分析高影响业务决策的工具和示例，并避免使用电子表格的许多问题
montepylib的Python项目详细描述
#使用pandas进行蒙特卡罗商业案例分析
这个包提供了一些工具和示例来分析高影响的业务决策，并避免了使用电子表格的许多问题。
##背景
熊猫正日益成为科学计算的标准工具。它是否也能在首席财务官办公室发挥作用？首席财务官经常需要分析不同项目或业务案例的影响，他们几乎普遍使用电子表格来分析。电子表格有很多优点——它们的进入门槛很低，而且大多数人都很容易理解。然而，随着它们变得越来越复杂，缺点开始出现；特别是，它们可能是不灵活的和高度容易出错的。
这里的应用程序通过“monte carlo”分析变得更加有趣和有用。传统的业务案例分析是对销售、成本和价格进行单点估计，并计算单个利润预测。每个人都知道利润不会完全等于预测。但目前尚不清楚利润的范围，也不清楚亏损的可能性有多大。“蒙特卡罗”分析通过允许假设的范围或分布来解决这个问题；然后预测是一系列结果。
有关更多背景信息，请参见[talk]（http://racingtadpole.com/blog/business-case-python-pandas/）。
##包装结构
幻灯片和ipython笔记本包含在talks目录中。这篇题为“利用熊猫进行蒙特卡罗商业案例分析”的演讲，于2014年6月5日在澳大利亚pycon公司（2014年8月1日）和悉尼python集团的科学和数据小型会议上发表。这是一个介绍蒙特卡罗商业案例分析和熊猫。您可以在[racingtapole.com/blog/business case python pandas]（http://racingtadpole.com/blog/business-case-python-pandas/）上找到它。幻灯片是使用html5演示引擎[shower]（https://github.com/shower/shower）准备的。
montepylib目录包括：
- io.py-简化数据输入的例程
- manip.py-操作数据帧的例程
- utils.py-类似于的实用程序是字符串int
- sim.py-核心模拟程序
- extend.py-为数据帧添加一些有用的方法
有关更多信息，包括测试模型，请参见examples目录。
##快速入门
首先安装软件包：
pip install montepylib
然后，在python中，尝试：
from pandas import Series, DataFrame import pandas as pd from montepylib.sim import Simulator
volume = DataFrame([[‘Factory A’,’Widget X’,200,30.0],[‘Factory A’,’Widget Y’,100,15.0],[‘Factory B’,’Widget X’,300,50.0]], columns=[‘factory’,’widget’,’mean’,’sd’]) costs = DataFrame([[‘Factory A’,’Widget X’,1,.2],[‘Factory A’,’Widget Y’,.6,.1],[‘Factory B’,’Widget X’,1.2,.25],[‘Factory B’,’Widget Y’,.7,.12]], columns=[‘factory’,’widget’,’mean’,’sd’]) price = DataFrame([[‘Widget X’,5,.5], [‘Widget Y’,3,.3]], columns=[‘widget’,’mean’,’sd’])
mc = Simulator() N = 5000 sim_vol = mc.sim_from_params(N, volume, ‘volume’) sim_costs = mc.sim_from_params(N, costs, ‘cost’) sim_price = mc.sim_from_params(N, price, ‘price’)
sim = mc.merge(sim_vol, sim_costs, sim_price, how=’left’) sim[‘margin’] = sim[‘price’] - sim[‘cost’] sim[‘profit’] = sim[‘volume’] * sim[‘margin’]
sim_factory = sim.groupby([‘factory’, ‘iteration’]).sum()[[‘profit’,’volume’]] total_per_iteration = sim_factory.groupby(level=’iteration’).sum() total_per_iteration.hist(xrot=90);
summary_per_factory = sim_factory.groupby(level=’factory’).describe().unstack(level=0) summary_per_factory # profit volume # factory Factory A Factory B Factory A Factory B # count 5000.000000 5000.000000 5000.000000 5000.000000 # mean 1041.392873 1142.445923 299.692542 300.461622 # std 167.320088 255.161823 33.146621 50.388224 # min 411.263495 370.741291 150.234686 127.378759 # 25% 929.578744 965.513249 277.282007 266.361845 # 50% 1032.065933 1129.047618 299.882982 300.278990 # 75% 1148.330681 1308.399140 321.756739 334.676815 # max 1808.573213 2167.622599 420.227083 478.421165
对于基本情况，使用n=0：
N = 0 # include the same code as above to calculate sim_factory sim_factory # profit volume # factory iteration # Factory A base case 1040 300 # Factory B base case 1140 300
对于灵敏度分析，使用n=-1：
N = -1 # include the same code as above to calculate total_per_iteration total_per_iteration # profit volume # iteration # base case 2180 600 # high cost 2055 600 # high price 2460 600 # high volume 2526 695 # low cost 2305 600 # low price 1900 600 # low volume 1834 505
有关更详细的示例，包括测试模型，请参见examples目录。
##其他实现
熊猫不是唯一的办法。对于另一种方法，我还探索了使用r-see[this post]（http://racingtadpole.com/blog/monte-carlo-cashflow-modelling-in-r/）来获取一些示例，并参阅robert d.brown，2013年出版的书[“使用r进行业务案例分析”（http://leanpub.com/bizanalysiswithr）。或者如果你想从模拟中解放出来，直接处理数学分布，你甚至可以使用[mathematica]（http://www.wolfram.com/mathematica/）….
欢迎加入QQ群-->： 979659372
