大数据财务分析课件 第2章 大数据分析步骤与方法

第二章大数据分析步骤与方法第一节Python应用基础第二节数据采集第三节数据清洗第四节数据集成第五节数据分析与挖掘第六节数据可视化

学习目标知识目标◎掌握Python应用的基础知识，为后续的数据分析应用奠定基础。◎了解数据采集范围和数据采集工具，熟悉网站上数据采集的代码逻辑。◎了解数据清洗和数据集成的概念、内容、方法，熟悉数据清洗的处理顺序。◎掌握数据挖掘的方式，了解数据可视化设计，认知大数据财务分析的重要性。能力目标◎通过数据采集环节，培养财务数据收集及处理能力。◎通过数据清洗和数据集成环节，理解数据预处理的重要性和实用性。◎通过数据挖掘环节，体验结构化与非结构化数据的处理与分析，培养解决问题的能力。◎能够实现数据可视化，使数据信息以直观、吸引人的方式呈现，便于沟通和决策。素养目标◎培养数据敏感性，能够理解如何从数据中提取有价值的信息。◎培养质疑数据准确性、评估数据来源可靠性以及辨别数据背后隐藏含义的素养。◎在学习过程中需要不断探索新工具和新思路，培养创新意识和能力。重点◎数据采集、清洗、集成、分析与挖掘、可视化闭环◎数据采集方法◎Python财务分析库在财务分析中的常用功能难点◎非结构化财务数据的处理◎编程语言在财务分析中的具体应用重难点一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（一）Python基础语法变量是存储数据的容器，Python中无须声明类型，直接通过“变量名=值”赋值。含字母、数字、下画线，不能以数字开头，区分大小写（name≠Name），不可用关键字（如if、for），命名需具可读性。多重赋值链式赋值010203定义命名规则赋值方式1.变量第2章一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（一）Python基础语法2.数据类型①整数（int）：无小数部分的数字，如5、-10②浮点数（float）：带小数的数字，如3.14、-0.5③字符串（str）：单/双引号包裹的字符序列，如'Python'④布尔值（bool）：True,False⑤空值（NoneType）：None不同数据类型间可以进行转换操作，如：int(3.14)→3str(123)→"123"bool(0)→Falsefloat(5)→5.00102数据类型类型转换第2章一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（一）Python基础语法3.控制流①条件判断：if-else语句②多条件判断：if-elif-else①for循环②while循环0102条件判断循环第2章一、Python应用基础（二）数据结构fruits=["apple","banana","cherry"]print(fruits[0])#索引访问，输出appleprint(fruits[-1])#负数索引，输出cherrynumbers=[1,2,3,4,5,6,7,8,9]print(numbers[1:4])#输出[2,3,4]print(numbers[::2])#输出[1,3,5,7,9]①append(x)：末尾添加元素。

②extend(iterable)：添加可迭代对象所有元素③insert(i,x)：在索引i处插入x④remove(x)：删除首个x⑤pop(i)：删除并返回索引i元素（默认最后一个）⑥sort()：排序⑦reverse()：反转010203创建与访问切片操作常用方法1.列表Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章一、Python应用基础（二）数据结构person={"name":"Alice","age":25}print(person["name"])#输出Aliceprint(person.get("gender","unknown"))#安全访问，输出unknownperson["age"]=26#修改值person["gender"]="female"#添加新键值对①keys()：返回所有键

②values()：返回所有值③items()：返回所有键值对④pop(key)：删除并返回key对应的值010203创建与访问修改与添加常用方法2.字典Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（二）数据结构3.集合

person={"name":"Alice","age":25}print(person["name"])#输出Aliceprint(person.get("gender","unknown"))#安全访问，输出unknown①fadd(x)：添加元素x。②remove(x)/discard(x)：删除元素x。remove（）与discard（）的区别是：如果删除不存的元素，remove（）会报错，而discard（）不会报错。0102创建常用方法第2章一、Python应用基础（三）函数Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（四）模块与导入第2章一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（五）写入和读取文件第2章一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（六）NumPy、Pandas和Matplotlib应用简介第2章一、Python应用基础Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化（七）Python在财务场景中的应用第2章二、数据采集任务情境和要求分析任务任务要求使用Python等技术工具完成指定数据的采集工作；要求编写高效的采集脚本，对数据进行初步清洗与存储，形成结构化的数据文件，便于后续分析使用。从公开数据平台获取企业的基本信息、财务数据及多维度报表，为后续的数据分析与应用奠定基础。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练（一）数据采集：Python应用实战演练操作步骤第一步体验大数据数据采集技术第二步采集企业基本信息第三步采集单一企业资产负债表数据第四步采集多企业资产负债表数据第五步采集多企业利润表数据第六步采集单一企业资产负债表与利润表数据第七步采集多企业多报表数据Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导1．