[0][:-2] colors = ['y', 'k', 'r'] for index, i in enumerate(li_daily):plt.plot(x, df_finally.loc[search_user_id][i][df_finally[i].columns[0]], label=f"{i}", color=colors[index])plt.title("每天交易统计") plt.xlabel("日期") plt.ylabel("交易金额") plt.legend() plt.show()
# 绘制交易量交易图 plt.figure(figsize=(10, 6)) plt.xticks(rotation=45) daily_count_str = df_finally.columns.levels[0][3] li_counts = df_finally[daily_count_str].columns x = df_finally.loc[search_user_id].index df_finally.columns.levels[0][3] colors = ['b', 'g', 'c', 'y', 'k', 'r'] for index, i in enumerate(li_counts):plt.plot(x, df_finally.loc[search_user_id][daily_count_str][i], label=f"{i}", color=colors[index])plt.title("每天交易统计") plt.xlabel("日期") plt.ylabel("交易次数") plt.legend() plt.show()
# 绘制每天每小时交易图 plt.rcParams['font.family'] = ['sans-serif'] plt.rcParams['font.sans-serif'] = ['SimHei'] plt.figure(figsize=(10, 6)) plt.xticks(rotation=45) x = df_finally.loc[search_user_id].index li_daily_hour = df_finally.columns.levels[1] daily_sum_str = df_finally.columns.levels[0][4] colors = ['b', 'g', 'c', 'y', 'k', 'r'] for index, i in enumerate(li_daily_hour):plt.plot(x, df_finally.loc[search_user_id][daily_sum_str][i], label=f"{i}", color=colors[index])plt.title("每天每小时交易统计") plt.xlabel("日期") plt.ylabel("交易金额") plt.legend() plt.show()
转载于:https://www.cnblogs.com/tttzqf/p/10880296.html
基于python、jupyter-notebook 的金融领域用户交易行为分析相关推荐
- 基于Python是疫情期间教育领域新闻知识图谱分析
目录 第一章 数据抓取与文本提取 1 1.1数据抓取 1 1.1.1网页链接定位 1 1.1.2 获取新闻信息 1 1.1.3 文件写入 1 1.1.4 爬取结果展示 2 1.2 分词 3 1.3 小 ...
- python jupyter notebook 多个excel文档合并
#python jupyter notebook 合并多个excel表格的代码 ```python import pandas as pd file1 = pd.read_excel('E:/你的目录 ...
- Python数据分析初探项目 基于Python数据可视化的网易云音乐歌单分析系统 大学编程作业(TUST 天津科技大学 2022年)
Python 数据分析初探项目 基于 Python 数据可视化的网易云音乐歌单分析系统 大学编程作业(TUST 天津科技大学 2022 年) Python 数据分析初探项目 基于 Python 数据可 ...
- 熙牛《新金融领域—科技交易论坛》圆满落幕
作为对新鲜事物具有强烈探索欲望的新一代青年,你经常会从各种文章.期刊和媒体报道上看到很多关于比特币.AI智能交易.区块链技术等的词汇.当看到这些的时候,你最想问的也许是:区块链.数字货币和AI智能交易 ...
- python教程jupyternotebook_搭建Python Jupyter Notebook教程
Jupyter原来叫做IPython,后来改名为Jupyter,意思是Julia+Python+R,囊括了三大数据科学语言.Jupyter编程环境具有以下两个特点: 中心化工作环境:Jupyter支持 ...
- Python,Jupyter Notebook,IPython快速安装教程
Python,IPython,Jupyter Notebook快速安装教程 下一篇:IPython.Notebook.qtconsole使用教程 下一篇Python数据科学安装Numby,pandas ...
- [python][jupyter notebook]之菜鸟安装[pyecharts]中Geo或Map显示问题
作为菜鸟,在学习使用pyecharts模块进入jupyter notebook的时候,又遇到了问题--那就是,可以使用一下代码,导入Geo和Map模块,但是弄了之后看不见地图. from pyecha ...
- Python/Jupyter Notebook以及可视化的运用
最近陆陆续续使用Jupyter Notebook和Python可视化做了一些小工具,用于提高开发效率. 这里将其归类总结一下,作为学习的记录. 转载于:https://www.cnblogs.com/ ...
- python的jupyter的使用教程-Python·Jupyter Notebook各种使用方法
安装Jupyter Notebook的先决条件:已经安装了python(python 2.7 或者是python3) 具体的安装方法: 官方建议利用Anaconda安装Jupyter 安装完成Anac ...
- Python·Jupyter Notebook各种使用方法
PythonJupyter Notebook各种使用方法记录持续更新 一 Jupyter NoteBook的安装 1 新版本Anaconda自带Jupyter 2 老版本Anacodna需自己安装Ju ...
最新文章
- k-means聚类算法从入门到精通
- 人工智能将如何改变芯片设计
- Mysql-explain之Using temporary和Using filesort解决方案
- 四旋翼建模与开源飞控算法(草稿,待整理)
- BZOJ-2324 营救皮卡丘 最小费用可行流+拆下界+Floyd预处理
- Securing Spring Cloud Microservices With OAuth2
- linux php 版本切换,linux更换PHP版本,多个PHP版本切换
- 【转】DIB位图(Bitmap)的读取和保存
- php去除所有标点符号的方法,php如何去除标点符号
- Android的5个进程等级(转)
- ScintillaNET的应用
- Linux yum安装java环境
- Pr 视频效果:颜色校正
- 推荐好轮子【Echarts数据可视化】图表插件 兼容ie6、7、8
- WinSock IO模型五: 完成端口
- excel 如何冻结多行多列
- 做读书笔记好用的软件分享
- matlab模拟夫琅禾费单缝衍射,夫琅禾费衍射的Matlab仿真
- 【科创人独家】PerfMa“寒泉子”李嘉鹏:成长和创业都要能人所不能,真强者何惧资本寒冬
- html中圆角的度,cssli圆角
热门文章
- python求解给定一个整数N,求N!末尾有多少个0,求N!的二进制中最低位1的位置
- python 包的使用 (二)——tesseract识别图片中的文字
- 深度学习中的batch,iteration,epoch复习总结
- linux 隐藏字符 h,webpack手动配置
- BootStrap的应用——实现黑马旅游网页面
- android图片 垂直排列,Android图片切换特效示例:水平百叶窗、垂直百叶窗、马赛克...
- html中img显示旋转,css如何实现图片的旋转展示效果(代码示例)
- html css菜鸟,CSS菜鸟教程阅读笔记
- mysql 临时表 创建和插入
- Java 加密扩展(JCE)框架 之 Cipher 加密与解密