数据分析day05

数据分析day05

数据分析回顾

numpy

• 基于一维或者多维的数组
• 如何创建numpy数组
  • np.array()
  • plt.imread()
  • random
  • linspace
  • range
• 数组的索引和切片
  • 索引：
    • arr[0]：取出第一行数据
  • 切片：
    • arr[行,列]
  • 翻转：
    • arr[::-1,::-1]
• 级联
  • 条件：
    • 必须保证维度一致形状相符
• 变形：
  • reshape():修改数组的形状
• 基于聚合、统计的函数
  • std（标准差），val（方差）
• 矩阵：
  • 矩阵乘法

pandas

• Series：类似于一维数组的数据结构
• 创建方式
• 索引和切片
• 运算法则：
  • 索引与之一致的元素可以进行算术运算否则补空
• isnull，notnull，unique，nunique
• DataFrame
  • df是由Series组成
    • df中如果单独取出一行或者一列返回的一定是一个Series
  • df的创建方式
  • 索引和切片
    • 索引：
      • df['列索引']
      • df.iloc['行索引']
      • df.loc[行,列]
    • 切片
      • df[row1:row4]
      • df.loc[:,col1:col4]
  • 股票案例：
    • read_xxx():将外部文件中的数据读取到df
    • to_xxx():将df中的数据写入到文件中
    • tushare：财经数据接口包
    • Series中有一个方法：shift(x)，将Series中的元素上下移动x个位置
    • 数据的重新取样：
      • df.resameple('A/M').first()/.last()
    • 设置时间序列类型
      • pd.to_datetime(df['col'])
    • 设置指定的列作为源数据的行索引：
      • set_index(df['col'])
    • df运算的过程中如果返回了一组boolean，则该boolean马上需要作为源数据的行索引，取出True所对应的行数据
    • Series中有一个函数：rolling（n），将Series中的前n个数汇总为一组值，通常rolling后面需要进行聚合操作
  • 数据清洗
    • 缺失值
      • isnull-》any，notnull-》all
      • dropna()
    • 重复值
      • drop_duplicates(kee=='first)
    • 异常值
      • 判定异常值的条件
    • None和NAN的区别：
      • NAN是float可以参与运算
  • replace():df元素的替换
  • map映射
  • map运算工具：map==apply
    • map只可以基于Series进行运算或者映射
  • 随机抽样
    • take():打乱df的中行列索引
    • random.permutation(n):返回0到n-1的一个随机乱序的序列
  • 级联&合并
    • 级联：将多个df进行横向或者纵向的拼接
    • 合并：根据一个或者多个合并条件进行数据的汇总
      • 内，外（推荐），左，右
  • 人口分析：
    • query：df进行条件查询
    • value_counts：统计Series中每一个元素出现的次数
    • info()
  • 分组聚合
    • groupby（）
    • 高级聚合：作为分组后的运算工具
      • apply
      • transform
  • 透视表：
    • index
    • value
    • aggfunc
    • columns
  • apply
    • df.apply()对df中的行列进行某种形式的运算
  • applymap：
    • 对df中的元素进行某种形式的运算

项目需求

第一部分：数据类型处理

• 数据加载
  • 字段含义：
    • user_id:用户ID
    • order_dt:购买日期
    • order_product:购买产品的数量
    • order_amount:购买金额
• 观察数据
  • 查看数据的数据类型
  • 数据中是否存储在缺失值
  • 将order_dt转换成时间类型
  • 查看数据的统计描述
    • 计算所有用户购买商品的平均数量
    • 计算所有用户购买商品的平均花费
  • 在源数据中添加一列表示月份:astype('datetime64[M]')

In [2]:

import pandas as pd
import numpy as np
from pandas import DataFrame
import matplotlib.pyplot as plt
%matplotlib inline

In [17]:

df = pd.read_csv('./CDNOW_master.txt',header=None,sep='\s+',names=['user_id','order_dt','order_product','order_amount'])
df.head()