体验大数据数据采集技术进入新道代码编辑器，打开“数据采集”文件夹下的“任务1”文件夹，找到并双击任务1脚本，然后单击“运行”按钮。运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导2．采集企业基本信息（1）单击“任务2：企业基本信息采集”中的“进入任务”按钮，如图1所示。（2）打开新道代码编辑器，打开“数据采集”文件夹下的“任务2”文件夹，双击“任务2_企业基本信息采集.py”脚本，右侧代码窗口中会显示该脚本文件的内容，如图2所示。（3）导入Python第三方库文件。根据任务要求，导入requests、pandas库文件，输入江西铜业的股票代码“600362”、报表年份“2020”和报表类型编号“5000”，如图3所示。图1图3图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导（4）输入Python库文件，如图1所示。（5）单击“运行”按钮，进行数据采集，结果如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导3．采集单一企业资产负债表数据（1）输入“单一企业资产负债表数据”采集代码进入任务3，导入requests、pandas库文件，设置code变量为股票代码“600000”和对应的股票简称“浦发银行”，设置year变量为采集的报表年份“2021”，设置report_period_id变量为采集的报表类型“5000”，在url变量的链接中输入资产负债表的英文名称“balancesheet”。使用pandas的read_excel()函数打开文件“中英指标对照.xlsx”，对照翻译指标名称。将两列数据转换为字典类型，并建立一个DataFrame表，便于存储采集到的数据。利用try…except…逻辑对数据采集过程进行处理，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导（2）运行“单一企业资产负债表数据”采集代码并查看结果单击“运行”按钮，可以发现，浦发银行2021年资产负债表采集结果以Excel表格形式保存在“数据采集/任务3”路径下，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导4．采集多企业资产负债表数据（1）输入“多企业资产负债表数据”采集代码进入任务4，导入requests、pandas库文件，参照“采集单一企业资产负债表数据”的参数设置方法，设置相关变量，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导（2）输入“多企业资产负债表数据”保存文件代码如图所示输入代码，将上述采集的多企业资产负债表以Excel形式保存，文件命名为“资产负债表采集结果”，并保存到“数据采集/任务4/”路径下。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导（3）运行“多企业资产负债表数据”采集代码并查看结果单击“运行”按钮，可以发现，多企业资产负债表数据的采集结果以Excel表格形式保存在“数据采集/任务4”路径下，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导5．采集多企业利润表数据（1）输入“多企业利润表数据”采集代码进入任务5，导入requests、pandas库文件，参照“采集单一企业资产负债表数据”的参数设置方法，设置相关变量，如图1所示。（2）运行“多企业利润表数据”采集代码并查看结果单击“运行”按钮，可以发现，多企业利润表数据的采集结果以Excel表格形式保存在“数据采集/任务5”路径下，如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导6．采集单一企业资产负债表与利润表数据（1）输入“单一企业资产负债表与利润表数据”采集代码进入任务6，导入requests、pandas、re、time等第三方库，参考前面的数据采集方法设置相关变量，利用for循环进行数据采集循环控制，如图1所示。（2）运行“单一企业资产负债表与利润表数据”采集代码并查看结果单击“运行”按钮，可以发现，招商银行的利润表数据和资产负债表数据以Excel表格形式保存在“数据采集/任务6”路径下，如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章二、数据采集实战演练过程指导7．采集多企业多报表数据（1）输入“多企业多报表数据”采集代码进入任务7，导入requests、re、pandas、time等第三方库，使用同样的方法设置相关参数，如图1所示。（2）运行“多企业多报表数据”采集代码并查看结果单击“运行”按钮，可以发现，美克美居、柳钢股份、三一重工和贵州茅台的资产负债表、利润表、现金流量表数据以Excel表格形式保存在“数据采集/任务7”路径下，如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗任务情境和要求分析任务任务要求根据任务规则，设计并实施数据清洗策略，包括清洗空格、特殊字符、字段格式不一致等内容；使用数据清洗工具完成初步清洗后，借助Python脚本进行深度清洗与自动化处理，输出标准化数据文件，并提供清洗过程的详细记录和总结报告，保证数据清洗的可追溯性与准确性通过全局清洗规则、字段格式化以及Python编程清洗技术，全面优化数据Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练（一）数据清洗工具应用实战演练操作步骤第一步全局清洗规则：清洗空格第二步全局清洗规则：清洗“-”第三步按字段清洗规则：清洗产品名称中的“*”第四步按字段清洗规则：清洗产品名称中的“/\|“第五步按字段清洗规则：清洗“客户ID”字段第六步按字段清洗规则：清洗产品名称中的格式内容第七步按字段清洗规则：清洗品名与规格字段中的格式内容Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导1．全局清洗规则：清洗空格（1）上传数据进入清洗系统后，单击“选择数据源”，在打开的“选择数据源”面板中单击“上传数据”，选择任务资料中下载的“销售数据_清洗前”数据表并保存，如图1所示。