Python在財(cái)稅中的應(yīng)用Python在財(cái)稅中的應(yīng)用目錄項(xiàng)目一項(xiàng)目二項(xiàng)目三項(xiàng)目四Python在財(cái)稅中的應(yīng)用概述Python在財(cái)務(wù)中的應(yīng)用Python在稅務(wù)管理中的應(yīng)用Python在行業(yè)數(shù)據(jù)分析中的應(yīng)用項(xiàng)目五綜合應(yīng)用Python在財(cái)稅中的應(yīng)用Python在財(cái)務(wù)中的應(yīng)用項(xiàng)目二任務(wù)一

應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)描述【任務(wù)描述】企業(yè)的采購模式：互聯(lián)網(wǎng)+采購模式，線上采購、電子化招標(biāo)。數(shù)字化采購提高了采購效率，有效降低了采購成本，同時(shí)也產(chǎn)生了大量的采購數(shù)據(jù)。采用大數(shù)據(jù)分析手段和分析思維，整合多維采購數(shù)據(jù)，通過挖掘、分析，可以進(jìn)一步幫助企業(yè)發(fā)揮采購數(shù)據(jù)價(jià)值，優(yōu)化采購方案和模式，為企業(yè)經(jīng)營增效。任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析案例導(dǎo)入【案例導(dǎo)入】海爾集團(tuán)：從庫存管理、需求尋源到最后的交付訂單、財(cái)務(wù)結(jié)算，其整個(gè)流程全部通過全生命周期進(jìn)行數(shù)字化管理。電纜是海爾集團(tuán)眾多產(chǎn)品都要使用的部件，海爾集團(tuán)通過對空調(diào)、洗衣機(jī)、電冰箱等產(chǎn)品所用到的電纜采購、耗用數(shù)據(jù)進(jìn)行分析后，重新統(tǒng)一進(jìn)行了分析設(shè)計(jì)，將所采購的電纜由原來的幾百種減少為十幾種。合理恰當(dāng)應(yīng)用采購數(shù)據(jù)做分析，能幫助企業(yè)找到降低采購成本、提高采購效率和消除采購風(fēng)險(xiǎn)的解決方法。任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析采購業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】進(jìn)行采購業(yè)務(wù)分析的第一步是確定采購分析的主要目標(biāo)。通過對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析，可以找到降低采購成本、提高采購效率、消除采購風(fēng)險(xiǎn)的解決方法。（一）

采購分析的主要目標(biāo)任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析采購業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識（二）采購成本的影響因素【知識儲(chǔ)備】任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析采購業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識（三）采購分析的數(shù)據(jù)采集渠道采購數(shù)據(jù)來源采購數(shù)據(jù)集【知識儲(chǔ)備】任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析采購業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識（三）采購分析的數(shù)據(jù)采集渠道采購數(shù)據(jù)分析【知識儲(chǔ)備】數(shù)據(jù)分析維度時(shí)間維度：按年、月、周等；采購方式：對采購金額占比，采購趨勢變化等；一定時(shí)段的采購金額、采購訂單量、采購申請量、成本節(jié)約率進(jìn)行分析任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】head()函數(shù)：查看pandasDataFrame的前n行（默認(rèn)前5行）df.head()#默認(rèn)顯示前5行df.head(3)#顯示前3行缺失值的處理在pandas中空值和缺失值是不同的。pandas中的空值是：""，如果是DataFrame中,缺失值可以表示為nan或者naT（缺失時(shí)間）。如果是在Series中，則為none或者nan。處理缺失值常用的方法有兩種：一種是刪除(dropna），另一種是填充（fillna）任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】DataFrame.fillna(value=None,method=None,axis=None,inplace=False,limit=None,downcast=None,**kwargs)缺失值的處理：fillna函數(shù)第2行：value參數(shù)：用于指定替換缺失值的“新值”，可以是標(biāo)量、dict、series或DataFrame中一種。第3行：method參數(shù)：指定填充缺失值所用的方法，可取值為backfill、bfill、pad、ffill，默認(rèn)為None。第4行：axis參數(shù)：指定填充維度，從行（0）開始或是從列（1）開始。第5行：inplace參數(shù)：若為True則表示直接在原數(shù)據(jù)上修改，否則將生成新的值。第6行：limit參數(shù)：確定填充的個(gè)數(shù)，如果limit=2，則只填充兩個(gè)缺失值。第7行：downcat參數(shù)：默認(rèn)為None，可取值為downcast=’infer’，可以實(shí)現(xiàn)將類型float64向下轉(zhuǎn)換為int64，此參數(shù)一般不用填寫任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)要求【任務(wù)實(shí)施】任務(wù)要求某制造企業(yè)，想要了解公司前五大供應(yīng)商在公司采購總額中的占比情況，以便分析采購供應(yīng)商集中度，對重要供應(yīng)商做出評估，同時(shí)來確定企業(yè)采購風(fēng)險(xiǎn)。現(xiàn)在請根據(jù)財(cái)務(wù)人員采集到的2019、2020年公司采購材料匯總表，請根據(jù)操作任務(wù)步驟要求，完成操作。任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】1.導(dǎo)入numpy及pandas包importnumpyasnpimportpandasaspd2.導(dǎo)入“供應(yīng)商信息.xlsx”,并打印前五行，觀察數(shù)據(jù)格式。df=pd.read_excel('excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/供應(yīng)商信息.xlsx')df.head()任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】3.匯總2019年、2020年該公司主要外購材料采購總金額，要求有合計(jì)，缺失值用0填充。df_wide=df.pivot_table(index=['采購材料名稱'],columns=['年份'],values='金額',aggfunc=np.sum,fill_value=0,margins=True,margins_name='合計(jì)')df_=''df_wide第1行：調(diào)用DataFrame提供的pivot_table方法實(shí)現(xiàn)數(shù)據(jù)透視操作。此方法返回新的數(shù)據(jù)透視表（即DataFrame對象）。本例使用df_wide保存返回的數(shù)據(jù)透視表。第2行：設(shè)置df_wide中列的名稱為空。第3行：顯示打印df_wide數(shù)據(jù)任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】pivot_table方法：實(shí)現(xiàn)Excel數(shù)據(jù)透視功能。pd.pivot_table(data,values=None,index=None,columns=None,aggfunc='mean',fill_value=None,margins=False,dropna=True,margins_name='All')各參數(shù)含義如下：data:數(shù)據(jù)集values:要聚合的列，默認(rèn)情況下對所有數(shù)值型變量聚合。index:要在數(shù)據(jù)透視表上分組的變量，可設(shè)置多個(gè)列，實(shí)現(xiàn)多層分組。本例為使用“采購材料名稱”列的值作為數(shù)據(jù)透視表中的索引列。columns:要在數(shù)據(jù)透視表上分組的變量，注意其每個(gè)取值作為1列，實(shí)現(xiàn)“長表”轉(zhuǎn)化為“寬表”。本例為使用“采購材料名稱”列的值作為數(shù)據(jù)透視表中的索引列。aggfunc:對values進(jìn)行計(jì)算，默認(rèn)為np.mean。本例使用np.sum對年份的值進(jìn)行求和。fill_value:要用來替換缺失值的值（在聚合后生成的數(shù)據(jù)透視表中）。本例為使用0填充缺失值。margins參數(shù)指定是否添加匯總行、匯總列；本例中margins參數(shù)取值為True，即添加匯總行和匯總列。margins_name參數(shù)指定匯總行列的名稱。本例為使用“合計(jì)”作為匯總行、匯總列的名稱。任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】4.對公司2019年、2020年主要外購材料的采購金額用條形圖展示。frommatplotlibimportpyplotaspltplt.rcParams['font.family']=‘SimHei’plt.rcParams['axes.unicode_minus']=Falseplt.rcParams['font.size']=22df_wide[['2019年','2020年']].drop('合計(jì)').plot(kind='bar',figsize=(18,6),title='主要外購材料2019年與2020年采購金額對比',rot=0)第1行：從matplotlib庫中導(dǎo)入pyplot模塊并命名為plt。第2行：指定中文字體為黑體，以保證中文能夠正常顯示。第3行：設(shè)置坐標(biāo)軸刻度標(biāo)簽正常顯示正負(fù)號。第4行：設(shè)置圖表中文字大小為22第5行：從df_wide中取出2019年、2020年兩列的數(shù)據(jù)，并丟棄最后一行“合計(jì)”數(shù)據(jù)后繪制條形圖。plot方法中kind參數(shù)指定圖表類型為條形圖、figsize指定圖表大小、title指定圖表的標(biāo)題、rot表示圖表標(biāo)簽的旋轉(zhuǎn)角度，取值0表示不旋轉(zhuǎn)。任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】5.列出2019年、2020年該公司前五大供應(yīng)商名稱、采購金額、占年度采購總額比例。df_total_arr=[]foryear,_dfindf.groupby(['年份']):_sum=_df['金額'].sum()_sub=_df.groupby(['年份','供應(yīng)商名稱']).sum().sort_values(by='金額',ascending=False)_sub['年度采購總額比例']=_sub['金額']/_sum_sub=_sub.head(5)

