Python 计算HHI指数
Untitled
In [1]:
import pandas as pd
Info = pd.read_excel("BANK_Info.xlsx")
Combas = pd.read_excel("Bank_Combas.xlsx")
Comins = pd.read_excel("Bank_Comins.xlsx")
d:\Anaconda3\lib\site-packages\openpyxl\styles\stylesheet.py:221: UserWarning: Workbook contains no default style, apply openpyxl's default
warn("Workbook contains no default style, apply openpyxl's default")
In [5]:
Info = Info.drop(Info.head(2).index)
Info
Out[5]:
| Bankcd | Shortbnm | Clsdt | Stkcd | ProvinceName | CityName | BranchNumber | PrimaryBranches | AgencyNumber | DomesticInstitutions | |
|---|---|---|---|---|---|---|---|---|---|---|
| 2 | 000001 | 国家开发银行 | 2007-12-31 | NaN | 北京市 | 北京市 | NaN | NaN | NaN | NaN |
| 3 | 000001 | 国家开发银行 | 2010-12-31 | NaN | 北京市 | 北京市 | NaN | NaN | NaN | NaN |
| 4 | 000001 | 国家开发银行 | 2011-12-31 | NaN | 北京市 | 北京市 | NaN | NaN | NaN | NaN |
| 5 | 000001 | 国家开发银行 | 2009-12-31 | NaN | 北京市 | 北京市 | NaN | NaN | NaN | NaN |
| 6 | 000001 | 国家开发银行 | 2008-12-31 | NaN | 北京市 | 北京市 | NaN | NaN | NaN | NaN |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 4993 | 000505 | 广州黄埔惠民村镇银行 | 2018-12-31 | NaN | 广东省 | 广州市 | NaN | NaN | NaN | NaN |
| 4994 | 000506 | 营口农商银行 | 2019-12-31 | NaN | 辽宁省 | 营口市 | NaN | NaN | 18 | 18 |
| 4995 | 000506 | 营口农商银行 | 2018-12-31 | NaN | 辽宁省 | 营口市 | NaN | NaN | NaN | NaN |
| 4996 | 000506 | 营口农商银行 | 2017-12-31 | NaN | 辽宁省 | 营口市 | NaN | NaN | 18 | 18 |
| 4997 | 000507 | 四川银行 | 2021-12-31 | NaN | 四川省 | 成都市 | 10 | NaN | 107 | NaN |
4996 rows × 10 columns
In [14]:
Combas = Combas[Combas['Typrep'] == "A"]
Combas['year'] = [x[0:4] for x in Combas['Accper']]
Combas
Out[14]:
| Bankcd | Shortbnm | Stkcd | Accper | Typrep | A001000000 | year | |
|---|---|---|---|---|---|---|---|
| 2 | 000001 | 国家开发银行 | NaN | 2007-12-31 | A | 2894657000000 | 2007 |
| 4 | 000001 | 国家开发银行 | NaN | 2008-12-31 | A | 3821218000000 | 2008 |
| 8 | 000001 | 国家开发银行 | NaN | 2009-12-31 | A | 4541058000000 | 2009 |
| 12 | 000001 | 国家开发银行 | NaN | 2010-12-31 | A | 5112297000000 | 2010 |
| 16 | 000001 | 国家开发银行 | NaN | 2011-12-31 | A | 6252256000000 | 2011 |
| ... | ... | ... | ... | ... | ... | ... | ... |
| 9479 | 000502 | 临澧沪农商村镇银行 | NaN | 2021-12-31 | A | 888532542.93 | 2021 |
| 9481 | 000504 | 广州白云民泰村镇银行 | NaN | 2015-12-31 | A | 1201919285.39 | 2015 |
| 9483 | 000504 | 广州白云民泰村镇银行 | NaN | 2020-12-31 | A | 1783605062.42 | 2020 |
| 9485 | 000504 | 广州白云民泰村镇银行 | NaN | 2021-12-31 | A | 2161335728.72 | 2021 |
| 9487 | 000507 | 四川银行 | NaN | 2021-12-31 | A | 184820482683.850006 | 2021 |
3655 rows × 7 columns
In [21]:
Comins = Comins[Comins['Typrep'] == "A"]
Comins['year'] = [x[0:4] for x in Comins['Accper']]
Comins
Out[21]:
| Bankcd | Shortbnm | Stkcd | Accper | Typrep | B001101000 | year | |
|---|---|---|---|---|---|---|---|
| 2 | 000001 | 国家开发银行 | NaN | 2007-12-31 | A | 63428000000 | 2007 |
| 4 | 000001 | 国家开发银行 | NaN | 2008-12-31 | A | 84646000000 | 2008 |
| 8 | 000001 | 国家开发银行 | NaN | 2009-12-31 | A | 77444000000 | 2009 |
| 12 | 000001 | 国家开发银行 | NaN | 2010-12-31 | A | 91440000000 | 2010 |