（2）查看数据源单击“查看数据源”，打开数据源表格，可以看到“折扣”列有的值为“-”，有的值为空，如图2所示。这说明该数据表中的数据存在空值或者无效值的情况，需要清洗。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导（3）配置清洗规则单击“配置全局清洗规则”，左侧出现“配置全局清洗规则”面板，选择“字符替换”下的“空格（仅有）替换为0”，单击“保存”按钮，如图1所示。单击右侧界面中的“开始清洗”，系统弹出“确定要开始清洗吗”的提示对话框，单击“确定”按钮。（4）查看清洗结果清洗完成，单击“查看清洗结果”，可以看到“折扣”列原来的空格被替换为0，如图2所示。（5）下载并保存清洗结果单击“下载”按钮，将文件命名为“任务一”保存到本地计算机中，如图3所示。图1图2图3Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导2．全局清洗规则：清洗“-”（1）上传“任务一”表格至数据源选择刚才清洗完成的文件“任务一”作为数据源，操作过程如图1所示。（2）配置清洗规则单击“配置全局清洗规则”，在左侧出现的“配置全局清洗规则”面板中选择“字符替换”下的“-(仅有)替换为0”，单击“保存”按钮，如图2所示。单击“开始清洗”，平台提示“确定要开始清洗吗？”，单击“确定”按钮。清洗完成后，可单击“查看清洗结果”，发现“折扣”列原来的“-”被替换为0。（3）下载并保存清洗结果下载清洗结果，命名为“任务二”保存到本地计算机中。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导3．按字段清洗规则：清洗产品名称中的“*”（1）上传“任务二”表格至数据源选择并上传“任务二”作为数据源，进行下一个清洗任务。（2）设置“字符替换”清洗规则单击“配置按字段清洗规则”，在左侧的“按字段清洗规则”面板中单击“添加规则”，然后在下拉列表中选择“字符替换”；单击下方的“+”按钮，选择需要切分的字段“产品名称”；左侧文本框中输入要清洗的字符“*”，右侧是替换内容，这里保持为空，单击“保存”按钮，如图所示。平台提示“配置清洗规则成功”。单击“开始清洗”，平台提示“确定要开始清洗吗？”单击“确定”按钮。清洗完成后，单击“查看清洗结果”，发现“产品名称”列原来的“*”被替换为空。（3）下载并保存清洗结果下载清洗结果，命名为“任务三”保存到本地计算机中。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导4．按字段清洗规则：清洗产品名称中的“/”“\”“|”（1）上传“任务三”表格至数据源选择并上传“任务三”作为数据源，进行下一个清洗任务。（2）配置“多字符替换”清洗规则单击“配置按字段清洗规则”，在左侧的“按字段清洗规则”面板中单击“添加规则”，然后在下拉列表中选择“字符替换”；单击下方的“+”按钮，选择需要切分的字段“产品名称”，左侧文本框中输入要清洗的字符“/”“\”“|”，右侧是替换内容，这里保持为空，单击“保存”按钮，如图所示。平台提示“配置清洗规则成功”。单击“开始清洗”，平台提示“确定要开始清洗吗？”，单击“确定”按钮。清洗完成后，单击“查看清洗结果”，发现“产品名称”列原来的“/”“\”“|”被替换为空。（3）下载并保存清洗结果下载清洗结果，命名为“任务四”保存到本地计算机中。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导5．按字段清洗规则：清洗“客户ID”字段（1）上传“任务四”表格至数据源选择并上传“任务四”作为数据源，进行下一个清洗任务。（2）配置“字段切分”清洗规则单击“配置按字段清洗规则”，在左侧的“按字段清洗规则”面板中单击“添加规则”，然后在下拉列表中选择“字段切分”；单击下方的“+”按钮，选择需要切分的字段“客户ID”，切分分隔符默认为“-”，这里保持不变切分后字段名为“客户名称”与“客户ID”，单击“保存”按钮，如图2-29所示。平台提示“配置清洗规则成功”。单击“开始清洗”，平台提示“确定要开始清洗吗？”，单击“确定”的按钮。清洗完成后，单击“查看清洗结果”，发现“客户ID”列被切分为“客户名称”与“客户ID”。（3）下载并保存清洗结果下载清洗结果，命名为“任务五”保存到本地计算机中。

Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导6．按字段清洗规则：清洗产品名称中的格式内容（1）上传“任务五”表格至数据源选择并上传“任务五”作为数据源，进行下一个清洗任务。（2）配置“字段切分”清洗规则单击“配置按字段清洗规则”，在左侧的“按字段清洗规则”面板中单击“添加规则”，然后在下拉列表中选择“字段切分”；单击下方的“+”按钮，选择需要切分的字段“产品名称”，切分分隔符设置为空格（输入一个空格键），切分后字段名为“产品品牌”“品名与规格”，单击“保存”按钮，如图所示。平台提示“配置清洗规则成功”。单击“开始清洗”，平台提示“确定要开始清洗吗？”，单击“确定”的按钮。清洗完成后，单击“查看清洗结果”，发现“产品名称”列被切分为“产品品牌”和“品名与规格”。（3）下载并保存清洗结果下载清洗结果，命名为“任务六”保存本地计算机中。（3）下载并保存清洗结果下载清洗结果，命名为“任务六”保存本地计算机中。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导（1）上传“任务六”表格至数据源选择上传“任务六”作为源数据，进行下一个清洗任务。（2）配置“字段切分”清洗规则单击“配置按字段清洗规则”，在左侧的“按字段清洗规则”面板中单击“添加规则”，然后在下拉列表中选择“字段切分”；单击下方的“+”按钮，选择需要切分的字段“品名与规格”，切分分隔符设置为“,”（英文状态下逗号），切分后字段名为“产品品名”与“产品规格”；单击“保存”，如图所示。平台提示“配置清洗规则成功”。单击“开始清洗”，平台提示“确定要开始清洗吗？”，单击“确定”的按钮。清洗完成后，单击“查看清洗结果”按钮，发现“品名与规格”列被切分为“产品品名”和“产品规格”。（3）下载并保存清洗结果下载清洗结果，命名为“任务七”保存到本地计算机中。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练（二）数据清洗：Python应用实战演练操作步骤第一步特殊字符清洗第二步格式内容清洗第三步非需求性数据清洗第四步逻辑错误清洗Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导1．