_sub.loc[(year,f'{year}前五合計(jì)'),:]=_sub.sum()_sub['年度采購總額比例']=_sub['年度采購總額比例'].apply(lambdax:format(x,'.2%'))df_total_arr.append(_sub)df_total=pd.concat(df_total_arr)df_total按“年份”分組，并遍歷

計(jì)算當(dāng)前分組中金額列的總和根據(jù)“年份、供應(yīng)商名稱”進(jìn)行分組追加1行，用于各列值的匯總求和將“年度采購總額比例”列的值改為百分比寫法，并保留2位小數(shù)任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】6.列出2019-2020年公司前五大供應(yīng)商所有材料各自的采購總金額。df_product=df.pivot_table(index=['年份','供應(yīng)商名稱'],columns='采購材料名稱',values='金額',aggfunc=np.sum,fill_value=0).applymap(lambdax:format(x,'.2f'))df_top5=pd.merge(df_total,df_product,left_index=True,right_index=True,how='left').fillna('-')df_top5第1行：在數(shù)據(jù)集df上創(chuàng)建數(shù)據(jù)透視表df_product。其中index參數(shù)表示使用“年份、供應(yīng)商”名稱作為透視表中“索引”列、columns參數(shù)表示使用“采購材料名稱”作為透視表中“列”、values參數(shù)表示對“金額”進(jìn)行聚合、aggfunc表示進(jìn)行求和操作、fill_value參數(shù)表明缺失值使用0表示、applymap函數(shù)作用是應(yīng)用匿名函數(shù)將所有金額保留2位小數(shù)。第2行：使用merge函數(shù)將df_total和df_product進(jìn)行左連接，并將結(jié)果保存在df_top5中。merge函數(shù)中參數(shù)left_index表示是否使用左側(cè)行索引作為連接鍵、right_index表示是否使用右側(cè)行索引作為連接鍵、how參數(shù)指定連接方式，取值left則表明為左連接。fillna函數(shù)指定缺失值使用短橫線代替。任務(wù)一應(yīng)用Python對采購業(yè)務(wù)數(shù)據(jù)進(jìn)行分析Python在財(cái)稅中的應(yīng)用Python在財(cái)務(wù)中的應(yīng)用項(xiàng)目二任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)描述【任務(wù)描述】存貨作為企業(yè)的一項(xiàng)非常重要的資產(chǎn)，存貨問題也早已被稱為是企業(yè)的利潤源泉。企業(yè)經(jīng)營者開始意識到了存貨管理的重要性，對存貨管理的方法進(jìn)行探索，應(yīng)用比較廣泛的存貨管理方法有ABC分類法、經(jīng)濟(jì)批量訂貨模型、準(zhǔn)時(shí)制和供應(yīng)商管理庫存等。應(yīng)用“大數(shù)據(jù)、互聯(lián)網(wǎng)+”技術(shù)，為存貨管理提供新思路。任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)描述【任務(wù)描述】存貨作為企業(yè)的一項(xiàng)非常重要的資產(chǎn)，存貨問題也早已被稱為是企業(yè)的利潤源泉。企業(yè)經(jīng)營者開始意識到了存貨管理的重要性，對存貨管理的方法進(jìn)行探索，應(yīng)用比較廣泛的存貨管理方法有ABC分類法、經(jīng)濟(jì)批量訂貨模型、準(zhǔn)時(shí)制和供應(yīng)商管理庫存等。應(yīng)用“大數(shù)據(jù)、互聯(lián)網(wǎng)+”技術(shù)，為存貨管理提供新思路。任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析案例導(dǎo)入【案例導(dǎo)入】京東商城作為現(xiàn)代網(wǎng)絡(luò)購物的龍頭企業(yè)之一，具有巨大銷售量和海量數(shù)據(jù)，具備大數(shù)據(jù)實(shí)施與技術(shù)應(yīng)用基礎(chǔ)。京東結(jié)合了大數(shù)據(jù)的庫存管理體系，主要由五部分組成：銷量預(yù)測、補(bǔ)貨系統(tǒng)、健康庫存、供應(yīng)商管理、指揮選品及定價(jià)。應(yīng)用“大數(shù)據(jù)、互聯(lián)網(wǎng)+”技術(shù)，為存貨管理提供新思路。任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析存貨業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（一）傳統(tǒng)存貨管理的現(xiàn)狀及缺陷

