【python数据分析课程设计】2015年至2022年中国黄金价格分析

一、选题的背景

黄金作为一种宝贵的物品，不仅具有珍贵的装饰价值，还被视为重要的金融资产和货币储备。通过分析中国黄金市场的供需数据，可以了解黄金的供应量和需求量的变化趋势。从而预测大致的走向。

二、中国黄金价格大数据分析设计方案

1.数据内容应该包括：

黄金价格数据：包括2015年至2020每月中的几天的黄金开盘价、收盘价、最高价、最低价、平均值。

数据特征：时序性：数据随时间变化，呈现趋势和周期性。异常值：由于市场波动和数据采集问题，存在异常值需要处理。

2.课程设计方案概述

实现思路：数据清洗与整理：处理缺失值、异常值，确保数据质量。数据探索与可视化：分析数据分布、相关性，使用图表展示数据特征。模型训练与评估：选择合适的机器学习或深度学习模型进行训练，评估模型性能。预测与优化：利用训练好的模型进行预测，根据结果优化模型和参数。

技术难点：数据整合：如何从多个来源整合相关数据，确保数据的一致性和准确性。数据处理：时序数据的处理和分析技巧，如趋势分析等。可解释性：在保证预测准确性的同时，提高模型的可解释性，便于业务理解和应用。

三、数据分析步骤

1.数据源 kaggle，具体网址来源(https://www.kaggle.com/code/liqiang2022/eda-and-price-prediction-on-chinese-gold-market/input)

2.数据清洗

导入库并显示前面几行

1 import pandas as pd 
2 import numpy as np 
3 import pandas as pd 
4 gold = pd.read_csv('gold_price_china.csv',index_col=0) 
5 gold.head()

将gold_price_china.csv的日期数据拆分为年月日并且显示

1 gold['trade_date'] = pd.to_datetime(gold['trade_date'])
2 
3 gold['day']=gold['trade_date'].dt.day
4 gold['month']=gold['trade_date'].dt.month
5 gold['year'] = gold['trade_date'].dt.year 
6 
7 print(gold[['day','month','year']])

显示重复的数据

1 gold = pd.read_csv('gold_price_china.csv')
2 print(gold.duplicated().sum())

显示缺失的数据

print(gold.isnull().sum())

将缺失的数据以nopct_change补充，并且显示确认是否补充完

gold['pct_change'] = gold['pct_change'].fillna('noptc_change')
print(gold.isnull().sum())

3.使用sklearn库数据分析。

提取特征，并且划分训练集和测试集并且进行评估和解释

 1 import pandas as pd
 2 from sklearn.linear_model import LinearRegression
 3 from sklearn.model_selection import train_test_split
 4 from sklearn.metrics import mean_squared_error, r2_score
 5 
 6 gold = pd.read_csv('gold_price_china.csv')
 7 
 8 # 特征选择
 9 X = gold[['open', 'close']]
10 
11 
12 y = gold['year']
13 
14 # 数据划分
15 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
16 
17 # 模型建立
18 model = LinearRegression()
19 model.fit(X_train, y_train)
20 
21 # 模型评估
22 y_pred = model.predict(X_test)
23 mse = mean_squared_error(y_test, y_pred)
24 r2 = r2_score(y_test, y_pred)
25 print('Mean Squared Error (MSE):', mse)
26 print('Coefficient of Determination (R^2):', r2)
27 
28 # 模型解释
29 coefficients = pd.DataFrame({'Feature': X.columns, 'Coefficient': model.coef_})
30 intercept = model.intercept_
31 print('Intercept:', intercept)
32 print(coefficients)

计算测试集和训练集的均方误差

1 from sklearn.metrics import mean_squared_error
2 
3 y_train_pred = model.predict(X_train)
4 mse_train = mean_squared_error(y_train, y_train_pred)
5 y_test_pred = model.predict(X_test)
6 mse_test = mean_squared_error(y_test, y_test_pred)
7 
8 print("Train Mean Squared Error (MSE):", mse_train)
9 print("Test Mean Squared Error (MSE):", mse_test)