特殊字符清洗（1）清洗“空格”与“-”进入任务后，选择“数据清洗”—“任务1”—“任务一_字符清洗.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“销售数据_清洗前.xlsx”的文件路径，粘贴到file_name变量处；使用read_excel()函数打开要清洗的数据表；设置清洗规则，使用replace()函数将“-”替换为0，将空格也替换为0；将清洗结果保存为Excel文件，并命名为“任务1清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导（2）清洗“*”“/”“\”“|”选择“数据清洗”—“任务2”—“任务2_产品名称清洗.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“任务1清洗结果.xlsx”的文件路径到file_name变量中；使用read_excel()函数打开要清洗的数据表；设置清洗规则，使用replace()函数将“\”“\”“*”替换为空，将“|”替换为空格；将清洗结果保存为Excel文件，并命名为“任务2清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导2．格式内容清洗（1）清洗客户ID与产品名称选择“数据清洗”—“任务3”—“任务3_客户名称清洗.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“任务2清洗结果.xlsx”的文件路径到file_name变量中；使用read_excel()函数打开要清洗的数据表。设置清洗规则，使用str.split()函数将“客户ID”切分为“客户名称”和“客户ID”，切割符为“-”；使用str.split()函数将“产品名称”切分为“产品品牌”和“品名与规格”，切隔符为空格；使用replace()函数将“品名与规格”字段的空格替换为空；使用str.split()函数将“品名与规格”切分为“产品品名”和“产品规格”，切隔符为“,”。将清洗结果保存为Excel文件，并命名为“任务3清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导（2）数据类型清洗选择“数据清洗”—“任务4”—“任务4_数据类型转换.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“引力传媒_利润表.xlsx”的文件路径到file_name变量中；转换列表字段，并使用read_excel()函数打开要清洗的数据表。将数据表中指定字段的数据类型转换为浮点型，将清洗结果保存为Excel文件，并命名为“任务4清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导（3）分析云数据类型清洗选择“数据清洗”—“任务5”—“任务5_数据类型转换.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“华扬联众_利润表.xlsx”的文件路径到file_name变量中；使用read_excel()函数打开要清洗的数据表。设置清洗规则，将数据表中指定字段的数据类型转换为浮点型（不含前两列与后两列数据）和字符串型（前两列与后两列）。将清洗结果保存为Excel文件，并命名为“任务5清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导3．非需求性数据清洗（1）华扬联众报表无用数据清洗选择“数据清洗”—“任务6”—“任务6_无用数据清洗.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“华扬联众_利润表_无用数据清洗.xlsx”的文件路径到file_name变量中；构建一个列表ignore_list，其内容是后续数据处理中不需要的字段；使用read_excel()函数打开要清洗的数据表。设置清洗规则，使用drop()函数删除数据表ignore_list，在原数据上进行修改（True表示在原数据上修改）。将清洗结果保存为Excel文件，并命名为“任务6清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导（2）引力传媒财报无用数据清洗选择“数据清洗”—“任务7”—“任务7_无用数据清洗.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“引力传媒_历年利润表_无用数据清洗.xlsx”的文件路径到file_name变量中；使用read_excel()函数打开要清洗的数据表。设置清洗规则，将清洗结果保存为Excel文件，并命名为“任务7清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导4．逻辑错误清洗（1）华扬联众报表重复数据清洗选择“数据清洗”—“任务8”—“任务8_重复数据清洗.py”，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“华扬联众_利润表_重复数据清洗.xlsx”的文件路径到file_name变量中；使用read_excel()函数打开要清洗的数据表。检查数据是否有重复字段，然后删除重复字段列“营业总收入.1”和“营业收入.1”。查看删除后的列名，重新输出变量df的内容，然后将清洗结果保存为Excel文件，并命名为“任务8清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章三、数据清洗实战演练过程指导（2）引力传媒财务重复数据清洗选择“数据清洗”—“任务9”—“任务9_重复数据清洗.py”，使用同样的方法在右侧代码区域编写代码，删除重复字段“营业总收入.1”和“营业收入.1”，然后将清洗结果保存为Excel文件，并命名为“任务9清洗结果”。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成任务情境和要求六大分析任务任务要求利用新道分析云数据分析系统高效完成数据的整合与处理。