倉儲(chǔ)管理是存貨管理中的關(guān)鍵，倉儲(chǔ)管理是指企業(yè)在倉庫和倉庫中儲(chǔ)存的物資進(jìn)行管理。倉庫是連接供應(yīng)和需求的橋梁，作為商品流通中心的倉庫必須要以最大的靈活性和及時(shí)性來滿足需求。傳統(tǒng)的存貨量分為兩種：生產(chǎn)存貨和產(chǎn)品存貨。生產(chǎn)存貨數(shù)量一般為滿足生產(chǎn)的正常供給，多以生產(chǎn)的供給的經(jīng)驗(yàn)速度來控制進(jìn)貨速度和頻率，人為控制性較大，經(jīng)驗(yàn)判斷也經(jīng)常會(huì)帶來一些問題。任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析存貨業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（二）大數(shù)據(jù)庫存管理任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析海爾庫存管理方法海爾通過信息化管理，實(shí)現(xiàn)三個(gè)JIT。JIT采購：按照計(jì)算機(jī)系統(tǒng)的采購計(jì)劃，需要多少就采購多少。JIT送料：將各種零件暫時(shí)存放在海爾的立體倉庫，然后由計(jì)算機(jī)進(jìn)行配套，把配置好的零部件直接送到生產(chǎn)線。海爾在全國都建有物流中心系統(tǒng)，無論在全國什么地方，海爾都可以快速送貨，實(shí)現(xiàn)JIT配送。存貨業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（二）大數(shù)據(jù)庫存管理任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】openpyxl庫：使用最廣泛的、用于處理Excel文件的第三方庫，其提供了讀寫xlsx/xlsm/xltm/xltx等Excel格式文件功能，同時(shí)還能處理單元格格式、圖片、表格、公式、篩選、批注、文件保護(hù)等。任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析#安裝openpyxl庫pipinstallopenpyxlopenpyxl庫提供了大量操作Excel文件的方法，其中l(wèi)oad_workbook可用于讀取外部Excel文件并返回Workbook對象，使用load_workbook方法需先從openpyxl庫中導(dǎo)入。fromopenpyxlimportload_workbook相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】os庫：提供了通用和基本的操作系統(tǒng)相關(guān)操作，其包含了數(shù)百個(gè)函數(shù)，包括路徑操作、進(jìn)程管理、環(huán)境參數(shù)等。任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析使用方法：iloc[行索引、列索引]df.iloc[:]#篩選所有數(shù)據(jù)df.iloc[:3]#篩選前3行iloc函數(shù)：使用數(shù)字作為索引進(jìn)行數(shù)據(jù)篩選。任務(wù)要求【任務(wù)實(shí)施】

某機(jī)械制造有限責(zé)任公司主要生產(chǎn)紡織生產(chǎn)設(shè)備，倉庫每天會(huì)記錄原材料的出入庫情況，無法從庫存材料明細(xì)表中快速得知當(dāng)月具體材料每天的出入庫情況。

現(xiàn)根據(jù)本公司提供的庫存材料明細(xì)表，分類匯總本公司各種原材料在6月份每天的出入庫數(shù)量及金額，便于后續(xù)計(jì)算6月份各種原材料的總出入庫數(shù)量及金額，從而規(guī)范本公司原材料出入庫制度，以此提高公司的倉儲(chǔ)管理。

請根據(jù)操作任務(wù)步驟要求完成操作。任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【知識實(shí)施】1.導(dǎo)入相關(guān)庫任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析importpandasaspdfromopenpyxlimportload_workbookimportos2.讀取讀取文件“庫存材料明細(xì)表1.xlsx”，并顯示前5行數(shù)據(jù)data=pd.read_excel('excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/原材料出入庫1/庫存材料明細(xì)表1.xlsx')data.head()任務(wù)實(shí)施【知識實(shí)施】3.查看data數(shù)據(jù)類型任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析

