基于Pandas 的车辆数据分析

### 基于Pandas的车辆数据分析概述

#### 实验目标
1. **理解数据分析流程**：掌握根据业务背景确定数据分析目的与需求的能力。
2. **数据清洗**：熟练使用Pandas进行数据清洗操作。
3. **数据分析与可视化**：能够利用Pandas进行数据分析并生成可视化图表。

#### 实验内容
1. **实验环境与效果预览**
- **实验难度**：中等（☆☆☆）
- **建议时长**：45分钟
- **前置知识**：
- 了解数据分析的基本流程
- 掌握Pandas数据清洗的基本知识
- 具备Pandas数据分析及可视化的基本知识
- **实验环境**：
- 系统环境：MacOS、Linux、Windows 10
- 软件环境：Python 3.6+Anaconda、Pandas

2. **数据加载**
- 使用`pd.read_csv`读取CSV文件，加载车辆数据。
- 示例代码：

     import pandas as pd
     car_data = pd.read_csv('second_cars_info.csv', encoding='utf_8_sig')

3. **数据清洗**
- **处理未上牌车辆**：
- 统计未上牌车辆数量，占比极小（0.82%），直接删除。
- 分割“Boarding_time”字段为“year”和“month”。
- **处理“New_price”和“Km”字段**：
- 删除单位，保留数字，并转换为浮点类型。
- 示例代码：

       car_data['New_price'] = car_data['New_price'].str[:-1].astype('float')
       car_data['Km'] = car_data['Km'].str[:-2].astype('float')

4. **数据分析**
- **车辆价格分布**：
- 使用`dataframe.hist()`绘制直方图，组距为10万元。
- **车辆销量品牌占比**：
- 统计Top10品牌，其余归类为“其他”，绘制饼图。
- **排放标准分析**：
- 统计不同排放标准的车辆数量，绘制柱形图。
- **车龄分析**：
- 统计不同年份上牌的车辆数量，绘制柱形图。
- **里程分析**：
- 将里程数分为6个范围，统计每个范围内的车辆数量，绘制柱形图。
- **折旧价格分析**：
- 计算折旧价格（`Sec_price / New_price`），按20%的间隔分箱，绘制柱形图。
- **行驶公里数与价格关系**：
- 选取特定品牌（如奥迪）的车辆，绘制行驶公里数与价格的散点图。

#### 实验结果
1. **车辆价格分布**：价格越高，交易数量急剧下降。
2. **车辆销量品牌占比**：销量前十的品牌占总销量的63%，主要包括别克、大众、奔驰、宝马等。
3. **排放标准**：国4标准最多，其次是欧4、国5、欧5。
4. **车龄**：2010年附近上牌的车辆成交最多，其次是2014年。
5. **里程**：大部分交易的二手车里程数在0到9万公里之间，7到9万公里的车辆最多。
6. **折旧价格**：成交的二手车折旧价格在原价的20%至80%之间。
7. **行驶公里数与价格**：行驶里程数与价格呈负相关，里程数越多，价格越低。

#### 扩展阅读
1. 《数据分析与可视化》，张玉宏等著；电子工业出版社.2023.
2. Pandas官方中文文档：https://www.pypandas.cn/

### 附录
- 本实验的完整源码见附件。