楊浩然

摘要：本文應(yīng)用了pandas算法對附件進(jìn)行數(shù)據(jù)清洗，建立基于熵權(quán)法的權(quán)重分析模型分析因素對不同品牌電動汽車的銷售的影響，從而得出目標(biāo)客戶購買電動汽車的可能性。首先需要對數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，將數(shù)據(jù)分為兩個(gè)部分，利用Excel對各項(xiàng)指標(biāo)的進(jìn)行均值計(jì)算，然后用ACSI模型進(jìn)行滿意度分析，構(gòu)建滿意度的數(shù)學(xué)關(guān)系式，篩選出所有有意愿購買電動汽車的客戶，將各品牌銷售的綜合分?jǐn)?shù)則作為因變量，建立基于熵權(quán)法的權(quán)重分析模型，權(quán)重越大，則評分越高，得出a1，a2，B12，B13，B15，B17等因素對不同品牌電動汽車的銷售有影響，其中B17的權(quán)重最大，其影響則為最大。

關(guān)鍵詞：pandas 法;熵權(quán)法;相關(guān)性分析

1 引言

汽車產(chǎn)業(yè)是國民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，而新能源汽車產(chǎn)業(yè)是戰(zhàn)略性新興產(chǎn)業(yè)。大力發(fā)展以電動汽車為代表的新能源汽車是解決能源環(huán)境問題的有效途徑，市場前景廣闊。但是，電動汽車畢竟是一個(gè)新興的事物，與傳統(tǒng)汽車相比，消費(fèi)者在一些領(lǐng)域，如電池問題，還是存在著一些疑慮，其市場銷售需要科學(xué)決策。

2 問題分析

針對該問題，首先需要對數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，應(yīng)用 Python 的強(qiáng)大的 pandas 處理，找出異常值，利用均值插值法對異常值進(jìn)行處理，同時(shí)將 B7 的空值全部取值為 0。我們將數(shù)據(jù)分為兩個(gè)部分，分別是汽車的滿意度打分，一個(gè)是問卷調(diào)查數(shù)據(jù)，將數(shù)據(jù)進(jìn)行處理后，進(jìn)行均值處理，然后進(jìn)行滿意度分析，最后利用 spss 進(jìn)行描述性統(tǒng)計(jì)分析。篩選出所有有意愿購買電動汽車的客戶，然后導(dǎo)入 spss 進(jìn)行相關(guān)性分析得出的相關(guān)性，然后根據(jù)相關(guān)性分析的結(jié)果，篩選出 11 個(gè)影響因子，然后根據(jù)這些影響因子建立基于熵權(quán)法的權(quán)重分析模型，對影響各品牌銷售的進(jìn)行綜合評分，因子的權(quán)重越大，則對評分影響就越大，分析各個(gè)因子的權(quán)重，得出影響各品牌銷售的因素。

3 數(shù)據(jù)清洗與分析

附件中的數(shù)據(jù)有異常值與缺失值，所以我們需要對數(shù)據(jù)進(jìn)行處理。我們首先需要對數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，應(yīng)用 Python 的強(qiáng)大的 pandas 處理，找出異常值，利用均值插值法對異常值進(jìn)行處理，同時(shí)將 B7 的空值全部取值為 0。我們將數(shù)據(jù)分為兩個(gè)部分，分別是汽車的滿意度打分，一個(gè)是問卷調(diào)查數(shù)據(jù)，將數(shù)據(jù)進(jìn)行處理后，進(jìn)行均值處理，然后進(jìn)行滿意度分析，最后利用 spss 進(jìn)行描述性統(tǒng)計(jì)分析，可以得出部分異常值如下所示：

4 滿意度分析

我們應(yīng)用 ACSI 模型進(jìn)行滿意度分析，首先構(gòu)建滿意度的數(shù)學(xué)關(guān)系式：

分析 a1-a8 的每列打分的平均值，以及這 8 列的總體平均分，其數(shù)學(xué)描述如下：

我們應(yīng)用 Python 進(jìn)行編程計(jì)算得出的結(jié)果如下表所示：

根據(jù)表 2可得，三個(gè)品牌在群眾中的滿意度分別是 77.45%，77.37%，78.54%，由此可以得出 3 品牌的滿意度更高。

5基于熵權(quán)法的權(quán)重分析模型

本文選用熵權(quán)法對一級指標(biāo)進(jìn)行權(quán)重的確定。首先這十個(gè)影響因子的數(shù)據(jù)，對各個(gè)危險(xiǎn)因素的重要性進(jìn)行評價(jià)與測度，以熵權(quán)法進(jìn)行權(quán)重[4]的計(jì)算，主要步驟與計(jì)算邏輯如下：

由于各項(xiàng)指標(biāo)的計(jì)量單位并不統(tǒng)一，因此在用它們計(jì)算綜合指標(biāo)前，先要進(jìn)行標(biāo)準(zhǔn)化處理，即把指標(biāo)的絕對值轉(zhuǎn)化為相對值，從而解決各項(xiàng)不同質(zhì)指標(biāo)值的同質(zhì)化問題。

另外，正向指標(biāo)和負(fù)向指標(biāo)數(shù)值代表的含義不同（正向指標(biāo)數(shù)值越高越好，負(fù)向指標(biāo)數(shù)值越低越好），因此，對于正向負(fù)向指標(biāo)需要采用不同的算法進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理：正向指標(biāo)

6 結(jié)論分析

表2可得，a1，a2，B12，B13，B15，B17 等因素是對 Q 存在影響的，則 a1，a2，B12，B13，B15，B17 等因素對不同品牌電動汽車的銷售有影響，其中 B17 的權(quán)重最大，為 0.46，其影響則為最大。

參考文獻(xiàn)：

[1]歐陽元東，基于 Python 的網(wǎng)站數(shù)據(jù)爬取與分析的技術(shù)實(shí)現(xiàn)策略[J]，電腦知識與技術(shù) . 2020，16（13）.

[2]Python 數(shù)據(jù)分析中的數(shù)據(jù)整理探討[J]. 張向偉. ?電子世界. ?2021（11）

[3]基于 Python 的數(shù)據(jù)分析[J]. 李俊華. 電子技術(shù)與軟件工程. 2018（17）

[4]張 虹、莊文英，基于創(chuàng)新能力的小微企業(yè)活力指數(shù)體系研究[J]，Business Management，商業(yè)經(jīng)濟(jì)研究 2019 年 16 期

[5]張軍.算法設(shè)計(jì)與分析[M].清華大學(xué)出版社.2011.8.P100-P215