data.dtypes4.轉(zhuǎn)換“日期”列的數(shù)據(jù)類型，從datetime類型轉(zhuǎn)換為date類型data['日期']=data['日期'].dt.datedata.head()任務(wù)實(shí)施【知識實(shí)施】5.對庫存材料明細(xì)表中的數(shù)據(jù)按“材料名稱”進(jìn)行分組，將各分組數(shù)據(jù)保存各自Excel文件中。例如：材料名稱為“RS01”的明細(xì)記錄保存到RS01.xlsx文件中任務(wù)二應(yīng)用Python對存貨業(yè)務(wù)數(shù)據(jù)進(jìn)行分析forname,dfindata.groupby('材料名稱'):print(name)ifos.path.exists(f"excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/原材料出入庫1/{name}.xlsx"):workbook=load_workbook(filename=f"excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/原材料出入庫1/{name}.xlsx")else:print(f"excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/原材料出入庫1/{name}.xlsx不存在")continuesheet=workbook.activedf=df.iloc[:,1:]df=df.drop(['材料類別','材料名稱'],axis=1)sheet.delete_rows(idx=4,amount=1000)forrowindf.values.tolist():sheet.append(row)print(row)print(f"保存到{name}.xlsx文件中")workbook.save(filename=f"excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/原材料出入庫1/{name}.xlsx")workbook.close()Python在財(cái)稅中的應(yīng)用Python在財(cái)務(wù)中的應(yīng)用項(xiàng)目二任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)描述【任務(wù)描述】大數(shù)據(jù)技術(shù)及資源作為網(wǎng)絡(luò)時(shí)代要素之一，具有增強(qiáng)數(shù)據(jù)分析、利用、存儲(chǔ)、挖掘能力等積極意義。大數(shù)據(jù)內(nèi)涵進(jìn)行分析可知，其具有大量、真實(shí)、高速等特點(diǎn)，雖然單一數(shù)據(jù)價(jià)值較低，但海量數(shù)據(jù)信息可以有效體現(xiàn)客觀事物動(dòng)態(tài)，加之?dāng)?shù)據(jù)挖掘技術(shù)合理應(yīng)用，能夠揭示研究對象發(fā)展規(guī)律。將大數(shù)據(jù)技術(shù)應(yīng)用到單位固定資產(chǎn)管理活動(dòng)中，可以揭示固定資產(chǎn)管理規(guī)律，管理人員可根據(jù)單位的固定資產(chǎn)利用實(shí)況不斷改進(jìn)管理決策，聯(lián)合基建部門、財(cái)務(wù)等部門做好固定資產(chǎn)協(xié)同管理工作，繼而降低管理成本，提高固定資產(chǎn)利用率，使固定資產(chǎn)管理活動(dòng)更為科學(xué)有效。任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析案例導(dǎo)入【案例導(dǎo)入】為解決固定資產(chǎn)管理數(shù)據(jù)信息急速膨脹，數(shù)據(jù)應(yīng)用效率較低，無法有效規(guī)避固定資產(chǎn)管理風(fēng)險(xiǎn)等具體問題，事業(yè)單位需在“互聯(lián)網(wǎng)+”思維加持下妥善應(yīng)用大數(shù)據(jù)，為有關(guān)技術(shù)及資源的利用給予條件支持，可以從下面幾個(gè)方面分析：第一，構(gòu)設(shè)完善、穩(wěn)定、安全且富有延展性的網(wǎng)絡(luò)架構(gòu)，提升數(shù)據(jù)傳輸效率，消除數(shù)據(jù)共享壁壘，疏通大數(shù)據(jù)流通渠道，為固定資產(chǎn)管理有關(guān)數(shù)據(jù)信息的充分利用奠定基礎(chǔ)。第二，做好基礎(chǔ)設(shè)施配置工作，在采購、盤點(diǎn)、折舊等領(lǐng)域應(yīng)用先進(jìn)技術(shù)手段，提高數(shù)據(jù)統(tǒng)籌效率，加強(qiáng)數(shù)據(jù)分析反饋，為固定資產(chǎn)實(shí)時(shí)管控提供依據(jù)。第三，加大信息系統(tǒng)升級優(yōu)化力度，確保大數(shù)據(jù)應(yīng)用與時(shí)俱進(jìn)，避免出現(xiàn)固定資產(chǎn)管理需求與大數(shù)據(jù)應(yīng)用條件不配套消極現(xiàn)象，使固定資產(chǎn)是信息化管理措施更為有效。任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（一）固定資產(chǎn)的定義與分類任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析固定資產(chǎn)是指企業(yè)為生產(chǎn)商品、提供勞務(wù)、出租或經(jīng)營管理而持有的、使用壽命超過一個(gè)會(huì)計(jì)年度的有形資產(chǎn)。在中國的會(huì)計(jì)制度中，固定資產(chǎn)通常是指使用期限超過一年的房屋、建筑物、機(jī)器、運(yùn)輸工具以及其他與生產(chǎn)經(jīng)營有關(guān)的設(shè)備、器具和工具等。從會(huì)計(jì)的角度劃分，固定資產(chǎn)一般分為生產(chǎn)用固定資產(chǎn)、非生產(chǎn)用固定資產(chǎn)、租出固定資產(chǎn)、未使用固定資產(chǎn)、不需用固定資產(chǎn)、融資租賃固定資產(chǎn)、接受融資固定資產(chǎn)等。固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（二）固定資產(chǎn)的初始計(jì)量任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析固定資產(chǎn)的初始計(jì)量是指固定資產(chǎn)的取得成本。取得成本包括企業(yè)為構(gòu)建某項(xiàng)固定資產(chǎn)達(dá)到預(yù)定可使用狀態(tài)前所發(fā)生的一切合理的、必要的支出。固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（三）固定資產(chǎn)的后續(xù)計(jì)量任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析固定資產(chǎn)的初始計(jì)量是指固定資產(chǎn)的取得成本。取得成本包括企業(yè)為構(gòu)建某項(xiàng)固定資產(chǎn)達(dá)到預(yù)定可使用狀態(tài)前所發(fā)生的一切合理的、必要的支出。固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】折舊方法計(jì)算公式任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析1.年限平均法又稱直線法，是指固定資產(chǎn)的應(yīng)計(jì)折舊額均衡地分?jǐn)偟焦潭ㄙY產(chǎn)預(yù)計(jì)使用壽命內(nèi)的一種方法，采用這種方法計(jì)算的每期折舊額均相等，計(jì)算公式如下：年折舊率=(1-預(yù)計(jì)凈殘值率)÷預(yù)計(jì)使用壽命(年)×100%月折舊率=年折舊率÷12月折舊額=固定資產(chǎn)原價(jià)×月折舊率2.雙倍余額遞減法年折舊率=2/預(yù)計(jì)的折舊年限×100%年折舊額=固定資產(chǎn)期初折余價(jià)值×年折舊率月折舊率=年折舊率÷12月折舊額=年初固定資產(chǎn)折余價(jià)值×月折舊率固定資產(chǎn)期初賬面凈值=固定資產(chǎn)原值-累計(jì)折舊最后兩年的每年折舊額=（固定資產(chǎn)原值-累計(jì)折舊-資產(chǎn)減值準(zhǔn)備-預(yù)計(jì)凈殘值）/2固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】折舊方法計(jì)算公式任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析3.年數(shù)總和法逐年遞減分?jǐn)?shù)的分子代表固定資產(chǎn)尚可使用的年數(shù)；分母代表使用年數(shù)的逐年數(shù)字之總和，假定使用年限為n年，分母即為1+2+3+……+n=n（n+1）÷2，相關(guān)計(jì)算公式如下：年折舊率=尚可使用年數(shù)/年數(shù)總和×100%年折舊額=（固定資產(chǎn)原值－預(yù)計(jì)凈殘值）×年折舊率月折舊率=年折舊率/12月折舊額=（固定資產(chǎn)原值-預(yù)計(jì)凈殘值）×月折舊率4.工作量法是根據(jù)實(shí)際工作量計(jì)算每期應(yīng)提折舊額的一種方法。計(jì)算公式如下：單位工作量折舊量折舊額=固定資產(chǎn)原價(jià)x（1-預(yù)計(jì)凈殘值率）/預(yù)計(jì)總工作量某項(xiàng)固定資產(chǎn)月折舊額=該項(xiàng)固定資產(chǎn)當(dāng)月工作量X單位工作量折舊額任務(wù)要求【任務(wù)實(shí)施】

某科技有限公司因?yàn)楣潭ㄙY產(chǎn)前期的損耗比較大，企業(yè)覺得直線法攤銷不是特別合理，會(huì)計(jì)小王提出可以采用雙倍余額遞減法來計(jì)提折舊。

現(xiàn)在提供固定資產(chǎn)信息，請計(jì)算出各類別固定資產(chǎn)的年折舊額。任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】1.導(dǎo)入相關(guān)庫任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析importpandasaspdimportnumpyasnp2.讀取'固定資產(chǎn)3.xlsx'工作簿中的工作表賦值給datadata=pd.read_excel('excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/固定資產(chǎn)3.xlsx')data.head()任務(wù)實(shí)施【任務(wù)實(shí)施】3.根據(jù)不同的使用年限，按雙倍余額遞減法計(jì)算每一年的折舊，將所有的表存放在dfs列表中任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析dfs=[]foryear,dfindata.groupby('使用年限'):amounts=0yearlyDepre=2/yearperiod=list(iforiinrange(1,year+1))foriinperiod:ifi==1:df['第'+str(i)+'年']=round(df['原值']*yearlyDepre,2)elifyear-i<2:df['第'+str(i)+'年']=round((df['原值']-amounts-df['原值']*df['殘值率'])/2,2)else:df['第'+str(i)+'年']=round((df['原值']-amounts)*yearlyDepre,2)ifyear-i<2:amounts+=0else:amounts+=df['第'+str(i)+'年']display(df)dfs.append(df)根據(jù)“使用年限”列進(jìn)行分組根據(jù)年限生成[1-使用年限]的列表period根據(jù)年份計(jì)算折舊額如果是最后2年，不累加任務(wù)實(shí)施【任務(wù)實(shí)施】4.將dfs列表中的表格縱向合并任務(wù)三應(yīng)用Python對固定資產(chǎn)業(yè)務(wù)數(shù)據(jù)進(jìn)行分析new_df=pd.concat(dfs)new_df.head()5.將'按雙倍余額遞減法計(jì)提折舊.xlsx'工作簿導(dǎo)出，并去掉索引