| 16 | 000001 | 国家开发银行 | NaN | 2011-12-31 | A | 117425000000 | 2011 |
| ... | ... | ... | ... | ... | ... | ... | ... |
| 9417 | 000502 | 临澧沪农商村镇银行 | NaN | 2021-12-31 | A | 19520590.49 | 2021 |
| 9419 | 000504 | 广州白云民泰村镇银行 | NaN | 2015-12-31 | A | 71684662.24 | 2015 |
| 9421 | 000504 | 广州白云民泰村镇银行 | NaN | 2020-12-31 | A | 59947001.09 | 2020 |
| 9424 | 000504 | 广州白云民泰村镇银行 | NaN | 2021-12-31 | A | 82182252.91 | 2021 |
| 9425 | 000507 | 四川银行 | NaN | 2021-12-31 | A | 3507812232.44 | 2021 |
3637 rows × 7 columns
In [88]:
data = Combas.join(Comins.set_index(['year','Bankcd']), on = ['year','Bankcd'], how='outer', lsuffix="", rsuffix="_r")
data
Out[88]:
| Bankcd | Shortbnm | Stkcd | Accper | Typrep | A001000000 | year | Shortbnm_r | Stkcd_r | Accper_r | Typrep_r | B001101000 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2 | 000001 | 国家开发银行 | NaN | 2007-12-31 | A | 2894657000000 | 2007 | 国家开发银行 | NaN | 2007-12-31 | A | 63428000000 |
| 4 | 000001 | 国家开发银行 | NaN | 2008-12-31 | A | 3821218000000 | 2008 | 国家开发银行 | NaN | 2008-12-31 | A | 84646000000 |
| 8 | 000001 | 国家开发银行 | NaN | 2009-12-31 | A | 4541058000000 | 2009 | 国家开发银行 | NaN | 2009-12-31 | A | 77444000000 |
| 12 | 000001 | 国家开发银行 | NaN | 2010-12-31 | A | 5112297000000 | 2010 | 国家开发银行 | NaN | 2010-12-31 | A | 91440000000 |
| 16 | 000001 | 国家开发银行 | NaN | 2011-12-31 | A | 6252256000000 | 2011 | 国家开发银行 | NaN | 2011-12-31 | A | 117425000000 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 9487 | 000178 | NaN | NaN | NaN | NaN | NaN | 2012 | 莆田农商银行 | NaN | 2012-12-31 | A | 636968100 |
| 9487 | 000256 | NaN | NaN | NaN | NaN | NaN | 2020 | 宁德农商银行 | NaN | 2020-12-31 | A | 382777012.09 |
| 9487 | 000299 | NaN | NaN | NaN | NaN | NaN | 2011 | 广东省农信联社 | NaN | 2011-12-31 | A | 1942666541.02 |
| 9487 | 000299 | NaN | NaN | NaN | NaN | NaN | 2019 | 广东省农信联社 | NaN | 2019-12-31 | A | 1253444878.87 |
| 9487 | 000472 | NaN | NaN | NaN | NaN | NaN | 2019 | 休宁农商银行 | NaN | 2019-12-31 | A | 268233877.81 |
3664 rows × 12 columns
In [89]:
data = data.join(Info.set_index('Bankcd'), on='Bankcd', how='outer', lsuffix="",rsuffix="_info")
In [90]:
from pandas import DataFrame
from typing import Set, Any
def remove_others(df: DataFrame, columns: Set[Any]):
cols_total: Set[Any] = set(df.columns)
diff: Set[Any] = cols_total - columns
df.drop(diff, axis=1, inplace=True)
remove_others(data, {"Bankcd","year","CityName","A001000000","B001101000"})
In [91]:
data.sort_values(['A001000000', 'B001101000'], ascending=[True, True])
data
Out[91]:
| Bankcd | A001000000 | year | B001101000 | CityName | |
|---|---|---|---|---|---|
| 2.0 | 000001 | 2894657000000 | 2007 | 63428000000 | 北京市 |
| 2.0 | 000001 | 2894657000000 | 2007 | 63428000000 | 北京市 |
| 2.0 | 000001 | 2894657000000 | 2007 | 63428000000 | 北京市 |
| 2.0 | 000001 | 2894657000000 | 2007 | 63428000000 | 北京市 |
| 2.0 | 000001 | 2894657000000 | 2007 | 63428000000 | 北京市 |
| ... | ... | ... | ... | ... | ... |
| NaN | 000505 | NaN | NaN | NaN | 广州市 |
| NaN | 000505 | NaN | NaN | NaN | 广州市 |
| NaN | 000506 | NaN | NaN | NaN | 营口市 |
| NaN | 000506 | NaN | NaN | NaN | 营口市 |
