import pandas as pd from pmdarima import auto_arima import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 #有中文出现的情况，需要u'内容' # 从Excel文件读取数据 df1 = pd.read_excel('网上零售额.xlsx', header=None, names=['月份', '值']) # 将月份转换为pandas的日期格式 df1['月份'] = pd.to_datetime(df1['月份'], format='%Y年%m月') # 设置月份为索引 df1.set_index('月份', inplace=True) # 使用auto_arima自动寻找最佳ARIMA模型 model = auto_arima(df1['值'], seasonal=True, m=12) print(model.summary()) # 拟合模型 model.fit(df1['值']) # 进行预测 forecast = model.predict(n_periods=13) # 创建正确的预测日期索引（每个月的第一天） forecast_index = pd.date_range(start=df1.index[-1] + pd.offsets.MonthBegin(1), periods=13, freq='MS') # 创建预测数据的DataFrame forecast_df1 = pd.DataFrame({'预测': forecast}, index=forecast_index) # 打印forecast_df以进行调试 print(forecast_df1) # 创建包含历史和预测数据的DataFrame combined_index = df1.index.append(forecast_index) combined_values = pd.concat([df1['值'], pd.Series(forecast, index=forecast_index)]) combined_df = pd.DataFrame({'值': combined_values}, index=combined_index) # 将合并后的数据导出到Excel combined_df.to_excel('历史+预测-网上零售额合并后的数据.xlsx') # 可视化历史数据和预测数据 plt.figure(figsize=(10, 5)) plt.plot(df1, label='历史数据') plt.plot(forecast_df1, label='预测', color='red') plt.title("2024年网上零售额预测") plt.xlabel('日期') plt.ylabel('单位（亿元）') plt.legend() plt.show() df2 = pd.read_excel('零售总额.xlsx', header=None, names=['月份', '值']) # 将月份转换为pandas的日期格式 df2['月份'] = pd.to_datetime(df2['月份'], format='%Y年%m月') # 设置月份为索引 df2.set_index('月份', inplace=True) # 使用auto_arima自动寻找最佳ARIMA模型 model = auto_arima(df2['值'], seasonal=True, m=12) # 拟合模型 model.fit(df2['值']) # 进行预测 forecast = model.predict(n_periods=13) # 创建正确的预测日期索引（每个月的第一天） forecast_index = pd.date_range(start=df2.index[-1] + pd.offsets.MonthBegin(1), periods=13, freq='MS') # 创建预测数据的DataFrame forecast_df2 = pd.DataFrame({'预测': forecast}, index=forecast_index) # 打印forecast_df以进行调试 print(forecast_df2) # 创建包含历史和预测数据的DataFrame combined_index = df2.index.append(forecast_index) combined_values = pd.concat([df2['值'], pd.Series(forecast, index=forecast_index)]) combined_df = pd.DataFrame({'值': combined_values}, index=combined_index) # 将合并后的数据导出到Excel combined_df.to_excel('历史+预测-社会零售总额合并后的数据.xlsx') # 可视化历史数据和预测数据 plt.figure(figsize=(10, 5)) plt.plot(df2, label='历史数据') plt.plot(forecast_df2, label='预测', color='red') plt.title("2024年零售总额预测") plt.xlabel('日期') plt.ylabel('单位（亿元）') plt.legend() plt.show() # 读取数据 online_sales = pd.read_excel('历史+预测-网上零售额合并后的数据.xlsx', header=0, names=['月份', '网上零售额']) total_sales = pd.read_excel('历史+预测-社会零售总额合并后的数据.xlsx', header=0, names=['月份', '零售总额']) # print(online_sales) # 合并数据 merged_data = pd.merge(online_sales, total_sales, on='月份', how='inner') print(merged_data) # 计算占比 merged_data['Online_Percentage'] = merged_data['网上零售额'] / merged_data['零售总额'] * 100 merged_data['线下零售额'] = merged_data['零售总额'] - merged_data['网上零售额'] merged_data.to_excel('合并后的数据.xlsx', index=False) # 绘制图表 plt.figure(figsize=(10, 6)) plt.plot(merged_data['月份'], merged_data['Online_Percentage'], marker='o') plt.xlabel('月份') plt.ylabel('百分比 (%)') plt.title('网上零售额占社会零售总额百分比') plt.grid(True) plt.show()