new_df.to_excel('按雙倍余額遞減法計(jì)掉折舊.xlsx',index=False)Python在財(cái)稅中的應(yīng)用Python在財(cái)務(wù)中的應(yīng)用項(xiàng)目二任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)描述【任務(wù)描述】職工薪酬活動(dòng)是企業(yè)經(jīng)營管理的重要內(nèi)容之一。大數(shù)據(jù)、云會(huì)計(jì)等信息技術(shù)為職工薪酬核算、管理與控制提供了技術(shù)支撐。以大數(shù)據(jù)為工具，對職工薪酬活動(dòng)的現(xiàn)金流、業(yè)務(wù)流和信息流進(jìn)行理論分析，構(gòu)建基于業(yè)財(cái)一體化的職工薪酬活動(dòng)為模型，從職工薪酬活動(dòng)業(yè)財(cái)一體化管控平臺等方面詳細(xì)分析該模型的應(yīng)用價(jià)值，以期為企業(yè)職工薪酬管理提供借鑒與指導(dǎo)。任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析案例導(dǎo)入【案例導(dǎo)入】華為薪酬管理制度主要包括以下五個(gè)基本原則：公平、競爭、激勵(lì)、經(jīng)濟(jì)、合法。公平：指相同崗位的不同員工享受同等級的薪酬待遇，同時(shí)根據(jù)員工績效、服務(wù)年限、工作態(tài)度等方面的表現(xiàn)不同，對職級薪級進(jìn)行動(dòng)態(tài)調(diào)整，可上可下同時(shí)享受或承擔(dān)不同的工資差異。競爭：使公司的薪酬體系在同行業(yè)和同區(qū)域有一定的競爭優(yōu)勢；激勵(lì)：指制定具有上升和下降的動(dòng)態(tài)管理，對相同職級的薪酬實(shí)行區(qū)域管理，充分調(diào)動(dòng)員工的積極性和責(zé)任心；經(jīng)濟(jì)：指在考慮集團(tuán)貢公司承受能力大小、利潤和合理積累的情況下，合理制定薪酬，使員工與企業(yè)能夠利益共享；合法：指方案建立在遵守國家相關(guān)政策、法律法規(guī)和集團(tuán)公司管理制度基礎(chǔ)上。任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析職工薪酬業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（一）職工薪酬的具體范圍

職工薪酬是指企業(yè)為獲得職工提供的服務(wù)或解除勞動(dòng)關(guān)系而給予各種形式的報(bào)酬或補(bǔ)償。具體包括:短期薪酬、離職后福利、辭退福利和其他長期職工福利。企業(yè)提供給職工配偶、子女受贍養(yǎng)人、已故員工遺屬及其他受益人等的福利，也屬于職工薪酬。任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析職工薪酬業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（二）職工薪酬的分析方向：從內(nèi)部和外部的指標(biāo)來分析。

任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】drop函數(shù)：用于刪除Series的元素或DataFrame的某一行（列）任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析

drop([],axis=0,inplace=False)默認(rèn)情況下刪除某一行或者幾行，如果要?jiǎng)h除列必須axis=1。注意：inplace為True則表示在原數(shù)據(jù)上操作，為False表明在原數(shù)據(jù)的copy上操作繪圖庫matplotlib

