微信支付数据处理

1.0导入数据

  • 将微信支付到出的数据放入到文件夹 new_add_data 中
path_list=['new_add_data/微信支付账单(20200701-20200930).csv',
           'new_add_data/微信支付账单(20210101-20210318).csv',
           'new_add_data/微信支付账单(20201011-20201231).csv']  

for path in path_list:
    get_data(path)  

1.1 数据格式转化

建立方法导入数据进main_data

# 添加数据的方法
def get_data(path):
    
    #导入新数据
    new_data=pd.read_csv(path,delimiter=",",skiprows=16,index_col=0)
    
   
    #去掉金额列的 ¥金额 str格式转 float
    new_data['金额(元)']=(new_data['金额(元)']
                       .str.replace('¥','')
                       .astype('float'))
    #将交易对方 里的 “/”替换为 “ 微信红包退款 ”
    new_data.loc[new_data['交易对方']=='/','交易对方']='微信红包退款'
    new_data['in_out_NO']=1.0
    
    new_data.loc[new_data['收/支']=='收入','in_out_NO']=-1.0
    new_data.loc[new_data['收/支']=='支出','in_out_NO']=1.0
    new_data['金额(元)']=new_data['金额(元)']*new_data['in_out_NO']
    
  
    
    #对导入数据简单处理
    col_list=['交易对方','收/支', '金额(元)', '支付方式', '当前状态']
    add_data=new_data[col_list]
    add_data['交易时间']=list(add_data.index)

  
    
      
    #与main_data 校对,提取新增数据new_data
    main_path='basic_data/main_data.csv'
    
    if os.path.isfile(main_path):
        l_data=pd.read_csv(main_path,index_col=0)
        
        l_data=pd.concat([l_data,add_data])
        
        l_data=l_data.drop_duplicates(subset='交易时间').round(2)
        
        main_data=l_data.to_csv(main_path,index=False)
        
        
    else:
        
        main_data=add_data.to_csv(main_path,index=False)
    
    #将new_data导入main-data中
    
    
    return

2.0 生成报表

  • 显示交易频率前20的报表
ef show_top20_trade_valuse(main_data):
    #生成交易频率最高交易对象
    
    #确认交易频率最高的对象
    closest_trader=(main_data['交易对方'].value_counts()
                    .sort_values(ascending=False)
                    .index[:20]
                    .tolist()
                   )
   
  
    
    df=(
        main_data.groupby(main_data['交易对方'])
        .sum()
        .loc[closest_trader]
        .round(2)
    )
    
    counts_list=(main_data['交易对方'].value_counts()
                 .values[:20]
        
    )

    
        
    y_list=df['金额(元)']

    
    
    x_list=df.index
    
    

    # 生成图像
    bar = (
        Bar()
        .add_xaxis(x_list.tolist())
        .add_yaxis("交易金额",y_list.tolist(),label_opts=opts.LabelOpts(position="top"))

        
        .extend_axis(
            yaxis=opts.AxisOpts(
                name="交易次数",
                min_=0,
                max_=160,
                interval=20,
                offset=30,
                axislabel_opts=opts.LabelOpts(formatter="{value} times"),
                axistick_opts=opts.AxisTickOpts(is_show=True),
                splitline_opts=opts.SplitLineOpts(is_show=True),
            )
        
        )
        .set_series_opts(label_opts=opts.LabelOpts(is_show=False))
        
        .set_global_opts(
            title_opts=opts.TitleOpts(title="频次最高20个对象及交易总额", subtitle="微信记账小插件"),
            yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter="{value} RMB")),
            xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-45)),
            toolbox_opts=opts.ToolboxOpts(),

        )
    )
    
    line=(
        Line()
        .add_xaxis(x_list.tolist())
        .add_yaxis(
            "交易频次",            
            y_axis=counts_list.tolist(),
            yaxis_index=1,

        )
    )
  
    print('以下打印count——list')
    print(counts_list.tolist())
  

    bar.overlap(line)
    bar.render('report/消费频率最高的20个交易对象频次及交易总额.html')

    return
  • 按交易类别的报表
#按支出分类的饼图
def show_top_20_trade(main_data):
    
    
    df3=(main_data[main_data['收/支']=='支出']
        .groupby(main_data['交易对方'])  
        .sum()
        .sort_values(by='金额(元)')[-20:]
        .round(2)
    )['金额(元)']



    
    #系列数据设置
    y_list=df3.values
    x_list=df3.index

    # 生成图像
    pie =(
        Pie()
        .add(
            series_name='',
            data_pair=[k for k in zip(x_list,y_list)]
        )
    ) 

    pie.render('report/pay in type.html')

完成成果

image.png
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,362评论 5 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,330评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,247评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,560评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,580评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,569评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,929评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,587评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,840评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,596评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,678评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,366评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,945评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,929评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,165评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 43,271评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,403评论 2 342

推荐阅读更多精彩内容