业务数据关联财报数据关联业务数据合并财报数据合并销售数据与销售区域关联两家企业利润表合并Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练（一）数据集成：数据分析系统应用实战演练操作步骤第一步下载数据表第二步上传业务关联数据第三步新建关联数据集第四步拖曳数据表至关联面板第五步设置关联条件第六步执行并修改数据类型Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（1）下载数据表进入本任务后，单击左侧“任务资料”选项卡，将本任务所需的“城市表”“省区表”“销售数据清洗结果”下载并保存到本地，如图1所示。（2）上传业务关联数据进入“分析云”系统，如图2所示，执行“数据准备”—“上传”命令，分别将城市表、省区表及销售数据清洗结果上传到“我的数据”路径下。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（3）新建关联数据集在“数据准备”界面单击“新建”按钮，在弹出的“创建数据集”对话框中选择“关联数据集”；填写关联后的数据集名称“业务数据关联”，选择数据集所在的文件夹“我的数据”，如图1所示。（4）拖曳数据表至关联面板将“销售数据清洗结果”“城市表”“省区表”分别拖到关联面板内，如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（5）设置关联条件单击“销售_清洗结果”，再单击“城市表”，在弹出的“连接”对话框中设置连接方式为“左连接”，关联字段为“城市=城市”。单击“城市表”，再单击“省区表”，按照同样的方法，设置连接方式为“左连接”，关联字段为“省自治区=省自治区”，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（6）执行并修改数据类型单击右上角的“执行”按钮，预览数据结果，检查数据是否正确。将“销售额”“销售数量”“折扣”“利润”四个字段的数据类型更换为数值型，方法是单击字段名称前的小图标，切换成“123”类型（123代表数值型），如图所示。最后单击“保存”按钮。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导2．财报数据关联（1）下载并上传数据进入本任务后，单击左侧“任务资料”选项卡，将本任务所需的“华扬联众利润表”与“华扬联众资产负债表”下载到本地，并上传至“我的数据”。（2）新建关联数据集在“数据准备”界面单击“新建”按钮，在弹出的“创建数据集”对话框中选择“关联数据集”；填写关联后的数据集名称“华扬联众利润表与资产表合集”，选择数据集所在的文件夹“我的数据”，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（3）设置关联条件并保存关联数据集分别拖曳“华扬联众资产负债表”和“华扬联众利润表”到关联面板内，单击两个需要关联的表进行连接，选择“内连接”，关联字段为“报表年份=报表年份”，如图1所示。（4）执行并保存数据表单击右上角的“执行”按钮，预览并检查数据集。单击“实时”按钮，在打开的面板中选中“数据物化”，将数据表固定，然后单击“保存”按钮，如图2所示。之后单击“执行”和“保存”按钮，完成数据表关联。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导3．业务数据合并（1）下载并上传数据进入本任务后，单击左侧“任务资料”选项卡，将本任务所需的数据表“7月销售数据”与“8月销售数据”下载并保存到本地，然后上传至“我的数据”。（2）新建追加数据集在“数据准备”界面单击“新建”按钮，在弹出的“创建数据集”对话框中选择“追加数据集”；填写关联后的数据集名称“7月与8月销售数据集”，将数据集保存至“我的数据”，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（3）匹配字段先将“7月销售数据”拖曳至右侧空白区域内，选择需要合并的数据集字段，这里选择勾选所有字段，单击“确定”按钮，如图1所示。

再将“8月销售数据”拖曳至右侧空白区域内，对应“7月销售数据”所选字段，进行字段匹配，如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（4）执行并保存数据表单击“执行”按钮，可在“数据预览”区域查看关联好的数据集。单击“实时”按钮，在打开的面板中选中“数据物化”，将数据表固定，然后单击“保存”按钮。之后单击“执行”和“保存”按钮，完成数据表合并。注意：若所选字段没有一一匹配，则需要手动进行匹配。具体方法是：单击字段下拉菜单，如“订单ID”，选择所需匹配的字段，进行手工调整，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导4．财报数据合并（1）下载并上传数据进入本任务后，单击左侧“任务资料”选项卡，将本任务所需的“引力传媒利润表”与“华扬联众利润表”下载并保存到本地，然后上传至“我的数据”。（2）新建关联数据集在“数据准备”界面单击“新建”按钮，在弹出的“创建数据集”对话框中选择“追加数据集”；填写关联后的数据集名称“华扬联众与引力传媒利润表数据集”，将数据集保存至“我的数据”，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（3）匹配字段将“华扬联众利润表”拖曳至右侧空白区域内，选择所需字段，这里可以全选，也可以按需选择，如图所示。再将“引力传媒利润表”拖曳至右侧空白区域内，对应“华扬联众利润表”所选字段，进行字段匹配。（4）执行并保存数据表单击右上角的“执行”按钮，预览数据结果，检查数据是否正确。单击“实时”按钮，在打开的面板中选中“数据物化”，将数据表固定，然后单击“保存”按钮。之后单击“执行”和“保存”按钮，完成数据表合并。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练过程指导（3）匹配字段将“华扬联众利润表”拖曳至右侧空白区域内，选择所需字段，这里可以全选，也可以按需选择，如图所示。再将“引力传媒利润表”拖曳至右侧空白区域内，对应“华扬联众利润表”所选字段，进行字段匹配。（4）执行并保存数据表单击右上角的“执行”按钮，预览数据结果，检查数据是否正确。单击“实时”按钮，在打开的面板中选中“数据物化”，将数据表固定，然后单击“保存”按钮。之后单击“执行”和“保存”按钮，完成数据表合并。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练（二）数据集成：Python应用过程指导1．