使用模型，并进行预测

1 X_new = gold[['high', 'low']]  
2 y_new_pred = model.predict(X_new)
3 
4 y_new_pred_df = pd.DataFrame(y_new_pred, columns=['prediction'])
5 
6 y_new_pred_df.head()

4.数据可视化

通过平均价格与销售量的散点图可以发现，销售量主要在250到300是最多

1 #平均价格与销售量的散点图
2 a = gold[gold['vol']<6000]
3 plt.figure(figsize=(16, 4), dpi=80)
4 sns.regplot(data=a, x='price_avg', y='vol')
5 plt.show()

收盘价格和开盘价格的条形图

 1 import pandas as pd
 2 import matplotlib.pyplot as plt
 3 
 4 gold = pd.read_csv('gold_price_china.csv')
 5 gold['trade_date'] = pd.to_datetime(gold['trade_date'])
 6 
 7 gold['year'] = gold['trade_date'].dt.year
 8 
 9 gold.drop(['trade_date'], axis=1, inplace=True)
10 
11 grouped_gold = gold.groupby('year').mean()
12 
13 # 提取开盘价和收盘价的列
14 open_prices = grouped_gold['open']
15 close_prices = grouped_gold['close']
16 
17 plt.bar(grouped_gold.index, open_prices, width=0.4, label='open')
18 plt.bar(grouped_gold.index, close_prices, width=0.4, label='close',bottom=open_prices)
19 
20 
21 plt.title('gold price')
22 plt.xlabel('year')
23 plt.ylabel('price')
24 
25 plt.legend()
26 
27 plt.show()

分别画历年最低、最高、开盘、收盘价格与销售量的关系的线性图进行分析对比

 1 #历年最低、最高、开盘、收盘价格与销售量的关系折线
 2 import pandas as pd
 3 import matplotlib.pyplot as plt
 4 
 5 # 提取价格列
 6 dates = gold['vol']
 7 open_prices = gold['open']
 8 close_prices = gold['close']
 9 low_prices = gold['low']
10 high_prices = gold['high']
11 
12 # 绘制开盘价线性图
13 plt.subplot(2, 2, 1)
14 plt.plot(dates, open_prices, label='open', color='b')
15 plt.xlabel('year')
16 plt.ylabel('price')
17 plt.title('open')
18 plt.legend()
19 
20 # 绘制收盘价线性图
21 plt.subplot(2, 2, 2)
22 plt.plot(dates, close_prices, label='close', color='r')
23 plt.xlabel('vol')
24 plt.ylabel('price')
25 plt.title('close')
26 plt.legend()
27 
28 # 绘制最低价线性图
29 plt.subplot(2, 2, 3)
30 plt.plot(dates, low_prices, label='close', color='g')
31 plt.xlabel('vol')
32 plt.ylabel('pricec')
33 plt.title('low')
34 plt.legend()
35 
36 # 绘制最高价线性图
37 plt.subplot(2, 2, 4)
38 plt.plot(dates, high_prices, label='hight', color='m')
39 plt.xlabel('vol')
40 plt.ylabel('price')
41 plt.title('hight')
42 plt.legend()
43 
44 # 调整子图布局
45 plt.tight_layout()
46 
47 # 显示图形
48 plt.show()

进行展示开盘，收盘历年价格对比

 1 import matplotlib.pyplot as plt
 2 import seaborn as sns
 3 
 4 plt.figure(figsize=(12, 4), dpi=80)
 5 sns.lineplot(data=gold, x='year', y='close')
 6 plt.show()
 7 
 8 plt.figure(figsize=(12, 4), dpi=80)
 9 sns.lineplot(data=gold, x='year', y='open')
10 plt.show()

