要使用 Python 的 pandas 和 numpy 库实现单个企业月度产品创新满意度及关联指标（含不同层面权重及期望阈值）分析，并将结果保存到 CSV 和 TXT 文件中，可以按照以下步骤进行： ### 1. 导入必要的库 ```python import pandas as pd import numpy as np ``` ### 2. 假设数据 假设已经有一个包含产品创新相关指标的 DataFrame，并且有不同层面的权重和期望阈值。以下是一个示例数据： ```python # 示例数据 data = { '月份': [1, 2, 3, 4, 5], '产品功能满意度': [80, 85, 90, 75, 88], '产品易用性满意度': [70, 75, 80, 65, 78], '产品创新性满意度': [75, 82, 88, 70, 85] } df = pd.DataFrame(data) # 不同层面的权重 weights = { '产品功能满意度': 0.4, '产品易用性满意度': 0.3, '产品创新性满意度': 0.3 } # 期望阈值 thresholds = { '产品功能满意度': 80, '产品易用性满意度': 70, '产品创新性满意度': 75 } ``` ### 3. 计算综合满意度 ```python # 计算每个月的综合满意度 df['综合满意度'] = df[list(weights.keys())].multiply(list(weights.values())).sum(axis=1) ``` ### 4. 分析是否达到期望阈值 ```python # 分析每个指标是否达到期望阈值 for key in thresholds.keys(): df[f'{key}是否达标'] = df[key] >= thresholds[key] ``` ### 5. 保存结果到 CSV 和 TXT 文件 ```python # 保存到 CSV 文件 df.to_csv('product_innovation_analysis.csv', index=False) # 保存到 TXT 文件 with open('product_innovation_analysis.txt', 'w') as f: f.write(df.to_csv(sep='\t', na_rep='nan')) ``` ### 完整代码示例 ```python import pandas as pd import numpy as np # 示例数据 data = { '月份': [1, 2, 3, 4, 5], '产品功能满意度': [80, 85, 90, 75, 88], '产品易用性满意度': [70, 75, 80, 65, 78], '产品创新性满意度': [75, 82, 88, 70, 85] } df = pd.DataFrame(data) # 不同层面的权重 weights = { '产品功能满意度': 0.4, '产品易用性满意度': 0.3, '产品创新性满意度': 0.3 } # 期望阈值 thresholds = { '产品功能满意度': 80, '产品易用性满意度': 70, '产品创新性满意度': 75 } # 计算每个月的综合满意度 df['综合满意度'] = df[list(weights.keys())].multiply(list(weights.values())).sum(axis=1) # 分析每个指标是否达到期望阈值 for key in thresholds.keys(): df[f'{key}是否达标'] = df[key] >= thresholds[key] # 保存到 CSV 文件 df.to_csv('product_innovation_analysis.csv', index=False) # 保存到 TXT 文件 with open('product_innovation_analysis.txt', 'w') as f: f.write(df.to_csv(sep='\t', na_rep='nan')) ``` ### 代码解释 1. **数据准备**：创建一个包含产品创新相关指标的 DataFrame，并定义不同层面的权重和期望阈值。 2. **计算综合满意度**：使用 `multiply` 方法将每个指标乘以对应的权重，然后求和得到每个月的综合满意度。 3. **分析是否达到期望阈值**：遍历每个指标，判断其是否达到期望阈值，并将结果保存到新的列中。 4. **保存结果**：使用 `to_csv` 方法将结果保存到 CSV 文件，使用 `open` 和 `write` 方法将结果保存到 TXT 文件。