销售数据与销售区域关联选择“数据集成”—“任务1”，双击任务1脚本文件，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“销售数据清洗结果.xlsx”的文件路径并粘贴到df变量处，复制“城市表.xlsx”的文件路径并粘贴到变量df1中，复制“省区表.xlsx”的文件路径并粘贴到变量df2中；使用merge()函数进行数据关联，将“销售数据清洗结果.xlsx”与“城市表.xlsx”进行左连接，关联条件是“城市”，关联后新数据表将覆盖原有变量df；将关联后的df与“省区表.xlsx”进行左连接，关联条件是“省/自治区”，关联后新数据表将覆盖原有变量df。将关联后的数据集保存为Excel文件，并命名为“销售数据与销售区域关联结果”，不保存行索引（False代表不保存，Ture代表保存）。为保证中文无乱码，将数据表用utf-8-sig的方式进行编码。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章四、数据集成实战演练（二）数据集成：Python应用过程指导2．两家企业利润表合并选择“数据集成”—“任务2”，双击任务2脚本文件，在右侧代码区域编写代码。导入pandas库并给pandas配置一个别名pd；复制“华扬联众_利润表_清洗后.xlsx”的文件路径并粘贴到df变量处，复制“引力传媒_利润表_清洗后.xlsx”的文件路径并粘贴到变量df1中；使用append()函数对“华扬联众_利润表_清洗后.xlsx”与“引力传媒利润表.xlsx”进行数据合并，合并后的新数据表将覆盖原有变量df。将合并后的数据集保存为Excel文件，并命名为“合并结果”。为保证中文无乱码，将数据表用utf-8-sig的方式进行编码。代码运行结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘任务情境和要求两大分析任务任务要求设计合理的分析逻辑，确保结果的准确性与业务可解释性；形成详细的任务报告。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化财务比率指标聚类分析对非结构化数据（如财报文本）的年度词频统计第2章五、数据分析与挖掘实战演练（一）数据分析与挖掘：工具应用结构化数据分析实战演练操作步骤第一步选择并上传结构化数据第二步配置模糊C均值聚类模型第三步配置聚类变量第四步设置最佳模糊聚类个数第五步建模并查看结构化数据分析结果Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（1）选择并上传结构化数据进入本任务后，在“任务资料”选项卡里下载所需数据集，然后依次单击“选择数据源”→“上传数据”，选择下载的数据集。然后单击“保存”按钮。如图1所示。（2）配置模糊C均值聚类模型单击“配置模型”，左侧弹出“配置模型”面板，选择“聚类分析”中的“模糊C均值聚类”，如图2所示。系统会自动弹出关于该算法的相关配置参数，如聚类变量、最佳模糊聚类个数等，如图3所示。图1图2图3Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（3）配置聚类变量单击“聚类变量”下的“+”按钮，在打开的“选择字段”对话框中勾选主营业务利润率(%)、成本费用利润率(%)、销售净利率(%)、净资产收益率(%)、应收账款周转率(次)、存货周转率(次)、流动比率、资产负债率(%)等字段，并单击“>”按钮，将这些字段添加到右侧窗口中，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（4）设置最佳模糊聚类个数单击“最佳模糊聚类个数”下的“计算”按钮，系统会自动计算最佳模糊聚类个数，单击“查看结果”按钮，其结果如图1所示。根据计算结果，按照手肘法选择最佳聚类个数，也可以根据需求设置最佳聚类个数，这里设置最佳聚类个数为“3”，然后单击“保存”按钮。（5）建模并查看结构化数据分析结果单击“开始建模”，系统会弹出“建模中”字样，建模完毕会提示“建模成功”。单击“查看训练结果”，将结果导出并保存在本地计算机中，如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练（一）数据分析与挖掘：工具应用非结构化数据分析实战演练操作步骤第一步选择并上传非结构化数据第二步配置词频模型第三步建模并查看非结构化数据分析结果Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（1）选择并上传非结构化数据进入本任务后，在“任务资料”选项卡里下载所需数据集。然后依次单击“选择数据源”→“上传数据”，选择下载的数据集，然后单击“保存”按钮。（2）配置词频模型单击“配置模型”，左侧弹出“配置模型”面板，选择“文本分析”中的“词频”，如图所示，单击“保存”按钮。（3）建模并查看非结构化数据分析结果单击“开始建模”，系统会弹出“建模中”字样，建模完毕会提示“建模成功”。单击“查看训练结果”，将结果导出并保存在本地计算机中。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练（一）数据分析与挖掘：Python应用财务比率指标聚类分析实战演练操作步骤第一步导入python库第二步图形设置第三步获取数据文件第四步选择聚类指标并查看结果第五步计算最佳聚类个数并绘图显示第六步输入最佳聚类个数第七步模型建立第八步获取聚类结果Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（1）导入python库导入pandas、skfuzzy、numpy三个库，并为它们分别配置别名pd、fuzz、np；导入matplotlib库的pyplot模块，并给其配置别名plt。（2）图形设置利用plt.rcParams修改绘图参数；设置图形的字体（font）为黑体字“SimHei”；利用axes.unicode_minus控制图形中对负号的显示，参数为True时负号无法正常显示，参数为False时负号可以正常显示。（3）获取数据文件使用pandas库的read_excel()函数读取Excel文件；找到要分析的数据文件路径，复制该路径，完成参数设置。（4）选择聚类指标并查看结果从数据文件中选择特定的列，将这些列名赋值给变量column_names。这些列包括主营业务利润率（%）、成本费用利润率（%）、销售净利率（%）、净资产收益率（%）、应收账款周转率（次）、存货周转率（次）、流动比率、资产负债率（%）。