快速开始

示例简介

可以通过一个计算区域系统性金融风险的示例，对Rh-s-PyTool进行快速熟悉和大致了解。

假设我们拥有贵州省各州市某年中一系列经济指标的截面数据，现在采用综合指数评分法对截面数据进行计算，得到当年各州市的区域系统性金融风险。（注：所使用数据来源于贵州的统计年鉴，但在本示例中指标的经济意义不重要， 故修改指标名称为字母隐去其实际含义。同时对后续所采用评分方法的适用性不做考量，直接假定它适合本示例。因而本示例仅供参考！！！！）

导入必要模块

>>>from cp_lookup import lookup                  # 区域名处理模块
>>>import index_calmeth.non_dimension as icn     # 无量纲化模块
>>>import index_calmeth.weights as icw           # 权重计算模块
>>>import index_calmeth.evaluation as ice        # 评价打分模块
>>>from pyecharts import options as opts
>>>from pyecharts.charts import Map
>>>import pandas as pd
>>>import numpy as  np

导入原始数据

>>>data = pd.read_excel(r'示例数据.xlsx')

查看数据框形状

>>>data.shape

(9, 19)

查看数据前五行

>>>data.head()

数据预处理

补全州市名称

这一步本不是必要，但各个数据平台的数据中有的地区名是简称，有的地区名是全称，例如黔西南、凉山等。这些地区名简称和全称差距不小，为了研究的方便，最好还是统一为全称。

>>>data["州市"] = data["州市"].apply(lookup, level="city")
>>>data.head()

dataframe转ndarray

计算过程仅涉及指标数据，暂时无需州市名称、年份等信息，因此暂时排除。同时指标计算部分的模块出于计算效率和数据结构一致性的考虑，没有使用pandas库。通用的数据结构是numpy的ndarray，因此需要将dataframe类数据进行转换。

>>>df = np.array(data.iloc[:, 3:])

指标正向化

假设第2、4、6、8个指标为逆向指标，由于后续评分函数在设计时假设所有指标为正向指标，因此在这里需要利用tiny_convert函数将非正向指标正向化。

>>>df = icn.tiny_convert(df, mode='0', change_list=[1, 3, 5, 7])

指标归一化

后续计算不同指标的权重时，需排除指标量纲的影响，这里使用tonoe函数归一化消除量纲。

>>>df = icn.toone(df, mode="0")

正式计算

计算指标权重

采用基尼系数法求权重。

>>>weights = icw.gini(df)

得到结果

利用topsis方法和前面得到的指标权重计算出区域系统性金融风险分值。

>>>result = pd.DataFrame(ice.topsis(df, weights), index=data["州市"], columns=["topsis"])
>>>result.head()

其它

利用pyecharts模块对计算结果进行可视化

c = (
    Map()
    .add("贵州", [list(z) for z in zip(result.index, result["topsis"]*100)], "贵州")
    .set_global_opts(
        title_opts=opts.TitleOpts(title="贵州地图"), visualmap_opts=opts.VisualMapOpts()
    )
    .render()
)

将得到的html文件在浏览器中打开：