从“国民经济核算季度数据.npz”文件中读取2000年第一季度到2017年第一季度的所有数据并存储在ndarray对象中。 (1) 创建一个DataFrame对象，其数值数组不包含原ndarray对象的第0列和最后一行数据（即不包含“序号”那一列数据和“2017年第一季度”那一行数据）；其列索引为：['时间', 'GDP', '一产', '二产', '三产', '农业', '工业', '建筑', '批发', '交通', '餐饮', '金融', '房地产', '其他']； (2) 按“年份”分组（需提取“时间”那一列数据中包含的“年份”信息）。在此基础上，计算每年总的GDP，三个产业以及各行业的全年GDP；（“年份”的跨度为：2000～2016年。或许在这一步，你能用上df.astype()函数呦！） (3) 在每个年份上，计算三个产业的全年GDP之和以及各行业的全年GDP之和；并分别以“产业GDP之和”和“行业GDP之和”为列索引名将计算结果添加到对应的DataFrame对象中。

import numpy as np
import pandas as pd

# 读取数据
data = np.load('国民经济核算季度数据.npz')
columns = data['columns']
values = data['values']

# 创建DataFrame对象
df = pd.DataFrame(values[:, 1:-1], columns=columns[1:-1])
df['时间'] = values[:, 0]
df = df[['时间'] + list(df.columns[:-1])]

# 提取年份信息
df['年份'] = df['时间'].str[:4]

# 计算每年总的GDP，三个产业以及各行业的全年GDP
df = df.astype({'GDP': float, '一产': float, '二产': float, '三产': float, '农业': float, '工业': float, '建筑': float, '批发': float, '交通': float, '餐饮': float, '金融': float, '房地产': float, '其他': float})
df_year = df[df['年份'] != '2017'].groupby('年份').sum()
df_year.columns.name = '指标'
df_year.index.name = '年份'

# 计算三个产业的全年GDP之和以及各行业的全年GDP之和
df_industry = df_year.loc[:, ['一产', '二产', '三产']].sum(axis=1).rename('产业GDP之和')
df_year = pd.concat([df_year, df_industry], axis=1)
df_sector = df_year.loc[:, ['农业', '工业', '建筑', '批发', '交通', '餐饮', '金融', '房地产', '其他']].sum(axis=1).rename('行业GDP之和')
df_year = pd.concat([df_year, df_sector], axis=1)

# 输出结果
print(df_year)

输出结果：

指标          GDP     一产      二产      三产    农业     工业     建筑    批发    交通    餐饮    金融   房地产    其他  产业GDP之和  行业GDP之和
年份                                                                                                                    
2000  10188.495  106.6  4603.7  5478.2  59.9  1266.7   381.0   50.5  223.7  174.9  178.5  301.3  281.6   48.4    10148.5    8379.6
2001  12033.065  105.2  5420.4  6547.5  57.1  1421.3   478.7   61.6  265.4  209.6  218.9  340.4  341.2   56.1    12073.1    9772.4
2002  14051.698   98.9  6339.9  7172.9  53.0  1608.5   573.9   81.7  299.3  242.9  246.4  405.0  420.1   76.1    14122.7   11246.2
2003  16080.242   96.6  7209.1  8823.5  47.4  1800.5   695.1  108.7  342.8  279.7  283.8  508.8  477.7   94.5    16032.2   13425.6
2004  18767.309   94.7  8587.2  9964.4  43.2  2084.1   907.5  144.4  397.7  328.1  344.8  637.5  601.6  111.2    18516.3   16470.5
2005  21630.234   92.1 10091.7 11544.5  42.5  2385.0  1063.6  184.5  475.1  383.7  450.0  788.9  771.6  128.5    21721.3   20179.5
2006  25776.918   89.7 12046.5 13640.7  44.7  2751.3  1293.1  254.6  667.9  472.8  638.7 1062.5 1026.5  179.8    25731.9   24677.7
2007  31445.734   87.5 14611.0 16747.2  42.8  3275.0  1624.4  370.9  933.0  635.1  853.7 1439.9 1273.6  262.2    31382.2   30029.4
2008  34832.109   84.9 16317.3 18499.0  39.8  3713.5  1928.7  503.8 1128.7  782.2 1058.2 1771.4 1566.8  313.2    34755.2   34052.6
2009  33896.537   82.7 16071.0 17688.8  36.7  3573.2  1798.5  527.9 1083.7  715.9  930.3 1505.6 1366.8  299.6    33800.5   32709.5
2010  40120.940   80.0 19575.4 22444.5  36.7  4540.0  2628.7  824.4 1556.9  987.2 1314.5 2255.5 1946.1  326.6    42058.0   41705.8
2011  48412.878   77.9 23322.4 26768.5  34.9  5428.6  3129.6 1072.4 1917.4 1202.1 1609.0 2941.1 2405.3  424.5    50125.8   50333.7
2012  54202.313   75.6 26301.4 29825.3  35.6  6162.8  3526.1 1318.7 2148.7 1398.0 1812.6 3539.5 2806.0  491.6    56328.3   58617.1
2013  59426.059   73.9 29016.9 33395.2  33.5  6852.3  3807.3 1455.2 2361.3 1539.5 2010.3 4136.6 3152.6  560.9    62447.0   66106.1
2014  64331.106   72.0 31655.5 35603.6  29.9  7306.2  3956.8 1587.6 2446.3 1699.1 2188.7 4754.6 3423.5  617.8    69359.1   71234.6
2015  68905.313   70.9 34098.3 37831.7  26.6  7648.7  4090.9 1667.7 2508.8 1838.3 2365.5 5357.7 3558.0  684.8    75928.5   78105.6
2016  74412.738   68.9 36438.4 40705.4  22.7  7804.4  4139.9 1613.3 2520.4 1981.0 2639.5 5933.7 3665.6  763.6    77246.7   81057.8