将这些选定的列column_names存储在名为data的变量中，以便后续的数据处理和分析。然后输出（print）数据。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（5）计算最佳聚类个数并绘图显示创建一个聚类个数列表，将其命名为“center_list”；设置的聚类个数最小值为2，最大值为10；创建一个空的列表（fpcs），用于存储不同聚类个数下的模糊分类系数（fpc）；利用for循环读取列表center_list，尝试不同的聚类个数，并计算模糊分类系数（fpc）；将当前聚类个数下的模糊分类系数（fpc）添加到列表fpcs中。创建一个图形，并对图形进行设置：图形宽8英寸、高6英寸；绘制不同聚类个数下的模糊分类系数（fpc）关系图，线条颜色为蓝色（blue），设置X轴标签为聚类个数，Y轴标签为模糊分类系数（fpc）；图片保存名称为“最佳模糊聚类个数”，图片格式为png，最后显示（show）图形。（6）输入最佳聚类个数使用Python的input()方法，输入想要显示的文字和要聚类的个数（即图中看到的有效聚类数）。（7）模型建立基于输入的最佳聚类个数和聚类指标重新建立模型。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（8）获取聚类结果①

获取每个样本的隶属度:将隶属度矩阵转置，以便每列表示一个数据点，每行表示一个聚类中心的隶属度。创建一个新的DataFrame，其中每列对应一个聚类中心的隶属度，将DataFrame存于变量df_u中。列名根据聚类个数设置为“隶属度0”“隶属度1”等，最后把转置后的数据结果存入这个DataFrame中。②

获取每个样本聚类标签：使用np.argmax()函数获取每个数据点的最大隶属度的索引，作为其所属的类别标签，axis为0代表读取一行数据，每个公司对各个隶属点的隶属度在前面一步就存入到了每一行中，判断本行中最大的值，即为隶属度最高的隶属点，所以该公司就会被分入这个隶属类别。创建一个包含类别标签的DataFrame，列名为“类别”，将各公司的分类结果存入其中，并存于变量df_label中。③

合并数据：将公司的原始数据、公司各隶属点的隶属度数据以及最后归入的分类数据组合成最终的处理结果。使用pd.concat()函数对原始数据DataFrame、隶属度DataFrame和类别标签DataFrame进行拼接。将合并后的结果保存于新的DataFrame变量df_combined中，按列拼接。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导④

保存文件：通过DataFrame的to_excel()方法，将最终结果保存在文件（聚类结果.xlsx）中。单击“运行”按钮，财务比率指标的聚类分析结果如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练（一））数据分析与挖掘：Python应用财务年度报告词频统计实战演练操作步骤第一步导入python库第二步创建一个空列表第三步从文件中依次读取每行数据第四步统计词频并查看结果第五步保存词频并查看结果Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（1）导入python库导入pandas库，用于数据处理，并配置别名为pd；导入codecs库，用于以指定编码方式读取文件；导入collections模块中的Counter类，用于统计词频；导入jieba.analyse模块进行关键词提取。（2）创建一个空列表创建一个空列表，用于存储关键词提取的结果，并将该列表赋值给变量word_list。（3）从文件中依次读取每行数据使用for循环语句，依次读取“三元股份2022年年报.txt”中的每行数据；使用jieba.analyse模块提取关键词，并将提取的关键词添加到word_list列表中。（4）统计词频并查看结果使用Counter类统计数据源文件中关键词的词频并将其结果赋值给变量result；获取出现次数最多的前20个关键词及其词频，并将其结果赋值给变量top_data；输出top_data，查看结果。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章五、数据分析与挖掘实战演练过程指导（5）保存词频并查看结果用DataFrame创建一个数据表格，赋值给变量top_data_df，用于存储出现次数最多的前20个关键词及其词频；用pandas读取文件，将数据表格的列标题分别设置为“分词”和“词频”；将top_data_df数据写入Excel文件，将其命名为“词频结果”；输出top_data_df，查看结果。单击“运行”按钮，三元股份2022年财报词频统计结果如图2-66所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化任务情境和要求两大分析任务任务要求要求使用Python或可视化工具实现数据动态展示，保证图表直观、美观，并能够清晰传递信息。完成财务看板和经营看板的可视化设计，包括但不限于收入趋势图、资产负债率分析图、客户销售区域分布图及产品成本构成对比图等内容Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练（一）数据可视化：财务看板数据集成实战演练操作步骤第一步下载并上传数据第二步新建关联数据集第三步设置关联条件第四步执行并保存数据集第五步建模并查看结构化数据分析结果Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导1．数据集成（1）下载并上传数据进入本任务后，单击“任务资料”选项卡，将所需的“AJ公司资产负债表”“AJ公司利润表”“客户销售情况表”下载到本地，并上传至“我的数据”。（2）新建关联数据集在“数据准备”界面单击“新建”按钮，在弹出的“创建数据集”对话框中选择“关联数据集”，填写关联后的数据集名称“AJ公司数据集”，选择数据集的文件夹位置“我的数据”，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（3）设置关联条件分别将“AJ公司利润表”与“AJ公司资产负债表”拖曳至右侧空白区域。单击两个需要关联的表，在弹出的“连接”对话框中，选择“内连接”，关联字段为“报表日期=报表日期”，单击“确定”按钮，如图所示。