| NaN | 000506 | NaN | NaN | NaN | 营口市 |
44093 rows × 5 columns
In [92]:
data = data.drop_duplicates()
data.sort_values(['Bankcd', 'year'], ascending=[True, True])
data
Out[92]:
| Bankcd | A001000000 | year | B001101000 | CityName | |
|---|---|---|---|---|---|
| 2.0 | 000001 | 2894657000000 | 2007 | 63428000000 | 北京市 |
| 4.0 | 000001 | 3821218000000 | 2008 | 84646000000 | 北京市 |
| 8.0 | 000001 | 4541058000000 | 2009 | 77444000000 | 北京市 |
| 12.0 | 000001 | 5112297000000 | 2010 | 91440000000 | 北京市 |
| 16.0 | 000001 | 6252256000000 | 2011 | 117425000000 | 北京市 |
| ... | ... | ... | ... | ... | ... |
| NaN | 000496 | NaN | NaN | NaN | 漳平市 |
| NaN | 000500 | NaN | NaN | NaN | 长葛市 |
| NaN | 000503 | NaN | NaN | NaN | 广州市 |
| NaN | 000505 | NaN | NaN | NaN | 广州市 |
| NaN | 000506 | NaN | NaN | NaN | 营口市 |
4155 rows × 5 columns
In [93]:
data_sumbycity = data.groupby(['CityName','year']).sum()
remove_others(data_sumbycity,{'Bankcd','year','A001000000','B001101000'})
data_sumbycity
Out[93]:
| Bankcd | A001000000 | B001101000 | ||
|---|---|---|---|---|
| CityName | year | |||
| 三明市 | 2013 | 000312000317 | 7.574215e+09 | 4.505046e+08 |
| 2014 | 000315000320000324 | 1.122321e+10 | 6.630297e+08 | |
| 2015 | 000312000316000317000320000324 | 2.247993e+10 | 1.062760e+09 | |
| 2016 | 000312000316000317000320000324000326000334 | 3.093930e+10 | 1.078822e+09 | |
| 2017 | 000312000317000320000324000326000334 | 2.707526e+10 | 1.156870e+09 | |
| ... | ... | ... | ... | ... |
| 龙岩市 | 2019 | 000411000426000427 | 3.044012e+10 | 1.317649e+09 |
| 2020 | 000411 | 1.878094e+10 | 6.037049e+08 | |
| 2021 | 000411 | 2.125090e+10 | 5.633289e+08 | |
| 龙海市 | 2020 | 000406 | 1.712601e+10 | 6.794343e+08 |
| 2021 | 000406 | 2.016687e+10 | 6.620722e+08 |
1981 rows × 3 columns
In [94]:
data_sumbycity.reset_index(inplace=True)
data_sumbycity
Out[94]:
| CityName | year | Bankcd | A001000000 | B001101000 | |
|---|---|---|---|---|---|
| 0 | 三明市 | 2013 | 000312000317 | 7.574215e+09 | 4.505046e+08 |
| 1 | 三明市 | 2014 | 000315000320000324 | 1.122321e+10 | 6.630297e+08 |
| 2 | 三明市 | 2015 | 000312000316000317000320000324 | 2.247993e+10 | 1.062760e+09 |
| 3 | 三明市 | 2016 | 000312000316000317000320000324000326000334 | 3.093930e+10 | 1.078822e+09 |
| 4 | 三明市 | 2017 | 000312000317000320000324000326000334 | 2.707526e+10 | 1.156870e+09 |
| ... | ... | ... | ... | ... | ... |
| 1976 | 龙岩市 | 2019 | 000411000426000427 | 3.044012e+10 | 1.317649e+09 |
| 1977 | 龙岩市 | 2020 | 000411 | 1.878094e+10 | 6.037049e+08 |
| 1978 | 龙岩市 | 2021 | 000411 | 2.125090e+10 | 5.633289e+08 |
| 1979 | 龙海市 | 2020 | 000406 | 1.712601e+10 | 6.794343e+08 |
| 1980 | 龙海市 | 2021 | 000406 | 2.016687e+10 | 6.620722e+08 |
1981 rows × 5 columns
In [95]:
data = data.join(data_sumbycity.set_index(['CityName','year']), on=['CityName','year'], how='left', lsuffix="",rsuffix="_sumbycity")
data
Out[95]:
| Bankcd | A001000000 | year | B001101000 | CityName | Bankcd_sumbycity | A001000000_sumbycity | B001101000_sumbycity | |
|---|---|---|---|---|---|---|---|---|