Out[17]:

	user_id	order_dt	order_product	order_amount
0	1	19970101	1	11.77
1	2	19970112	1	12.00
2	2	19970112	5	77.00
3	3	19970102	2	20.76
4	3	19970330	2	20.76

In [5]:

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
user_id          69659 non-null int64
order_dt         69659 non-null int64
order_product    69659 non-null int64
order_amount     69659 non-null float64
dtypes: float64(1), int64(3)
memory usage: 2.1 MB

In [55]:

df.describe()

Out[55]:

	user_id	order_product	order_amount
count	69659.000000	69659.000000	69659.000000
mean	11470.854592	2.410040	35.893648
std	6819.904848	2.333924	36.281942
min	1.000000	1.000000	0.000000
25%	5506.000000	1.000000	14.490000
50%	11410.000000	2.000000	25.980000
75%	17273.000000	3.000000	43.700000
max	23570.000000	99.000000	1286.010000

In [18]:

#order_dt转换成时间序列
df['order_dt'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')
df.head()

Out[18]:

	user_id	order_dt	order_product	order_amount
0	1	1997-01-01	1	11.77
1	2	1997-01-12	1	12.00
2	2	1997-01-12	5	77.00
3	3	1997-01-02	2	20.76
4	3	1997-03-30	2	20.76

In [10]:

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 69659 entries, 0 to 69658
Data columns (total 4 columns):
user_id          69659 non-null int64
order_dt         69659 non-null datetime64[ns]
order_product    69659 non-null int64
order_amount     69659 non-null float64
dtypes: datetime64[ns](1), float64(1), int64(2)
memory usage: 2.1 MB

In [19]:

#添加新的一列表示月份
#使用Series调用astype('数据类型')：将Serise的元素转换成指定的数据类型
df['month'] = df['order_dt'].values.astype('datetime64[M]')
df.head()

Out[19]:

	user_id	order_dt	order_product	order_amount	month
0	1	1997-01-01	1	11.77	1997-01-01
1	2	1997-01-12	1	12.00	1997-01-01
2	2	1997-01-12	5	77.00	1997-01-01
3	3	1997-01-02	2	20.76	1997-01-01
4	3	1997-03-30	2	20.76	1997-03-01

第二部分：按月数据分析

• 用户每月花费的总金额
  • 绘制曲线图展示
• 所有用户每月的产品购买量
• 所有用户每月的消费总次数
• 统计每月的消费人数

In [23]:

#用户每月花费的总金额
month_amount_series = df.groupby(by='month')['order_amount'].sum()
month_amount_series

In [24]:

month_amount_series.plot()

Out[24]:

<matplotlib.axes._subplots.AxesSubplot at 0x232e5a75dd8>

In [26]:

#所有用户每月的产品购买量
df.groupby(by='month')['order_product'].sum().plot()

Out[26]:

<matplotlib.axes._subplots.AxesSubplot at 0x232e572cd30>

In [29]:

#所有用户每月的消费总次数
df.groupby(by='month')['user_id'].count().plot()

Out[29]:

<matplotlib.axes._subplots.AxesSubplot at 0x232e5a6c550>

In [30]:

#统计每月的消费人数(去重)
df.groupby(by='month')['user_id'].nunique()

In [36]:

#高级聚合操作
df.groupby(by='month')['user_id'].apply(lambda x:len(x.drop_duplicates()))

Out[36]:

month
1997-01-01    7846
1997-02-01    9633
1997-03-01    9524
1997-04-01    2822
1997-05-01    2214
1997-06-01    2339
1997-07-01    2180
1997-08-01    1772
1997-09-01    1739
1997-10-01    1839
1997-11-01    2028
1997-12-01    1864
1998-01-01    1537
1998-02-01    1551
1998-03-01    2060
1998-04-01    1437
1998-05-01    1488
1998-06-01    1506
Name: user_id, dtype: int64

第三部分：用户个体消费数据分析

• 用户消费总金额和消费总次数的统计描述
• 用户消费金额和消费次数的散点图
• 各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
• 各个用户消费的总数量的直方分布图(消费商品的数量在100次之内的分布)