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（4）执行并保存数据集单击右上角的“执行”按钮，预览数据结果，检查数据是否正确。单击“实时”按钮，在打开的面板中选中“数据物化”，将数据表固定，然后单击“保存”按钮。最后单击“执行”和“保存”按钮，完成数据集关联。Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练（一）数据可视化：财务看板营业收入变化趋势实战演练操作步骤第一步新建并命名文件夹第二步新建并命名故事板第三步新建可视化第四步选择数据源第五步命名可视化第六步选择维度与指标第七步指标排序第八步设置数据显示格式第九步选择图形第十步进行显示设置第十一步保存可视化并回到故事板Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（1）新建并命名文件夹进入“分析云”系统后，单击左侧菜单栏中的“分析设计”，然后单击“新建”按钮，从下拉菜单中选择“新建文件夹”命令，如图1所示。在打开的“新建文件夹”对话框中，将文件夹命名为“数据可视化（学生姓名，如张三）”，选择“我的故事板”文件夹，最后单击“保存”按钮，如图2所示。（2）新建并命名故事板创建好文件夹后，再次单击“新建”按钮，从下拉菜单中选择“新建故事板”命令，如图3所示。在打开的“新建故事板”对话框中，将故事板命名为“财务看板”，并保存在“数据可视化（张三）”文件夹中，单击“确认”按钮，如图4所示。图1图2图3图4Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（3）新建可视化进入故事板后，单击菜单栏中的“可视化”，从弹出菜单中选择“新建”，如图1所示。（4）选择数据源在“我的数据”下选择“AJ公司数据集”作为数据源，然后单击“确定”按钮，如图2所示。（5）命名可视化进入建立好的可视化后，将其命名为“营业收入趋势图”，如图3所示。（6）选择维度与指标将“年_报表日期”拖至右侧“维度”处，将“营业收入”拖至右侧“指标”处，如图4所示。图1图2图3图4Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（7）指标排序单击“年_报表日期”维度旁的倒三角按钮，从弹出的下拉菜单中选择“升序”→“年_报表日期”，如图1所示。（8）设置数据显示格式单击指标“营业收入”下拉菜单中的“数据格式”，进行数据显示格式设置，如图2所示。在打开的“数据显示格式”对话框中，设置缩放率为“100000000”，千分位为“启用”，后导符为“亿元”，小数位为“2”，单击“确定”按钮，如图3所示。图1图2图3Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（9）选择图形单击中间区域的“图形”，选择“折线图”，如图1所示。（10）进行显示设置单击“显示设置”，在“维度轴设置”中将标题设为“年份”，在“数值轴设置”中将标题设为“金额”，如图2所示。（11）保存可视化并回到故事板设置完成后，得到“营业收入趋势图”可视化，如图3所示，依次单击右上角的“保存”和“退出”按钮，回到故事板。图1图2图3Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练（一）数据可视化：财务看板营业收入平均值变化趋势实战演练操作步骤第一步复制可视化第二步编辑并命名可视化第三步拖曳指标至辅助线第四步设置辅助线第五步保存可视化并回到故事板Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（1）复制可视化单击上一任务“营业收入趋势图”可视化右上角的圆点图标，从弹出的菜单中选择“复制”命令，如图1所示，系统会复制一个可视化，名称为“营业收入趋势图-副本”，然后单击左上角的“保存”按钮。（2）编辑并命名可视化如图2所示，单击该可视化的“编辑”按钮

，进入可视化编辑界面，将可视化命名为“营业收入平均值”。（3）拖曳指标至辅助线将指标中的“营业收入”拖曳至“辅助线”区域，如图3所示。图1图2图3Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（4）设置辅助线在弹出的“设置辅助线”对话框中，设置指标聚合方式为“求和”；设置辅助线计算方式为“计算线”，在下拉列表中选择“平均值”；设置颜色为“黄色”（可任意选择所需颜色），单击“确定”按钮，如图1所示。（5）保存可视化并回到故事板设置完成后，得到“营业收入平均值”可视化，如图2所示，依次单击右上角的“保存”和“退出”按钮，回到故事板。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练（一）数据可视化：财务看板营业收入预警实战演练操作步骤第一步复制并命名可视化第二步拖曳指标至预警线第三步设置预警规则第四步设置预警人员第五步设置预警颜色第六步保存可视化并回到故事板Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（1）复制并命名可视化单击上一任务“营业收入平均值”可视化右上角的圆点图标，从弹出的菜单中选择“复制”命令，系统会复制一个可视化，名称为“营业收入平均值-副本”，单击左上角的“保存”按钮。然后单击该可视化右上角的“编辑”按钮，在可视化编辑界面中将可视化命名为“营业收入预警图”。（2）拖曳指标至预警线将指标中的“营业收入”拖曳至“预警线”区域，如图1所示。（3）设置预警规则在弹出的“设置指标预警”对话框中，设置指标聚合方式为“求和”，预警指标满足“任一条件”，单击“添加条件格式”按钮，设置“营业收入小于18”，如图2所示。图1图2Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练过程指导（4）设置预警人员单击“下一步”按钮，进入“预警人员”设置阶段，选择左侧框内需要通知预警的人员，单击“→”按钮，将该人员添加到右侧框内，如图1所示。（5）设置预警颜色单击“下一步”按钮，设置预警级别为“一般”，预警颜色为“红色”，单击“确认”按钮，如图2所示。（6）保存可视化并回到故事板设置完成后，得到“营业收入预警”可视化，如图3所示，依次单击右上角的“保存”和“退出”按钮，回到故事板。图1图2图3Python应用基础数据采集数据清洗数据集成数据分析与挖掘数据可视化第2章六、数据可视化实战演练（一）数据可视化：财务看板收入结构占比分析实战演