开盘、收盘、最低、最高的平均价格的柱状图，可以看出，总体上价格基本一致，相差不大

 1 import pandas as pd
 2 import matplotlib.pyplot as plt
 3 
 4 # 计算平均值
 5 mean_high = gold['high'].mean()
 6 mean_low = gold['low'].mean()
 7 mean_open = gold['open'].mean()
 8 mean_close = gold['close'].mean()
 9 
10 print(f"最高价平均值：{mean_high}")
11 print(f"最低价平均值：{mean_low}")
12 print(f"开盘价平均值：{mean_open}")
13 print(f"收盘价平均值：{mean_close}")
14 
15 data = {
16     '指标': ['最高价', '最低价', '开盘价', '收盘价'],
17     '平均值': [mean_high, mean_low, mean_open, mean_close]
18 }
19 df = pd.DataFrame(data)
20 
21 # 绘制簇状柱形图
22 fig, ax = plt.subplots(figsize=(8, 6))
23 ax.bar(df['指标'], df['平均值'], color=['orange', 'green', 'pink', 'lightblue'])
24 ax.set_title('中国黄金价格指标平均值簇状柱形图', fontsize=14)
25 ax.set_xlabel('价格指标', fontsize=12)
26 ax.set_ylabel('平均值', fontsize=12)
27 ax.tick_params(axis='both', labelsize=12)
28 
29 plt.show()

中国黄金的最低价、最高价、收盘价、开盘价的折线图，可以看出来开盘价的价格是非常接近最低价

 1 import pandas as pd
 2 import matplotlib.pyplot as plt
 3 
 4 # 设置图形大小
 5 plt.figure(figsize=(10, 6))
 6 
 7 # 绘制折线图
 8 plt.plot(gold['year'], gold['low'], label='最低价')
 9 plt.plot(gold['year'], gold['high'], label='最高价')
10 plt.plot(gold['year'], gold['close'], label='收盘价')
11 plt.plot(gold['year'], gold['open'], label='开盘价')
12 plt.legend()
13 plt.title('中国黄金价格图', fontsize=14)
14 plt.xlabel('时间', fontsize=12)
15 plt.ylabel('价格', fontsize=12)
16 plt.grid(True)
17 plt.show()

具体的显示18年到19年的2018年至2022年中国黄金销售量对比

 1 #2018年至2022年中国黄金销售量对比
 2 
 3 date = ['2018-01-01', '2019-01-01', '2020-01-01', '2021-01-01', '2022-01-01']
 4 vol = gold['vol']
 5 
 6 filtered_df = gold[(gold['trade_date'].dt.year >= 2018) & (gold['trade_date'].dt.year <= 2022)]
 7 plt.figure(figsize=(10, 6))
 8 
 9 # 绘制折线图
10 plt.plot(filtered_df['trade_date'], filtered_df['vol'], label='最低价')
11 
12 # 设置图例
13 plt.legend()
14 
15 # 设置标题和标签
16 plt.title('C', fontsize=14)
17 plt.xlabel('年份', fontsize=12)
18 plt.ylabel('人数', fontsize=12)
19 
20 # 显示图形
21 plt.show()

最低最高、开盘收盘价格分析条形图

#最低最高、开盘收盘价格分析条形图
# 设置中文字体和解决负号显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 创建子图
fig, axs = plt.subplots(2, 2, figsize=(12, 8))

# 最高价分布图
axs[0, 0].hist(gold['high'], color='orange', alpha=0.7)
axs[0, 0].set_title('最高价分布图', fontsize=14)
axs[0, 0].set_xlabel('价格', fontsize=12)
axs[0, 0].set_ylabel('频数', fontsize=12)
axs[0, 0].tick_params(axis='both', labelsize=12)
axs[0, 0].grid(axis='y', linestyle='--')

# 最低价分布图
axs[0, 1].hist(gold['low'], color='green', alpha=0.7)
axs[0, 1].set_title('最低价分布图', fontsize=14)
axs[0, 1].set_xlabel('价格', fontsize=12)
axs[0, 1].set_ylabel('频数', fontsize=12)
axs[0, 1].tick_params(axis='both', labelsize=12)
axs[0, 1].grid(axis='y', linestyle='--')

