Skill Steps
Step1 加载并检查原始数据，配置中文字体以确保图表正常显示。
pythonimport pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import warnings warnings.filterwarnings('ignore') # 设置中文字体，兼容不同操作系统 plt.rcParams['font.sans-serif'] = ['SimHei', 'WenQuanYi Zen Hei', 'DejaVu Sans'] plt.rcParams['axes.unicode_minus'] = False # 加载Excel文件 file_path = 'data.xlsx' df = pd.read_excel(file_path) print(f"数据形状: {df.shape}") print(f"列名: {list(df.columns)}")
Step2 提取时间序列或分类维度数据，处理百分比格式，并计算变化趋势。
pythondef convert_percentage(pct_str): """将百分比字符串转换为数值，处理空值和非字符串类型""" if pd.isna(pct_str): return None if isinstance(pct_str, str) and '%' in pct_str: try: return float(pct_str.replace('%', '')) except ValueError: return None return pct_str time_col = '时间列' # 占位示例 target_cols = ['指标1占比', '指标2占比', '指标3占比'] # 占位示例 # 转换百分比字符串为数值并提取数据 ts_df = df[[time_col] + target_cols].copy() if time_col in df.columns else df.copy() for col in target_cols: if col in ts_df.columns: ts_df[col] = ts_df[col].apply(convert_percentage) # 计算变化趋势并识别状态 diff_col = f'{col}_变化' trend_col = f'{col}_趋势' ts_df[diff_col] = ts_df[col].diff() ts_df[trend_col] = ['上升' if x > 0 else '下降' if x < 0 else '稳定' for x in ts_df[diff_col]]
Step3 基于数值进行多维度分级算法建模，映射差异化增长率并计算预测值。
pythongroup_col = '分组列' # 占位示例，如'部门' value_col = '数值列' # 占位示例，如'销售额' # 聚合计算总和并排序 grouped_df = df.groupby(group_col, as_index=False)[value_col].sum() grouped_df = grouped_df.sort_values(by=value_col, ascending=False).reset_index(drop=True) # 多维度分级算法结构：前30%为高，中间40%为中，后30%为低 total_rows = len(grouped_df) high_threshold = int(total_rows * 0.3) mid_threshold = int(total_rows * 0.7) grouped_df['等级'] = np.where( grouped_df.index < high_threshold, '高', np.where(grouped_df.index < mid_threshold, '中', '低') ) # 分类映射函数骨架：为不同等级设定差异化增长率 growth_rates = {'高': 0.15, '中': 0.08, '低': 0.03} grouped_df['增长率'] = grouped_df['等级'].map(growth_rates) # 计算预测值与增长量 grouped_df['预测值'] = grouped_df[value_col] * (1 + grouped_df['增长率']) grouped_df['增长量'] = grouped_df['预测值'] - grouped_df[value_col]
Step4 生成多维度可视化图表（堆叠面积图、柱状图、条形图），并保存为高分辨率图像。
pythonoutput_path = 'trend_analysis_report.png' plt.figure(figsize=(14, 10)) # 子图1：堆叠面积图（时间序列占比变化） plt.subplot(2, 2, 1) sns.set_style('whitegrid') if time_col in ts_df.columns and all(c in ts_df.columns for c in target_cols): plt.stackplot(ts_df[time_col], *[ts_df[c] for c in target_cols], labels=target_cols, alpha=0.8) plt.title('各指标占比变化趋势', fontsize=14, fontweight='bold') plt.xlabel(time_col) plt.ylabel('占比 (%)') plt.legend(loc='upper left') plt.xticks(rotation=45) # 子图2：当前 vs 预测对比（柱状图） plt.subplot(2, 2, 2) x = np.arange(len(grouped_df)) width = 0.35 plt.bar(x - width/2, grouped_df[value_col], width, label='当前值', alpha=0.8) plt.bar(x + width/2, grouped_df['预测值'], width, label='预测值', alpha=0.8) plt.xlabel(group_col) plt.ylabel('数值') plt.title('当前与预测值对比') plt.xticks(x, grouped_df[group_col], rotation=45) plt.legend() # 子图3：增长率分布（条形图） plt.subplot(2, 2, 3) plt.barh(grouped_df[group_col], grouped_df['增长率'], color='skyblue') plt.xlabel('增长率') plt.title('各组增长率分布') plt.gca().invert_yaxis() # 子图4：增长量分布（柱状图） plt.subplot(2, 2, 4) plt.bar(grouped_df[group_col], grouped_df['增长量'], color='lightcoral') plt.xlabel(group_col) plt.ylabel('增长量') plt.title('各组增长量分析') plt.xticks(rotation=45) plt.tight_layout() # 图表美化与高分辨率保存 plt.savefig(output_path, dpi=300, bbox_inches='tight') plt.close()
Step5 生成综合分析报告，汇总核心指标并输出趋势结论。
python# 总体预测汇总 total_current = grouped_df[value_col].sum() total_forecast = grouped_df['预测值'].sum() total_growth = grouped_df['增长量'].sum() overall_growth_rate = (total_forecast - total_current) / total_current if total_current else 0 print("=" * 60) print("📊 综合趋势分析报告") print("=" * 60) print(f"当前总值: {total_current:,.2f}") print(f"预测总值: {total_forecast:,.2f}") print(f"总增长量: {total_growth:,.2f}") print(f"整体增长率: {overall_growth_rate:.2%}") print("\n📈 分析结论：") if overall_growth_rate > 0.1: print(" - 整体趋势向好，预计实现显著增长。") elif overall_growth_rate > 0: print(" - 呈温和增长态势，建议加强低等级组支持。") else: print(" - 预测下滑，需深入分析原因并制定应对策略。") print("=" * 60)