frommatplotlibimportpyplotasplt

Matplotlib是Python的一個(gè)繪圖庫，是Python中最常用的可視化工具之一，可以非常方便地創(chuàng)建2D圖表和一些基本的3D圖表。

它以各種硬復(fù)制格式和跨平臺的交互式環(huán)境生成出版質(zhì)量級別的圖形。開發(fā)者可以僅需要幾行代碼便可以生成柱狀圖、直方圖、散點(diǎn)圖等。任務(wù)要求【任務(wù)實(shí)施】任務(wù)要求任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析請根據(jù)某機(jī)械制造有限公司的人員工資表進(jìn)行分析公司內(nèi)不同崗位的待遇情況。任務(wù)實(shí)施【任務(wù)實(shí)施】1.讀取數(shù)據(jù)文件任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析importpandasaspddf=pd.read_excel('execl/SD財(cái)務(wù)數(shù)據(jù)分析案例集/人員工資表.xlsx').fillna(0)df任務(wù)實(shí)施【任務(wù)實(shí)施】2.刪除名稱為“Unnamed:0”的列任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析df=df.drop('Unnamed:0',axis=1)df任務(wù)實(shí)施【任務(wù)實(shí)施】3.統(tǒng)計(jì)不同部門的平均考勤天數(shù)任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析df_1=df.pivot_table(values='考勤實(shí)際天數(shù)',index='部門',aggfunc='mean').round(2)df_1第1行：對df數(shù)據(jù)表進(jìn)行數(shù)據(jù)透視并將結(jié)果保存到df_1中。數(shù)據(jù)透視表根據(jù)“部門”進(jìn)行分組，對每組“考勤實(shí)際天數(shù)”的數(shù)據(jù)計(jì)算均值并四舍五入保留2位小數(shù)。任務(wù)實(shí)施【任務(wù)實(shí)施】4.繪制部門平均考勤天數(shù)對比圖任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析frommatplotlibimportpyplotaspltplt.rcParams['font.family']='SimHei'plt.rcParams['axes.unicode_minus']=Falseplt.rcParams['font.size']=22df_1.plot(kind='bar',figsize=(18,6),title='考勤實(shí)際天數(shù)對比圖',rot=0,color='red')plt.xlabel('部門')plt.ylabel('考勤天數(shù)')fora,yinenumerate(df_1['考勤實(shí)際天數(shù)']):plt.text(a,y+0.5,"%s"%y)從matplotlib庫中導(dǎo)入pyplot模塊，并命名為plt設(shè)置圖表參數(shù)，分別為設(shè)置中文字體為黑體、正常顯示負(fù)號和設(shè)置字體大小調(diào)用df_1數(shù)據(jù)表的plot函數(shù)繪制柱狀圖。參數(shù)kind=’bar’表示圖表類型為柱狀圖、figsize表示圖像大小、title表示圖表標(biāo)題、rot=0表示軸標(biāo)簽文本不旋轉(zhuǎn)、color=‘red’表示圖表顏色為紅色遍歷df_1數(shù)據(jù)表中“考勤實(shí)際天數(shù)”列數(shù)據(jù)。enumerate()函數(shù)用于將一個(gè)可遍歷的數(shù)據(jù)對象組合為一個(gè)索引序列任務(wù)實(shí)施【任務(wù)實(shí)施】4.繪制部門平均考勤天數(shù)對比圖任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)實(shí)施【任務(wù)實(shí)施】5.統(tǒng)計(jì)不同崗位的平均基本工資、平均社?；鶖?shù)、平均實(shí)發(fā)工資，并按實(shí)發(fā)工資從高到低排序。任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析df_2=df.pivot_table(values=['基本工資','社?；鶖?shù)','實(shí)發(fā)工資'],index='崗位',aggfunc='mean').round(2)df_2=df_2.sort_values(by='實(shí)發(fā)工資',ascending=False).reset_index()df_2第1行：在數(shù)據(jù)表df進(jìn)行數(shù)據(jù)透視，并將結(jié)果保存到df_2中。數(shù)據(jù)透視表中以“崗位”以分組進(jìn)行分組，并對“基本工資、社?；鶖?shù)、實(shí)發(fā)工資”三列的值計(jì)算均值，并設(shè)置透視表中數(shù)值保留2位小數(shù)。第2行：對數(shù)據(jù)表df_2根據(jù)“實(shí)發(fā)工資”字段進(jìn)行倒序排列，并重置索引為數(shù)值。任務(wù)實(shí)施【任務(wù)實(shí)施】6.將以上的崗位待遇繪制成條形對比圖任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析frommatplotlibimportpyplotaspltplt.rcParams['font.family']='SimHei'plt.rcParams['axes.unicode_minus']=Falseplt.rcParams['font.size']=22fig=plt.figure(figsize=(22,8),dpi=80)a=range(len(df_2['崗位']))y_1=df_2['基本工資']y_2=df_2['實(shí)發(fā)工資']y_3=df_2['社?；鶖?shù)']bar_width=0.2plt.bar(a,y_1,width=0.2,alpha=0.75,label='基本工資')plt.bar([i+bar_widthforiina],y_2,width=0.2,alpha=0.75,label='實(shí)發(fā)工資')plt.bar([i+bar_width*2foriina],y_3,width=0.2,alpha=0.75,label='社保基數(shù)')從matplotlib庫中導(dǎo)入pyplot模塊，并命名為plt設(shè)置圖表參數(shù)，分別為設(shè)置中文字體為黑體、正常顯示負(fù)號和設(shè)置字體大小設(shè)置圖表大小和分辨率依次數(shù)據(jù)表df_2中獲取三列的值，類型為Series繪制柱狀圖，bar函數(shù)的第1個(gè)參數(shù)表示x軸坐標(biāo)、第2個(gè)參數(shù)表示y軸值,width表示寬度、alpha表示透明度、label表示圖例的標(biāo)簽名任務(wù)實(shí)施【任務(wù)實(shí)施】6.將以上的崗位待遇繪制成條形對比圖任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析plt.xticks([i+bar_widthforiina],df_2['崗位'])plt.legend()plt.xlabel('崗位')plt.ylabel('單位：元')plt.title('崗位待遇對比圖')fora,yinenumerate(y_1):plt.text(a-0.2,y+100,"%s"%y)fora,yinenumerate(y_2):plt.text(a+0.1,y+500,"%s"%y)fora,yinenumerate(y_3):plt.text(a+0.2,y+1000,"%s"%y)plt.show()繪制數(shù)據(jù)項(xiàng)（柱子）的數(shù)據(jù)標(biāo)注設(shè)置x軸的刻度文本設(shè)置顯示圖例設(shè)置x軸和y軸的標(biāo)簽文本、圖表的標(biāo)題任務(wù)實(shí)施【任務(wù)實(shí)施】6.將以上的崗位待遇繪制成條形對比圖任務(wù)四應(yīng)用Python對職工薪酬業(yè)務(wù)數(shù)據(jù)進(jìn)行分析Python在財(cái)稅中的應(yīng)用Python在財(cái)務(wù)中的應(yīng)用項(xiàng)目二任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)描述【任務(wù)描述】大數(shù)據(jù)以互聯(lián)網(wǎng)作為依托，企業(yè)可以調(diào)用互聯(lián)網(wǎng)中的數(shù)據(jù)信息，把握用戶的最新需要，并根據(jù)用戶需求優(yōu)化設(shè)計(jì)產(chǎn)品等。企業(yè)可以根據(jù)市場數(shù)據(jù)制定銷售策略，在第一時(shí)間可以了解到市場的變化信息。銷售部門根據(jù)數(shù)據(jù)設(shè)定銷售策略，能夠創(chuàng)造更多的經(jīng)濟(jì)效益，并搶先在競爭對手之前推出新產(chǎn)品，為提高數(shù)據(jù)銷售效率。引進(jìn)大數(shù)據(jù)技術(shù)形成完善的客戶數(shù)據(jù)庫，并要求各部門共享信息，根據(jù)數(shù)據(jù)捕捉客戶的消費(fèi)動(dòng)態(tài)，記錄客戶的消費(fèi)行為，分析客戶的消費(fèi)習(xí)慣等，對客戶的消費(fèi)傾向進(jìn)行有效預(yù)測。企業(yè)應(yīng)該制定相應(yīng)調(diào)研表格對競爭對手的產(chǎn)品信息進(jìn)行獲取，關(guān)注競爭對手的最新動(dòng)態(tài)，并制定相應(yīng)的銷售方案，在競爭中占據(jù)有利位置，為了防止數(shù)據(jù)的泄露，企業(yè)應(yīng)該采用數(shù)據(jù)加密技術(shù)等，對數(shù)據(jù)平臺進(jìn)行定期更新和維護(hù)。任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析案例導(dǎo)入【案例導(dǎo)入】小米科技有限責(zé)任公司成立于2010年3月3日，是一家專注于智能硬件和電子產(chǎn)品研發(fā)的全球化移動(dòng)互聯(lián)網(wǎng)企業(yè)，同時(shí)也是一家專注于高端智能手機(jī)、互聯(lián)網(wǎng)電視及智能家居生態(tài)鏈建設(shè)的創(chuàng)新型科技企業(yè)。微信也是一個(gè)通過“降維打擊”霸占主要市場的經(jīng)典案例。微信在一個(gè)全新的維度發(fā)起沖擊，獲取了海量用戶，在移動(dòng)互聯(lián)網(wǎng)率先建立起自己的生態(tài)圈?！敖稻S打擊”就是一次顛覆性創(chuàng)新，而顛覆式創(chuàng)新的核心就是基于產(chǎn)品的創(chuàng)新。小米、微信都是將產(chǎn)品做到了極致，并且產(chǎn)品創(chuàng)始人也是產(chǎn)品經(jīng)理。任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析銷售管理業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（一）銷售管理的基本情況銷售數(shù)據(jù)分析與一家企業(yè)的銷售模式有很大的關(guān)系，需要銷售管理人員根據(jù)業(yè)務(wù)模式情況、市場情況和客戶情況采用不同的方式來進(jìn)行分析。電商的銷售模式，更多關(guān)注網(wǎng)站或者店鋪的數(shù)據(jù)分析，考慮更多的是流量、點(diǎn)擊率、轉(zhuǎn)化率、關(guān)注客戶數(shù)、注冊用戶數(shù)、用戶活躍度、訂單量、客單價(jià)和營銷費(fèi)用的分析，還可以直接借助更多在線工具實(shí)現(xiàn)精準(zhǔn)數(shù)據(jù)分析。任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析銷售管理業(yè)務(wù)數(shù)據(jù)分析相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（二）銷售管理分析維度任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】1.D()函數(shù)：用于顯示DataFrame的摘要信息。在數(shù)據(jù)分析時(shí)，為了快速瀏覽數(shù)據(jù)集，可以使用()功能。任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析DataF(verbose=None,buf=None,max_cols=None,memory_usage=None,show_counts=None)（1）verbose參數(shù)：若設(shè)置為True則打印完整的摘要信息。（2）buf：可寫緩沖區(qū)，指定輸出位置，默認(rèn)將輸出到sys.stdout。（3）max_cols：指定顯示時(shí)最大列數(shù)，當(dāng)超出最大列數(shù)時(shí)會(huì)截?cái)囡@示。（4）memory_usage：指定是否應(yīng)顯示DataFrame元素(包括索引)的總內(nèi)存使用情況。（5）show_counts：指定否顯示非空計(jì)數(shù)。如果為True，則始終顯示計(jì)數(shù)。如果為False，則從不顯示計(jì)數(shù)。相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】2.pandas.merge()函數(shù)：可以將兩個(gè)DataFrame根據(jù)指定的鍵進(jìn)行連接合并，此操作類似于關(guān)系數(shù)據(jù)庫中的表連接操作。任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析merge(left,right,how='inner',on=None,left_on=None,right_on=None,left_index=False,right_index=False,sort=False,suffixes=('_x','_y'),copy=True,indicator=False,validate=None)(1)