# 开盘价分布图
axs[1, 0].hist(gold['open'], color='pink', alpha=0.7)
axs[1, 0].set_title('开盘价分布图', fontsize=14)
axs[1, 0].set_xlabel('价格', fontsize=12)
axs[1, 0].set_ylabel('频数', fontsize=12)
axs[1, 0].tick_params(axis='both', labelsize=12)
axs[1, 0].grid(axis='y', linestyle='--')

# 收盘价分布图
axs[1, 1].hist(gold['close'], color='lightblue', alpha=0.7)
axs[1, 1].set_title('收盘价分布图', fontsize=14)
axs[1, 1].set_xlabel('价格', fontsize=12)
axs[1, 1].set_ylabel('频数', fontsize=12)
axs[1, 1].tick_params(axis='both', labelsize=12)
axs[1, 1].grid(axis='y', linestyle='--')

# 调整子图间距
plt.tight_layout()

# 显示图形
plt.show()

总代码

  1 import pandas as pd
  2 import numpy as np
  3 from sklearn.linear_model import LinearRegression
  4 from sklearn.model_selection import train_test_split
  5 from sklearn.metrics import mean_squared_error, r2_score
  6 
  7 gold = pd.read_csv('gold_price_china.csv',index_col=0)
  8 gold.head()
  9 
 10 # 读取数据到gold变量中（假设数据已经存在）
 11 gold = pd.read_csv('data.csv')
 12 # 将trade_date列转换为datetime类型
 13 gold['trade_date'] = pd.to_datetime(gold['trade_date'])
 14 # 提取trade_date的日、月、年信息，并分别存储在day、month、year列中
 15 gold['day'] = gold['trade_date'].dt.day
 16 gold['month'] = gold['trade_date'].dt.month
 17 gold['year'] = gold['trade_date'].dt.year
 18 # 打印包含day、month、year列的数据
 19 print(gold[['day', 'month', 'year']])
 20 
 21 gold = pd.read_csv('gold_price_china.csv')
 22 print(gold.duplicated().sum())
 23 
 24 print(gold.isnull().sum())
 25 
 26 gold['pct_change'] = gold['pct_change'].fillna('noptc_change')
 27 print(gold.isnull().sum())
 28 
 29 # 读取数据
 30 gold = pd.read_csv('gold_price_china.csv')
 31 # 特征选择：选择'high'和'low'两列作为特征
 32 X = gold[['high', 'low']]
 33 y = gold['year']
 34 
 35 # 数据划分：将数据集划分为训练集和测试集，测试集占比为0.2
 36 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 37 # 模型建立：使用线性回归模型进行拟合
 38 model = LinearRegression()
 39 model.fit(X_train, y_train)
 40 
 41 # 模型评估：预测测试集的输出值，并计算均方误差（MSE）和决定系数（R^2）
 42 y_pred = model.predict(X_test)
 43 mse = mean_squared_error(y_test, y_pred)
 44 r2 = r2_score(y_test, y_pred)
 45 
 46 # 输出评估结果
 47 print('Mean Squared Error (MSE):', mse)
 48 print('Coefficient of Determination (R^2):', r2)
 49 
 50 # 模型解释：输出模型的截距和系数
 51 coefficients = pd.DataFrame({'Feature': X.columns, 'Coefficient': model.coef_})
 52 intercept = model.intercept_
 53 
 54 print('Intercept:', intercept)
 55 print(coefficients)
 56 
 57 # 使用模型对训练集进行预测，得到预测结果y_train_pred
 58 y_train_pred = model.predict(X_train)
 59 
 60 # 计算训练集的均方误差，即真实值与预测值之间的平方差的均值
 61 mse_train = mean_squared_error(y_train, y_train_pred)
 62 
 63 # 使用模型对测试集进行预测，得到预测结果y_test_pred
 64 y_test_pred = model.predict(X_test)
 65 
 66 # 计算测试集的均方误差，即真实值与预测值之间的平方差的均值
 67 mse_test = mean_squared_error(y_test, y_test_pred)
 68 
 69 # 输出训练集和测试集的均方误差
 70 print("Train Mean Squared Error (MSE):", mse_train)
 71 print("Test Mean Squared Error (MSE):", mse_test)
 72 
 73 import pandas as pd
 74 
 75 # 进行新数据的预测
 76 X_new = gold[['high', 'low']]   
 77 y_new_pred = model.predict(X_new)
 78 
 79 # 将预测结果转换为DataFrame对象
 80 y_new_pred_df = pd.DataFrame(y_new_pred, columns=['prediction'])
 81 
 82 # 查看前几个预测结果
 83 y_new_pred_df.head()
 84 
 85 #平均价格与销售量的聚散图