| 2.0 | 000001 | 2894657000000 | 2007 | 63428000000 | 北京市 | 0000010000020000030000040000050000060000070000... | 3.547693e+13 | 1.003285e+12 |
| 4.0 | 000001 | 3821218000000 | 2008 | 84646000000 | 北京市 | 0000010000020000030000040000050000060000070000... | 4.150743e+13 | 1.275437e+12 |
| 8.0 | 000001 | 4541058000000 | 2009 | 77444000000 | 北京市 | 0000010000020000030000040000050000060000070000... | 5.214055e+13 | 1.287555e+12 |
| 12.0 | 000001 | 5112297000000 | 2010 | 91440000000 | 北京市 | 0000010000020000030000040000050000060000070000... | 6.036077e+13 | 1.602859e+12 |
| 16.0 | 000001 | 6252256000000 | 2011 | 117425000000 | 北京市 | 0000010000020000030000040000050000060000070000... | 7.011701e+13 | 2.038011e+12 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... |
| NaN | 000496 | NaN | NaN | NaN | 漳平市 | NaN | NaN | NaN |
| NaN | 000500 | NaN | NaN | NaN | 长葛市 | NaN | NaN | NaN |
| NaN | 000503 | NaN | NaN | NaN | 广州市 | NaN | NaN | NaN |
| NaN | 000505 | NaN | NaN | NaN | 广州市 | NaN | NaN | NaN |
| NaN | 000506 | NaN | NaN | NaN | 营口市 | NaN | NaN | NaN |
4155 rows × 8 columns
In [106]:
# df['result'] = df.one.div(df.two)
# data.loc[~np.isnan(data['A001000000_sumbycity']), 'A001000000_sumbycity'] = 0
import numpy as np
datanona1 = data[data['A001000000_sumbycity'].notna()]
datanona1 = data[data['A001000000_sumbycity']!=0]
datanona2 = data[data['B001101000_sumbycity'].notna()]
datanona2 = data[data['B001101000_sumbycity']!=0]
datanona1['size_share'] = datanona1['A001000000']/datanona1['A001000000_sumbycity']
datanona2['sale_share'] = datanona2['B001101000']/datanona2['B001101000_sumbycity']
# data = data.dropna(axis=0,inplace=True, how='all')
<ipython-input-106-24cdfe4e81ca>:9: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy datanona1['size_share'] = datanona1['A001000000']/datanona1['A001000000_sumbycity'] <ipython-input-106-24cdfe4e81ca>:10: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy datanona2['sale_share'] = datanona2['B001101000']/datanona2['B001101000_sumbycity']
In [112]:
datanona = datanona1.join(datanona2.set_index(['Bankcd','year']), on = ['Bankcd','year'], lsuffix = "", rsuffix = "_nona", how = 'outer')
remove_others(datanona, {"Bankcd","year","CityName","size_share","sale_share"})
datanona = datanona.drop_duplicates()
datanona
Out[112]:
| Bankcd | year | CityName | size_share | sale_share | |
|---|---|---|---|---|---|
| 2.0 | 000001 | 2007 | 北京市 | 0.081593 | 0.06322 |
| 4.0 | 000001 | 2008 | 北京市 | 0.092061 | 0.066366 |
| 8.0 | 000001 | 2009 | 北京市 | 0.087093 | 0.060148 |
| 12.0 | 000001 | 2010 | 北京市 | 0.084696 | 0.057048 |
| 16.0 | 000001 | 2011 | 北京市 | 0.089169 | 0.057617 |
| ... | ... | ... | ... | ... | ... |
| NaN | 000496 | 2021 | NaN | NaN | NaN |
| NaN | 000500 | 2021 | NaN | NaN | NaN |
| NaN | 000503 | 2021 | NaN | NaN | NaN |
| NaN | 000505 | 2021 | NaN | NaN | NaN |
| NaN | 000506 | 2021 | NaN | NaN | NaN |
5061 rows × 5 columns
In [123]:
# datanona_sumbycity = data.groupby(['CityName','year']).sum()
# remove_others(data_sumbycity,{'Bankcd','year','A001000000','B001101000'})
datanona = datanona.assign(size_share2 = lambda x: (x['size_share'].pow(2)))