left參數(shù)：指定待連接（合并）的左側(cè)DataFrame對象(2)

right參數(shù)：指定待連接（合并）的右側(cè)DataFrame對象或已命名（列名）的Series。(3)

how參數(shù)：指定連接方式，可取值為：left、right、outer、inner、cross。默認(rèn)值inner。各連接方式的含義如下：

①left連接：左連接，左側(cè)數(shù)據(jù)表的關(guān)聯(lián)鍵將全部取出。

②right連接：右連接，右側(cè)數(shù)據(jù)表的關(guān)聯(lián)鍵將全部取出。

③outer連接：外連接，將左右數(shù)據(jù)表合并取出。

④cross連接：交叉連接。

⑤inner連接：內(nèi)連接，取出左右數(shù)據(jù)表的交集部分。(4)on參數(shù)：指定用于連接的列名，必須為兩個(gè)DataFrame同時(shí)存在的列名(5)left_on參數(shù)：指定用于連接的左側(cè)DataFrame列名。(6)right_on參數(shù)：指定用于連接的右側(cè)DataFrame列名。(7)left_index參數(shù)：指定是否使用左側(cè)DataFrame中的索引（行標(biāo)簽）作為為連接鍵。對于具有MultiIndex（分層）的DataFrame，級別數(shù)必須與右側(cè)DataFrame中的連接鍵數(shù)相匹配。(8)right_index參數(shù)：與left_index功能相似。(9)sort參數(shù)：按字典順序?qū)Y(jié)果DataFrame進(jìn)行排序。(10)suffixes參數(shù)：兩個(gè)數(shù)據(jù)集中出現(xiàn)的重復(fù)列，新數(shù)據(jù)集中加上后綴_x,_y進(jìn)行區(qū)別。(11)copy參數(shù)：是否避免重復(fù)數(shù)據(jù)。(12)indicator參數(shù)：若此參數(shù)設(shè)置為True，則會(huì)向輸出結(jié)果中添加名稱為“_merge”的列，列中的值會(huì)根據(jù)關(guān)聯(lián)鍵在兩表存在情況，分別顯示為both（兩表都存在）、left_only（只在左表中存在）、right_only（只在右表中存在）。validate參數(shù)：用于兩表連接時(shí)的數(shù)據(jù)關(guān)系。取值為one_to_one表示一對一關(guān)系、one_to_many表示一對多關(guān)系、many_to_one表示多對一關(guān)系、many_to_many表示多對多關(guān)系。相關(guān)函數(shù)及數(shù)據(jù)處理方法【知識儲(chǔ)備】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析某商貿(mào)有限責(zé)任公司是一家線下生活體驗(yàn)店鋪，想要了解公司2020年每月的利潤變化趨勢。根據(jù)公司提供的銷售數(shù)據(jù)表，將所有銷售數(shù)據(jù)整合清洗，并分析出各品類的月利潤，清晰的辨別出哪個(gè)月是利潤最低，從而為后續(xù)可以進(jìn)一步分析公司的業(yè)績狀況并判斷企業(yè)的業(yè)績變化類型奠定基礎(chǔ)。任務(wù)要求【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析1.導(dǎo)入相關(guān)庫任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析importosimportpandasaspdimportnumpyasnp2.提供的數(shù)據(jù)源包括1-12月各月銷售數(shù)據(jù)表、還有產(chǎn)品、品類明細(xì)表共14張表?，F(xiàn)在需把記錄2020年1月-12月銷售數(shù)據(jù)工作表內(nèi)容整合一起。path="Dataset/銷售數(shù)據(jù)"filenames=os.listdir(path)all_months_data=pd.DataFrame()key='銷售'forfilenameinfilenames:ifkeyinfilename:current_data=pd.read_excel(path+"/"+filename)all_months_data=pd.concat([all_months_data,current_data])all_months_data獲取path目錄下所有文件列表如果文件名中包含“銷售”則讀取文件并將數(shù)據(jù)合并3.為了確定數(shù)據(jù)源里面是否存在異常值，請用()快速瀏覽數(shù)據(jù)集任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析

all_months_()4.篩選出數(shù)據(jù)集存在的16條空值行nan_df=all_months_data[all_months_data.isna().any(axis=1)]nan_dfisna()函數(shù)用于檢測數(shù)據(jù)表中的缺失值，其會(huì)返回一個(gè)與原數(shù)據(jù)表大小相同的布爾值構(gòu)成的DataFrame。Isna()函數(shù)會(huì)檢測每個(gè)值，若為空值（None,NaN)則用True表示、非空值用False表示any(axis=1)部分：對isna()函數(shù)返回的布爾數(shù)據(jù)表進(jìn)行逐行“匯總”，依次判斷每行中的布爾值，若一行中存在True則返回True,否則返回False。最終any()函數(shù)返回一個(gè)布爾值構(gòu)成的Series.5.刪除所有的空值行任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析