 86 a = gold[gold['vol']<6000]
 87 plt.figure(figsize=(16, 4), dpi=80)
 88 sns.regplot(data=a, x='price_avg', y='vol')
 89 plt.show()
 90 
 91 import matplotlib.pyplot as plt
 92 # 读取黄金价格数据
 93 gold = pd.read_csv('gold_price_china.csv')
 94 
 95 # 将交易日期转换为datetime类型，并提取年份
 96 gold['trade_date'] = pd.to_datetime(gold['trade_date'])
 97 gold['year'] = gold['trade_date'].dt.year
 98 
 99 # 删除原始的交易日期列
100 gold.drop(['trade_date'], axis=1, inplace=True)
101 
102 # 按年份分组，计算每组的平均开盘价和收盘价
103 grouped_gold = gold.groupby('year').mean()
104 
105 # 提取开盘价和收盘价的列
106 open_prices = grouped_gold['open']
107 close_prices = grouped_gold['close']
108 
109 # 绘制条形图，分别表示开盘价和收盘价
110 plt.bar(grouped_gold.index, open_prices, width=0.4, label='open')
111 plt.bar(grouped_gold.index, close_prices, width=0.4, label='close', bottom=open_prices)
112 
113 # 设置图表标题、x轴标签和y轴标签
114 plt.title('gold price')
115 plt.xlabel('year')
116 plt.ylabel('price')
117 
118 # 显示图例
119 plt.legend()
120 # 显示图表
121 plt.show()
122 
123 # 提取价格列
124 dates = gold['vol']
125 open_prices = gold['open']
126 close_prices = gold['close']
127 low_prices = gold['low']
128 high_prices = gold['high']
129 
130 # 绘制开盘价线性图
131 plt.subplot(2, 2, 1)
132 plt.plot(dates, open_prices, label='open', color='b') 
133 plt.xlabel('year') 
134 plt.ylabel('price') 
135 plt.title('open') 
136 plt.legend() 
137 
138 # 绘制收盘价线性图
139 plt.subplot(2, 2, 2)
140 plt.plot(dates, close_prices, label='close', color='r') 
141 plt.xlabel('vol') 
142 plt.ylabel('price') 
143 plt.title('close') 
144 plt.legend() 
145 
146 # 绘制最低价线性图
147 plt.subplot(2, 2, 3)
148 plt.plot(dates, low_prices, label='low', color='g') 
149 plt.xlabel('vol') 
150 plt.ylabel('pricec') 
151 plt.title('low') 
152 plt.legend() 
153 
154 # 绘制最高价线性图
155 plt.subplot(2, 2, 4)
156 plt.plot(dates, high_prices, label='hight', color='m') 
157 plt.xlabel('vol') 
158 plt.ylabel('price') 
159 plt.title('hight') 
160 plt.legend()
161 
162 # 调整子图布局
163 plt.tight_layout() 
164 
165 # 显示图形
166 plt.show()
167 
168 # 导入matplotlib.pyplot和seaborn库
169 import matplotlib.pyplot as plt
170 import seaborn as sns
171 
172 # 创建一个12x4英寸的图形，分辨率为80dpi
173 plt.figure(figsize=(12, 4), dpi=80)
174 # 使用seaborn库绘制黄金价格的收盘价折线图，横坐标为年份，纵坐标为收盘价
175 sns.lineplot(data=gold, x='year', y='close')
176 # 显示图形
177 plt.show()
178 
179 # 创建一个12x4英寸的图形，分辨率为80dpi
180 plt.figure(figsize=(12, 4), dpi=80)
181 # 使用seaborn库绘制黄金价格的开盘价折线图，横坐标为年份，纵坐标为开盘价
182 sns.lineplot(data=gold, x='year', y='open')
183 # 显示图形
184 plt.show()
185 
186 # 导入所需库
187 import pandas as pd
188 import matplotlib.pyplot as plt
189 
190 # 读取黄金价格数据
191 gold = pd.read_csv('中国黄金价格数据.csv')
192 
193 # 计算最高价、最低价、开盘价和收盘价的平均值
194 mean_high = gold['high'].mean()
195 mean_low = gold['low'].mean()
196 mean_open = gold['open'].mean()
197 mean_close = gold['close'].mean()
198 
199 # 输出平均值结果
200 print(f"最高价平均值：{mean_high}")
201 print(f"最低价平均值：{mean_low}")
202 print(f"开盘价平均值：{mean_open}")
203 print(f"收盘价平均值：{mean_close}")
204 
205 # 创建包含指标和平均值的数据框
206 data = {
207     '指标': ['最高价', '最低价', '开盘价', '收盘价'],
208     '平均值': [mean_high, mean_low, mean_open, mean_close]
209 }
210 df = pd.DataFrame(data)
211 
212 # 绘制簇状柱形图
213 fig, ax = plt.subplots(figsize=(8, 6))