datanona = datanona.assign(sale_share2 = lambda x: (x['sale_share'].pow(2)))
datanona
Out[123]:
| Bankcd | year | CityName | size_share | sale_share | size_share2 | sale_share2 | |
|---|---|---|---|---|---|---|---|
| 2.0 | 000001 | 2007 | 北京市 | 0.081593 | 0.06322 | 0.006657 | 0.003997 |
| 4.0 | 000001 | 2008 | 北京市 | 0.092061 | 0.066366 | 0.008475 | 0.004404 |
| 8.0 | 000001 | 2009 | 北京市 | 0.087093 | 0.060148 | 0.007585 | 0.003618 |
| 12.0 | 000001 | 2010 | 北京市 | 0.084696 | 0.057048 | 0.007173 | 0.003254 |
| 16.0 | 000001 | 2011 | 北京市 | 0.089169 | 0.057617 | 0.007951 | 0.00332 |
| ... | ... | ... | ... | ... | ... | ... | ... |
| NaN | 000496 | 2021 | NaN | NaN | NaN | NaN | NaN |
| NaN | 000500 | 2021 | NaN | NaN | NaN | NaN | NaN |
| NaN | 000503 | 2021 | NaN | NaN | NaN | NaN | NaN |
| NaN | 000505 | 2021 | NaN | NaN | NaN | NaN | NaN |
| NaN | 000506 | 2021 | NaN | NaN | NaN | NaN | NaN |
5061 rows × 7 columns
In [126]:
datanona_sumbycity = datanona.groupby(['CityName','year']).sum()
remove_others(datanona_sumbycity,{'Bankcd','year','size_share2','sale_share2'})
datanona_sumbycity.reset_index(inplace = True)
datanona_sumbycity
Out[126]:
| CityName | year | Bankcd | size_share2 | sale_share2 | |
|---|---|---|---|---|---|
| 0 | 三明市 | 2013 | 000312000317 | 0.500036 | 0.501207 |
| 1 | 三明市 | 2014 | 000315000320000324 | 0.351456 | 0.356867 |
| 2 | 三明市 | 2015 | 000312000316000317000320000324 | 0.209161 | 0.209976 |
| 3 | 三明市 | 2016 | 000312000316000317000320000324000326000334 | 0.155380 | 0.158590 |
| 4 | 三明市 | 2017 | 000312000317000320000324000326000334 | 0.176918 | 0.186416 |
| ... | ... | ... | ... | ... | ... |
| 1972 | 龙岩市 | 2019 | 000411000426000427 | 0.406262 | 0.363928 |
| 1973 | 龙岩市 | 2020 | 000411 | 1.000000 | 1.000000 |
| 1974 | 龙岩市 | 2021 | 000411 | 1.000000 | 1.000000 |
| 1975 | 龙海市 | 2020 | 000406000406 | 2.000000 | 1.045466 |
| 1976 | 龙海市 | 2021 | 000406000406 | 2.000000 | 1.052799 |
1977 rows × 5 columns
In [132]:
datanona = datanona.join(datanona_sumbycity.set_index(['CityName','year']),on = ['CityName','year'],how="left",lsuffix="",rsuffix="sumby")
datanona
Out[132]:
| Bankcd | year | CityName | size_share | sale_share | size_share2 | sale_share2 | Bankcdsumby | size_share2sumby | sale_share2sumby | |
|---|---|---|---|---|---|---|---|---|---|---|
| 2.0 | 000001 | 2007 | 北京市 | 0.081593 | 0.06322 | 0.006657 | 0.003997 | 0000010000020000030000040000050000060000070000... | 0.162151 | 0.175584 |
| 4.0 | 000001 | 2008 | 北京市 | 0.092061 | 0.066366 | 0.008475 | 0.004404 | 0000010000020000030000040000050000060000070000... | 0.157091 | 0.170013 |
| 8.0 | 000001 | 2009 | 北京市 | 0.087093 | 0.060148 | 0.007585 | 0.003618 | 0000010000020000030000040000050000060000070000... | 0.154007 | 0.172281 |
| 12.0 | 000001 | 2010 | 北京市 | 0.084696 | 0.057048 | 0.007173 | 0.003254 | 0000010000020000030000040000050000060000070000... | 0.152562 | 0.167121 |