all_months_data=all_months_data.dropna(how='all')6.讀取'產(chǎn)品明細(xì)表.xlsx'賦給變量df，'品類明細(xì)表.xlsx'賦給變量df1,根據(jù)'品類id'將df與df1拼接賦給變量df2df=pd.read_excel('excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/銷售數(shù)據(jù)1/產(chǎn)品明細(xì)表.xlsx')df1=pd.read_excel('excel/SD財(cái)務(wù)數(shù)據(jù)分析案例集/銷售數(shù)據(jù)1/品類明細(xì)表.xlsx')df2=pd.merge(df,df1,on=['品類id'],how='left')df27.根據(jù)'產(chǎn)品id'將all_months_data和df2拼接賦給變量all_months_data任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析all_months_data=pd.merge(all_months_data,df2,on=['產(chǎn)品id'],how='left')all_months_data解釋：將all_months_data和df2兩個(gè)數(shù)據(jù)表依據(jù)“產(chǎn)品id”進(jìn)行左連接，實(shí)現(xiàn)將數(shù)據(jù)合并。8.添加【利潤】列，添加【月】列（根據(jù)訂單日期提取月份）任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析all_months_data['利潤']=all_months_data['銷售額']-all_months_data['成本價(jià)']all_months_data['月']=pd.to_datetime(all_months_data['訂單日期']).dt.monthall_months_data9.篩選出需要分析的列：【品類名稱】,【利潤】,【月】任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析all_months_data=all_months_data[['品類名稱','利潤','月']]all_months_data10.根據(jù)不同的月份，分類匯總各品類的利潤df_new=pd.pivot_table(all_months_data,index='月',columns='品類名稱',values='利潤',aggfunc=np.sum,fill_value=0,margins=True,margins_name='合計(jì)')df_=''df_new11.按【月】分類，統(tǒng)計(jì)每月利潤任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析df_new=all_months_data.groupby(['月']).sum()df_new['利潤']=df_new['利潤'].apply(lambdax:round(x,2))df_new=df_new.reset_index()df_new12.用折線圖的形式展示利潤最低的月份是哪個(gè)月frommatplotlibimportpyplotaspltplt.rcParams['font.family']='SimHei'plt.rcParams['axes.unicode_minus']=Falseplt.rcParams['font.size']=22plt.figure(figsize=(15,4))按“月”分組并求和將利潤列進(jìn)行四舍五入重置索引從matplotlib庫中導(dǎo)入pyplot模塊，并命名為plt設(shè)置圖表參數(shù)，分別為設(shè)置中文字體為黑體、正常顯示負(fù)號和設(shè)置字體大小任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析12.用折線圖的形式展示利潤最低的月份是哪個(gè)月x=df_new['月']y=df_new['利潤']plt.plot(x,y)plt.xlabel('月份')plt.ylabel('利潤/單元:元')plt.title('每月利潤變化趨勢')plt.legend(['利潤'])plt.xticks()fora,binzip(x,y):plt.text(a,b,b,ha='center',va='bottom',fontsize=18)從df_new數(shù)據(jù)表中取出“月”和“利潤”兩列的值并保存到變量x,y將x,y兩個(gè)Series對象打包為元組并循環(huán)遍歷，循環(huán)變量a表示月份、b表示利潤數(shù)值。在循環(huán)體中使用plt.text函數(shù)在圖表中繪制文本，即折線上的數(shù)值任務(wù)實(shí)施【任務(wù)實(shí)施】任務(wù)五應(yīng)用Python對銷售管理業(yè)務(wù)數(shù)據(jù)進(jìn)行分析12.用折線圖的形式展示利潤最低的月份是哪個(gè)月Python在財(cái)稅中的應(yīng)用Python在財(cái)務(wù)中的應(yīng)用項(xiàng)目二任務(wù)六應(yīng)用Python對財(cái)務(wù)報(bào)表業(yè)務(wù)數(shù)據(jù)進(jìn)行分析任務(wù)描述【任務(wù)描述】財(cái)務(wù)分析：以企業(yè)財(cái)務(wù)報(bào)表為主要依據(jù)，對企業(yè)財(cái)務(wù)狀況、經(jīng)營業(yè)績和財(cái)務(wù)狀況變動(dòng)的合理性和有效性進(jìn)行客觀分析確認(rèn)，評估企業(yè)的收益和風(fēng)險(xiǎn)，并預(yù)測企業(yè)未來財(cái)務(wù)趨勢和發(fā)展前景，為管理層提供有用的財(cái)務(wù)信息的經(jīng)濟(jì)活動(dòng)。大數(shù)據(jù)是指不用隨機(jī)抽樣分析法，而采用所有數(shù)據(jù)的歸集進(jìn)行分析處理。大數(shù)據(jù)的五大特點(diǎn)是：大量、高速、多樣、低價(jià)值密度、真實(shí)性任務(wù)六應(yīng)用Python對財(cái)務(wù)報(bào)表業(yè)務(wù)數(shù)據(jù)進(jìn)行分析案例導(dǎo)入【案例導(dǎo)入】作為施工企業(yè)的財(cái)務(wù)部門，在進(jìn)行財(cái)務(wù)分析的過程中，既要對每一項(xiàng)管理費(fèi)用進(jìn)行仔細(xì)的分析判斷，同時(shí)還要把這些數(shù)據(jù)與前期的數(shù)據(jù)進(jìn)行對比，從而發(fā)現(xiàn)其費(fèi)用的發(fā)展變化情況。施工企業(yè)采用大數(shù)據(jù)技術(shù)，那么施工企業(yè)可以將省去大量分析數(shù)據(jù)的時(shí)間成本，而且數(shù)據(jù)分析的結(jié)果有非常強(qiáng)的可靠性，即省了人力也省了時(shí)間，同時(shí)也提高了企業(yè)財(cái)務(wù)報(bào)表分析的工作效率。任務(wù)六應(yīng)用Python對財(cái)務(wù)報(bào)表業(yè)務(wù)數(shù)據(jù)進(jìn)行分析財(cái)務(wù)報(bào)表分析業(yè)務(wù)數(shù)據(jù)相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（一）大數(shù)據(jù)對企業(yè)財(cái)務(wù)報(bào)表分析的支持任務(wù)六應(yīng)用Python對財(cái)務(wù)報(bào)表業(yè)務(wù)數(shù)據(jù)進(jìn)行分析結(jié)合歷史數(shù)據(jù)特征做出企業(yè)未來發(fā)展的預(yù)測，為企業(yè)的重大決策提供有用的、有益的、科學(xué)的依據(jù)具有重要意義。財(cái)務(wù)報(bào)表分析業(yè)務(wù)數(shù)據(jù)相關(guān)基礎(chǔ)知識【知識儲(chǔ)備】（二）大數(shù)據(jù)財(cái)務(wù)報(bào)表分析的框架任務(wù)六應(yīng)用Python對財(cái)務(wù)報(bào)表業(yè)務(wù)數(shù)據(jù)進(jìn)行分析大數(shù)據(jù)以其體量大、類型多樣、增長變