214 ax.bar(df['指标'], df['平均值'], color=['orange', 'green', 'pink', 'lightblue'])
215 ax.set_title('中国黄金价格指标平均值簇状柱形图', fontsize=14)
216 ax.set_xlabel('价格指标', fontsize=12)
217 ax.set_ylabel('平均值', fontsize=12)
218 ax.tick_params(axis='both', labelsize=12)
219 
220 # 显示图形
221 plt.show()
222 
223 # 导入matplotlib库
224 import matplotlib.pyplot as plt
225 # 设置图形大小
226 plt.figure(figsize=(10, 6))
227 
228 # 绘制折线图，分别表示最低价、最高价、收盘价和开盘价
229 plt.plot(gold['year'], gold['low'], label='最低价')
230 plt.plot(gold['year'], gold['high'], label='最高价')
231 plt.plot(gold['year'], gold['close'], label='收盘价')
232 plt.plot(gold['year'], gold['open'], label='开盘价')
233 
234 # 显示图例
235 plt.legend()
236 # 设置标题，字体大小为14
237 plt.title('中国黄金价格图', fontsize=14)
238 # 设置横轴标签，字体大小为12
239 plt.xlabel('时间', fontsize=12)
240 # 设置纵轴标签，字体大小为12
241 plt.ylabel('价格', fontsize=12)
242 # 开启网格线
243 plt.grid(True)
244 # 显示图形
245 plt.show()
246 
247 # 导入所需库
248 import matplotlib.pyplot as plt
249 
250 # 设置中文字体和解决负号显示问题
251 plt.rcParams['font.sans-serif'] = ['SimHei']
252 plt.rcParams['axes.unicode_minus'] = False
253 
254 # 创建子图
255 fig, axs = plt.subplots(2, 2, figsize=(12, 8))
256 
257 # 最高价分布图
258 axs[0, 0].hist(gold['high'], color='orange', alpha=0.7) 
259 axs[0, 0].set_title('最高价分布图', fontsize=14) 
260 axs[0, 0].set_xlabel('价格', fontsize=12) 
261 axs[0, 0].set_ylabel('频数', fontsize=12) 
262 axs[0, 0].tick_params(axis='both', labelsize=12) 
263 axs[0, 0].grid(axis='y', linestyle='--') 
264 
265 # 最低价分布图
266 axs[0, 1].hist(gold['low'], color='green', alpha=0.7) 
267 axs[0, 1].set_title('最低价分布图', fontsize=14) 
268 axs[0, 1].set_xlabel('价格', fontsize=12) 
269 axs[0, 1].set_ylabel('频数', fontsize=12) 
270 axs[0, 1].tick_params(axis='both', labelsize=12) 
271 axs[0, 1].grid(axis='y', linestyle='--') 
272 
273 # 开盘价分布图
274 axs[1, 0].hist(gold['open'], color='pink', alpha=0.7) 
275 axs[1, 0].set_title('开盘价分布图', fontsize=14) 
276 axs[1, 0].set_xlabel('价格', fontsize=12) 
277 axs[1, 0].set_ylabel('频数', fontsize=12) 
278 axs[1, 0].tick_params(axis='both', labelsize=12) 
279 axs[1, 0].grid(axis='y', linestyle='--') 
280 
281 # 收盘价分布图
282 axs[1, 1].hist(gold['close'], color='lightblue', alpha=0.7) 
283 axs[1, 1].set_title('收盘价分布图', fontsize=14) 
284 axs[1, 1].set_xlabel('价格', fontsize=12) 
285 axs[1, 1].set_ylabel('频数', fontsize=12) 
286 axs[1, 1].tick_params(axis='both', labelsize=12) 
287 axs[1, 1].grid(axis='y', linestyle='--') 
288 
289 # 调整子图间距
290 plt.tight_layout() # 调整子图间距，使子图之间不重叠
291 
292 # 显示图形
293 plt.show() # 显示绘制的图形
294 
295 # 导入所需库
296 import pandas as pd
297 import matplotlib.pyplot as plt
298 
299 # 设置日期列表
300 date = ['2018-01-01', '2019-01-01', '2020-01-01', '2021-01-01', '2022-01-01']
301 vol = gold['vol']
302 
303 # 根据年份筛选数据
304 filtered_df = gold[(gold['trade_date'].dt.year >= 2018) & (gold['trade_date'].dt.year <= 2022)]
305 plt.figure(figsize=(10, 6))
306 
307 # 绘制折线图，展示中国黄金销售量对比
308 plt.plot(filtered_df['trade_date'], filtered_df['vol'], label='最低价')
309 
310 # 设置图例
311 plt.legend()
312 
313 # 设置标题和标签
314 plt.title('C', fontsize=14)
315 plt.xlabel('年份', fontsize=12)
316 plt.ylabel('人数', fontsize=12)
317 
318 # 显示图形
319 plt.show()