| 16.0 | 000001 | 2011 | 北京市 | 0.089169 | 0.057617 | 0.007951 | 0.00332 | 0000010000020000030000040000050000060000070000... | 0.148335 | 0.160992 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| NaN | 000496 | 2021 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000500 | 2021 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000503 | 2021 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000505 | 2021 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000506 | 2021 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
5061 rows × 10 columns
In [137]:
datanona.sort_values('year',ascending=True)
datanona
Out[137]:
| Bankcd | year | CityName | size_share | sale_share | size_share2 | sale_share2 | Bankcdsumby | size_share2sumby | sale_share2sumby | |
|---|---|---|---|---|---|---|---|---|---|---|
| 2874.0 | 000075 | 2007 | 苏州市 | 0.323322 | 0.33266 | 0.104537 | 0.110663 | 000075000093000171000171 | 0.498349 | 1.336809 |
| 1140.0 | 000023 | 2007 | 济南市 | 1.0 | 0.729809 | 1.0 | 0.532621 | 000023000023 | 2.000000 | 1.532621 |
| 4227.0 | 000119 | 2007 | 郑州市 | 1.0 | 1.0 | 1.0 | 1.0 | 000119 | 1.000000 | 1.000000 |
| 1789.0 | 000039 | 2007 | 北京市 | 0.005149 | 0.005304 | 0.000027 | 0.000028 | 0000010000020000030000040000050000060000070000... | 0.162151 | 0.175584 |
| 4755.0 | 000134 | 2007 | 台州市 | 1.0 | 1.0 | 1.0 | 1.0 | 000134 | 1.000000 | 1.000000 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| NaN | 000258 | NaN | 龙岩市 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000410 | NaN | 龙岩市 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000204 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000230 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000239 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
5061 rows × 10 columns
In [139]:
datanona.loc[(datanona['size_share2sumby'] > 1), 'size_share2sumby'] = 1
datanona.loc[(datanona['sale_share2sumby'] > 1), 'sale_share2sumby'] = 1
datanona
Out[139]:
| Bankcd | year | CityName | size_share | sale_share | size_share2 | sale_share2 | Bankcdsumby | size_share2sumby | sale_share2sumby | |
|---|---|---|---|---|---|---|---|---|---|---|
| 2874.0 | 000075 | 2007 | 苏州市 | 0.323322 | 0.33266 | 0.104537 | 0.110663 | 000075000093000171000171 | 0.498349 | 1.000000 |
| 1140.0 | 000023 | 2007 | 济南市 | 1.0 | 0.729809 | 1.0 | 0.532621 | 000023000023 | 1.000000 | 1.000000 |
| 4227.0 | 000119 | 2007 | 郑州市 | 1.0 | 1.0 | 1.0 | 1.0 | 000119 | 1.000000 | 1.000000 |
| 1789.0 | 000039 | 2007 | 北京市 | 0.005149 | 0.005304 | 0.000027 | 0.000028 | 0000010000020000030000040000050000060000070000... | 0.162151 | 0.175584 |
| 4755.0 | 000134 | 2007 | 台州市 | 1.0 | 1.0 | 1.0 | 1.0 | 000134 | 1.000000 | 1.000000 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| NaN | 000258 | NaN | 龙岩市 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000410 | NaN | 龙岩市 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000204 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000230 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| NaN | 000239 | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
5061 rows × 10 columns
In [140]:
datanona.to_excel("datanona.xlsx")
In [ ]:
浙公网安备 33010602011771号