In [37]:

#用户消费总金额和消费总次数的统计描述
df.describe()

Out[37]:

	user_id	order_product	order_amount
count	69659.000000	69659.000000	69659.000000
mean	11470.854592	2.410040	35.893648
std	6819.904848	2.333924	36.281942
min	1.000000	1.000000	0.000000
25%	5506.000000	1.000000	14.490000
50%	11410.000000	2.000000	25.980000
75%	17273.000000	3.000000	43.700000
max	23570.000000	99.000000	1286.010000

In [39]:

#用户消费金额和消费次数的散点图
user_amount = df.groupby(by='user_id')['order_amount'].sum()
user_oder_count = df.groupby(by='user_id')['order_product'].count()

In [41]:

#绘制散点图
plt.scatter(user_oder_count,user_amount)
plt.xlabel('count')
plt.ylabel('amount')

Out[41]:

Text(0,0.5,'amount')

In [47]:

#各个用户消费总金额的直方分布图(消费金额在1000之内的分布)
user_amount_1000 = df.groupby(by='user_id').sum().query('order_amount <= 1000')['order_amount']
plt.hist(user_amount_1000)

In [51]:

#各个用户消费的总数量的直方分布图(消费商品的数量在100之内的分布)
user_product_count = df.groupby(by='user_id').sum().query('order_product <= 100')['order_product']
plt.hist(user_product_count)

Out[51]:

(array([19543.,  2330.,   830.,   328.,   185.,   116.,    57.,    42.,
           39.,    21.]),
 array([ 1. , 10.7, 20.4, 30.1, 39.8, 49.5, 59.2, 68.9, 78.6, 88.3, 98. ]),
 <a list of 10 Patch objects>)

第四部分：用户消费行为分析

• 用户第一次消费的月份分布，和人数统计
  • 绘制线形图
• 用户最后一次消费的时间分布，和人数统计
  • 绘制线形图
• 新老客户的占比
  • 消费一次为新用户
  • 消费多次为老用户
    • 分析出每一个用户的第一个消费和最后一次消费的时间
      • agg(['func1','func2']):对分组后的结果进行指定聚合
    • 分析出新老客户的消费比例
• 用户分层
  • 分析得出每个用户的总购买量和总消费金额and最近一次消费的时间的表格rfm
  • RFM模型设计
    • R表示客户最近一次交易时间的间隔。
      • /np.timedelta64(1,'D')：去除days
    • F表示客户购买商品的总数量,F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
    • M表示客户交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
    • 将R，F，M作用到rfm表中
  • 根据价值分层，将用户分为：
    • 重要价值客户
    • 重要保持客户
    • 重要挽留客户
    • 重要发展客户
    • 一般价值客户
    • 一般保持客户
    • 一般挽留客户
    • 一般发展客户
      • 使用已有的分层模型即可rfm_func

In [60]:

#用户第一次消费的月份分布，和人数统计
#思路：找出用户购买月份的最小值，进行数量统计
df.groupby(by='user_id')['month'].min().value_counts()

Out[60]:

1997-02-01    8476
1997-01-01    7846
1997-03-01    7248
Name: month, dtype: int64

In [62]:

df.groupby(by='user_id')['month'].min().value_counts().plot()

Out[62]:

<matplotlib.axes._subplots.AxesSubplot at 0x232e7770e48>

In [65]:

#用户最后一次消费的月份分布，和人数统计
df.groupby(by='user_id')['month'].max().value_counts()

In [66]:

df.groupby(by='user_id')['month'].max().value_counts().plot()

Out[66]:

<matplotlib.axes._subplots.AxesSubplot at 0x232e7a78320>

In [ ]:

#分析出新老客户的消费比例

In [69]:

#新用户：用户的首次购买时间和最后一次购买时间，两个时间一样，则表示该用户只购买了一次为新用户
#老用户：不同上为老用户
df_dt_min_max = df.groupby(by='user_id')['order_dt'].agg(['min','max',])#agg(['func1','func2']):对分组后的结果进行指定多种形式聚合
df_dt_min_max.head()

