企业官网建设流程全解析

运行环境：jupyter notebook (python 3.12.7) + Pandas （数据分析库）+ Pyecharts （可视化库）+ Plotly （可视化库）

1.Python | 物流行业的五维评分模型-CSDN博客

2.Python | 评分模型与五维雷达图-CSDN博客

3.Python | 评分模型与气泡图-CSDN博客

气泡图指标选择：

运行代码：
 

import pandas as pd import numpy as np import os from pyecharts.charts import Radar from pyecharts import options as opts from IPython.display import IFrame, display import matplotlib.colors as mcolors # 新增导入 import plotly.graph_objects as go from plotly.offline import plot as offline_plot # 定义模型框架参数（保持不变） dimension_weights = { '资源规模': 0.1, '作业产能': 0.15, '运营效率': 0.3, '成本控制': 0.3, '财务表现': 0.15 } metric_weights_directions = { '资源规模': { '仓库面积（㎡）': {'weight': 0.3, 'direction': '正向'}, '物流总人数（人）': {'weight': 0.3, 'direction': '正向'}, '仓储员工人数（人）': {'weight': 0.2, 'direction': '正向'}, '运输员工人数（人）': {'weight': 0.2, 'direction': '正向'} }, '作业产能': { '年吞吐量（件）': {'weight': 0.3, 'direction': '正向'}, '冷链年吞吐量（件）': {'weight': 0.2, 'direction': '正向'}, '年配送量（件）': {'weight': 0.3, 'direction': '正向'}, '年末库存量（件）': {'weight': 0.2, 'direction': '正向'} }, '运营效率': { '人均吞吐量（件/人）': {'weight': 0.15, 'direction': '正向'}, '人均配送量（件/人）': {'weight': 0.15, 'direction': '正向'}, '单位面积吞吐量（件/㎡）': {'weight': 0.15, 'direction': '正向'}, '库存周转次(次)': {'weight': 0.15, 'direction': '正向'}, '库存周转天(天)': {'weight': 0.1, 'direction': '负向'}, '库存密度（件/㎡）': {'weight': 0.1, 'direction': '正向'}, '入库每订单行件数（件/行）': {'weight': 0.1, 'direction': '正向'}, '出库每订单行件数（件/行）': {'weight': 0.1, 'direction': '正向'} }, '成本控制': { '单件仓储成本（元/件）': {'weight': 0.2, 'direction': '负向'}, '单件运输成本（元/件）': {'weight': 0.2, 'direction': '负向'}, '单件物流成本（元/件）': {'weight': 0.2, 'direction': '负向'}, '每订单行物流成本（元/件）': {'weight': 0.2, 'direction': '负向'}, '二方物流费率': {'weight': 0.2, 'direction': '负向'} }, '财务表现': { '三方物流收入(万元)': {'weight': 0.8, 'direction': '正向'}, # 调整权重 '三方收入增长率': {'weight': 0.2, 'direction': '正向'} # 调整权重 } } # 定义地区列表（保持不变） regions = [ '上海', '北京', '广东', '天津', '沈阳', '江苏', '安徽', '湖北', '湖南', '西南', '新疆', '陕西', '国控山西', '乐仁堂', '河南', '福建', '贵州', '江西', '浙江', '海南', '温州', '宁夏', '云南', '青海', '山东', '黑龙江', '吉林', '重庆', '广西', '甘肃', '国药山西', '国控四川', '大连和成', '内蒙古', '重庆泰民' ] def load_and_process_excel(file_path): """（保持不变）""" # 检查文件是否存在 if not os.path.exists(file_path): raise FileNotFoundError(f"Excel文件不存在: {file_path}") # 读取Excel数据 df = pd.read_excel(file_path) # 清理数据 - 删除完全为空的行和列 df = df.dropna(how='all').dropna(axis=1, how='all') # 确保列名正确 if df.columns[0] != '维度': # 尝试将第一行作为列名 df.columns = df.iloc[0] df = df[1:] df.reset_index(drop=True, inplace=True) return df def get_metric_values(df, dimension, metric): """（保持不变）""" # 筛选符合维度和指标的数据行 filtered = df[(df['维度'] == dimension) & (df['指标'] == metric)] # 如果没有找到数据，返回全零列表 if filtered.empty: print(f"警告: 未找到数据 - 维度: {dimension}, 指标: {metric}") return [0] * len(regions) # 提取各地区的值 return filtered[regions].values.flatten().tolist() def calculate_scores(file_path): """（保持不变）""" # 加载Excel数据 df = load_and_process_excel(file_path) # 创建空DataFrame存放最终结果 dim