总结

1.通过对黄金的大数据进行分析和挖掘，可以得到以下结论和目标达成情况：

可以得出来，销售量与黄金的价格是息息相关的，价格最低的时候销售量是最高的

此外，可以发现，开盘价接近最低价，而收盘价接近最高价，但是总体上差距并不是很大

并且随着时间增加，黄金的价格总体上也会逐渐增加

黄金的销售量有两个小高峰，一个是在250到300之间，一次是350到400之间

比较出乎意料的是在280到330之间的幅度是相较其他价格显得较低

2.在完成这个课程设计过程中获得了以下收获：

数据分析和挖掘技能是文本中提到的第一个收获。通过学习如何使用Python进行数据清洗、处理、统计分析等技术，提高了数据分析能力和编程能力。这种技能在现代社会中越来越重要，无论是对于职业发展还是实际生活都有着广泛的应用。掌握这种技能可以为个人带来更多的机会和可能性，同时也能够为相关领域的研究和应用提供有力支持。

数据可视化，通过图表、图形等方式直观地展示数据分析的结果，提高了自己的数据可视化能力。这种能力可以帮助人们更好地理解和解释数据分析的结果，使复杂的数据变得易于理解和接受。同时，数据可视化还可以为决策提供重要的参考和依据，有助于更好地制定策略和方案。