Out[69]:

	min	max
user_id
1	1997-01-01	1997-01-01
2	1997-01-12	1997-01-12
3	1997-01-02	1998-05-28
4	1997-01-01	1997-12-12
5	1997-01-01	1998-01-03

In [71]:

(df_dt_min_max['min'] == df_dt_min_max['max']).value_counts()

Out[71]:

True     12054
False    11516
dtype: int64

In [83]:

#分析得出每个用户的总购买量和总消费金额and最近（最后）一次消费的时间的表格rfm
rfm = df.pivot_table(index='user_id',aggfunc={'order_product':'sum','order_amount':'sum','order_dt':'max'})
rfm.head()

Out[83]:

	order_amount	order_dt	order_product
user_id
1	11.77	1997-01-01	1
2	89.00	1997-01-12	6
3	156.46	1998-05-28	16
4	100.50	1997-12-12	7
5	385.61	1998-01-03	29

In [84]:

#R列表示客户最近一次交易时间的间隔。/np.timedelta64(1,'D')：去除days
rfm['R'] = -(rfm['order_dt'] - rfm['order_dt'].max())/np.timedelta64(1,'D')
rfm.head()

Out[84]:

	order_amount	order_dt	order_product	R
user_id
1	11.77	1997-01-01	1	545.0
2	89.00	1997-01-12	6	534.0
3	156.46	1998-05-28	16	33.0
4	100.50	1997-12-12	7	200.0
5	385.61	1998-01-03	29	178.0

In [85]:

#将rfm模型对应的数据整合出来
#r:购买的时间间隔
#f:购买商品的总量
#m：购买商品花费的总金额
rfm = rfm[['order_amount','order_product','R']]
rfm.rename(columns={'order_amount':'M','order_product':'F'},inplace=True)
rfm.head()

Out[85]:

	M	F	R
user_id
1	11.77	1	545.0
2	89.00	6	534.0
3	156.46	16	33.0
4	100.50	7	200.0
5	385.61	29	178.0

In [86]:

def rfm_func(x):#    -94.310426   -6.122656   177.778362
    #存储存储的是三个字符串形式的0或者1
    level = x.map(lambda x :'1' if x >= 0 else '0')
    label = level['R']+ level['F'] + level.M  #==>level['M']
    d = {
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要挽留客户',
        '001':'重要发展客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般挽留客户',
        '000':'一般发展客户'
    }
    result = d[label]
    return result
#df.apply(func):可以对df中的行或者列进行某种（func）形式的运算
rfm['label'] = rfm.apply(lambda x : x - x.mean()).apply(rfm_func,axis = 1)
rfm.head()

Out[86]:

	M	F	R	label
user_id
1	11.77	1	545.0	一般挽留客户
2	89.00	6	534.0	一般挽留客户
3	156.46	16	33.0	重要保持客户
4	100.50	7	200.0	一般发展客户
5	385.61	29	178.0	重要保持客户

用户的生命周期

• 将用户划分为活跃用户和其他用户
  • 统计每个用户每个月的消费次数
  • 统计每个用户每个月是否消费，消费记录为1否则记录为0
    • 知识点：DataFrame的apply和applymap的区别
      • applymap:返回df
      • 将函数做用于DataFrame中的所有元素(elements)
      • apply:返回Series
      • apply()将一个函数作用于DataFrame中的每个行或者列
  • 将用户按照每一个月份分成：
    • unreg:观望用户（前两月没买，第三个月才第一次买,则用户前两个月为观望用户）
    • unactive:首月购买后，后序月份没有购买则在没有购买的月份中该用户的为非活跃用户
    • new:当前月就进行首次购买的用户在当前月为新用户
    • active:连续月份购买的用户在这些月中为活跃用户
    • return:购买之后间隔n月再次购买的第一个月份为该月份的回头客

In [94]:

#统计每个用户每个月的消费次数
df_purchase = df.pivot_table(index='user_id',aggfunc='count',values='order_dt',columns='month').fillna(0)
df_purchase.head(5)

Out[94]:

month	1997-01-01 00:00:00	1997-02-01 00:00:00	1997-03-01 00:00:00	1997-04-01 00:00:00	1997-05-01 00:00:00	1997-06-01 00:00:00	1997-07-01 00:00:00	1997-08-01 00:00:00	1997-09-01 00:00:00	1997-10-01 00:00:00	1997-11-01 00:00:00	1997-12-01 00:00:00	1998-01-01 00:00:00	1998-02-01 00:00:00	1998-03-01 00:00:00	1998-04-01 00:00:00	1998-05-01 00:00:00	1998-06-01 00:00:00
user_id
1	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
2	2.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
3	1.0	0.0	1.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	2.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0
4	2.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0
5	2.0	1.0	0.0	1.0	1.0	1.0	1.0	0.0	1.0	0.0	0.0	2.0	1.0	0.0	0.0	0.0	0.0	0.0

In [96]:

#统计每个用户每个月是否消费，消费记录为1否则记录为0
df_purchase = df_purchase.applymap(lambda x:1 if x > 0 else 0)
#df.applymap(func):df的一个运算工具，运算对应的是df中的每一个元素
df_purchase.head(7)

Out[96]:

month	1997-01-01 00:00:00	1997-02-01 00:00:00	1997-03-01 00:00:00	1997-04-01 00:00:00	1997-05-01 00:00:00	1997-06-01 00:00:00	1997-07-01 00:00:00	1997-08-01 00:00:00	1997-09-01 00:00:00	1997-10-01 00:00:00	1997-11-01 00:00:00	1997-12-01 00:00:00	1998-01-01 00:00:00	1998-02-01 00:00:00	1998-03-01 00:00:00	1998-04-01 00:00:00	1998-05-01 00:00:00	1998-06-01 00:00:00
user_id
1	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
2	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
3	1	0	1	1	0	0	0	0	0	0	1	0	0	0	0	0	1	0
4	1	0	0	0	0	0	0	1	0	0	0	1	0	0	0	0	0	0
5	1	1	0	1	1	1	1	0	1	0	0	1	1	0	0	0	0	0
6	1	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
7	1	0	0	0	0	0	0	0	0	1	0	0	0	0	1	0	0	0

In [ ]:

将用户按照每一个月份分成：
unreg:观望用户（前两月没买，第三个月才第一次买,则用户前两个月为观望用户）
unactive:首月购买后，后序月份没有购买则在没有购买的月份中该用户的为非活跃用户
new:当前月就进行首次购买的用户在当前月为新用户
active:连续月份购买的用户在这些月中为活跃用户
return:购买之后间隔n月再次购买的第一个月份为该月份的回头客

In [97]:

#将df_purchase中的原始数据0和1修改为new，unactive......,返回新的df叫做df_purchase_new
#固定算法
def active_status(data): #data就是df_purchase中的某一行数据（0,1不同分布组成）
    status = []#某个用户每一个月的活跃度
    for i in range(18):
        
        #若本月没有消费
        if data[i] == 0:
            if len(status) > 0:
                if status[i-1] == 'unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
            else:
                status.append('unreg')
                    
        #若本月消费
        else:
            if len(status) == 0:
                status.append('new')
            else:
                if status[i-1] == 'unactive':
                    status.append('return')
                elif status[i-1] == 'unreg':
                    status.append('new')
                else:
                    status.append('active')
    return status

pivoted_status = df_purchase.apply(active_status,axis = 1) 
pivoted_status.head()

Out[97]:

month	1997-01-01 00:00:00	1997-02-01 00:00:00	1997-03-01 00:00:00	1997-04-01 00:00:00	1997-05-01 00:00:00	1997-06-01 00:00:00	1997-07-01 00:00:00	1997-08-01 00:00:00	1997-09-01 00:00:00	1997-10-01 00:00:00	1997-11-01 00:00:00	1997-12-01 00:00:00	1998-01-01 00:00:00	1998-02-01 00:00:00	1998-03-01 00:00:00	1998-04-01 00:00:00	1998-05-01 00:00:00	1998-06-01 00:00:00
user_id
1	new	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive
2	new	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive	unactive
3	new	unactive	return	active	unactive	unactive	unactive	unactive	unactive	unactive	return	unactive	unactive	unactive	unactive	unactive	return	unactive
4	new	unactive	unactive	unactive	unactive	unactive	unactive	return	unactive	unactive	unactive	return	unactive	unactive	unactive	unactive	unactive	unactive
5	new	active	unactive	return	active	active	active	unactive	return	unactive	unactive	return	active	unactive	unactive	unactive	unactive	unactive

• 每月【不同活跃】用户的计数
  • purchase_status_ct = df_purchase_new.apply(lambda x : pd.value_counts(x)).fillna(0)
  • 转置进行最终结果的查看

In [99]:

pivoted_status.apply(lambda x:pd.value_counts(x)).fillna(0)

Out[99]:

month	1997-01-01 00:00:00	1997-02-01 00:00:00	1997-03-01 00:00:00	1997-04-01 00:00:00	1997-05-01 00:00:00	1997-06-01 00:00:00	1997-07-01 00:00:00	1997-08-01 00:00:00	1997-09-01 00:00:00	1997-10-01 00:00:00	1997-11-01 00:00:00	1997-12-01 00:00:00	1998-01-01 00:00:00	1998-02-01 00:00:00	1998-03-01 00:00:00	1998-04-01 00:00:00	1998-05-01 00:00:00	1998-06-01 00:00:00
active	0.0	1157.0	1681.0	1773.0	852.0	747.0	746.0	604.0	528.0	532.0	624.0	632.0	512.0	472.0	571.0	518.0	459.0	446.0
new	7846.0	8476.0	7248.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
return	0.0	0.0	595.0	1049.0	1362.0	1592.0	1434.0	1168.0	1211.0	1307.0	1404.0	1232.0	1025.0	1079.0	1489.0	919.0	1029.0	1060.0
unactive	0.0	6689.0	14046.0	20748.0	21356.0	21231.0	21390.0	21798.0	21831.0	21731.0	21542.0	21706.0	22033.0	22019.0	21510.0	22133.0	22082.0	22064.0
unreg	15724.0	7248.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0

In [100]:

#进行转置在进行查看
pivoted_status.apply(lambda x:pd.value_counts(x)).fillna(0).T

Out[100]:

	active	new	return	unactive	unreg
month
1997-01-01	0.0	7846.0	0.0	0.0	15724.0
1997-02-01	1157.0	8476.0	0.0	6689.0	7248.0
1997-03-01	1681.0	7248.0	595.0	14046.0	0.0
1997-04-01	1773.0	0.0	1049.0	20748.0	0.0
1997-05-01	852.0	0.0	1362.0	21356.0	0.0
1997-06-01	747.0	0.0	1592.0	21231.0	0.0
1997-07-01	746.0	0.0	1434.0	21390.0	0.0
1997-08-01	604.0	0.0	1168.0	21798.0	0.0
1997-09-01	528.0	0.0	1211.0	21831.0	0.0
1997-10-01	532.0	0.0	1307.0	21731.0	0.0
1997-11-01	624.0	0.0	1404.0	21542.0	0.0
1997-12-01	632.0	0.0	1232.0	21706.0	0.0
1998-01-01	512.0	0.0	1025.0	22033.0	0.0
1998-02-01	472.0	0.0	1079.0	22019.0	0.0
1998-03-01	571.0	0.0	1489.0	21510.0	0.0
1998-04-01	518.0	0.0	919.0	22133.0	0.0
1998-05-01	459.0	0.0	1029.0	22082.0	0.0
1998-06-01	446.0	0.0	1060.0	22064.0	0.0

来源：https://www.cnblogs.com/bky20061005/p/12233254.html