接下来对连云港石化基地2023年用电量进行分析，首先导入数据分析基本的包：

import pandas as pd
import matplotlib.pyplot as plt


# Load the data from the provided Excel files
file_path1 = 'data1.xlsx'
file_path2 = 'data2.xlsx'

data1 = pd.read_excel(file_path1)
data1

从上面结果可以发现，数据集一个有246条数据

# 接下来可以进行数据分析和可视化

# 将日期格式更改为仅包含年和月
data1['时间'] = data1['时间'].dt.to_period('M')

# 接下来可以进行数据分析和可视化

接下来进行描述性统计结果分析：

1. 数据概况：

   • 数据包含了 246 个观测值，分别对应不同的月份和用电量。
   • 用电量的平均值为 3257539 千瓦时，中位数为 284677.5 千瓦时，说明数据存在一定的右偏态。
   • 标准差为 8436332 千瓦时，说明数据的离散程度较大，可能存在一些极端值。

2. 用电量分布：

   • 用电量的最小值为 11700 千瓦时，最大值为 37745478 千瓦时，说明数据的范围非常广泛。
   • 大部分用电量集中在较低的水平，可能存在一些大型用电设备或工业用户导致了极端值的出现。

3. 异常值检测：

   • 可以通过绘制箱线图来检测异常值。从箱线图中可以看出，存在一些用电量明显高于其他观测值的异常值。
   • 这些异常值可能需要进一步调查，以确定是否存在数据录入错误或其他异常情况。

import matplotlib.pyplot as plt 
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['KaiTi']  #中文
plt.rcParams['axes.unicode_minus'] = False   #负号
import pandas as pd
import seaborn as sns
# 企业用电量排名
import matplotlib.pyplot as plt
import numpy as np

# 定义企业名称和用电量数据
companies = ['盛虹炼化（连云港）有限公司', '连云港石化有限公司', '江苏瑞恒新材料科技有限公司', '江苏嘉宏新材料有限公司', '江苏方洋能源科技有限公司',
             '中化连云港石化仓储有限公司', '连云港徐圩港口控股集团有限公司', '连云港圣奥化学科技有限公司', '江苏洋井石化集团有限公司', '连云港徐圩港口码头有限公司']
electricity = [4191025003, 2192691053, 1186132719, 283658970, 87738582, 21805327, 9319212, 7785657, 7636359, 7440616]

# 为每个企业选择一个不同的颜色
colors = plt.cm.tab10(np.arange(len(companies)))

# 绘制柱状图
plt.figure(figsize=(10, 8),dpi=200)
plt.bar(companies, electricity, color=colors)
plt.xlabel('企业名称')
plt.ylabel('用电量')
plt.title('不同企业的用电量情况')
plt.xticks(rotation=45)  # 如果企业名称较长，可以旋转以免重叠
# plt.grid(True)  # 显示网格线

# 设置y轴标签为非科学技术法显示
plt.gca().ticklabel_format(axis='y', style='plain')
plt.show()

首先，我们对数据进行了彻底的清洗和验证，确保所有用电数据均准确无误。然后，我们从企业规模和行业类型这两个维度对数据进行了对比分析。具体来说，我们将企业按照用电量进行了排名，以此识别出用电量最高的企业。分析结果表明，盛虹炼化（连云港）有限公司和连云港石化有限公司的用电量显著高于其他企业，这反映了它们作为该地区主要炼油或化工企业的能源密集特性。它们对电力的巨大需求可能是支持高强度生产过程所必需的。紧随其后的江苏瑞恒新材料科技有限公司，其用电量也相对较高，这可能指示该公司是一家从事新材料生产的高能耗企业。与这些企业相比，其他企业的用电量相对较低，这可能反映了它们较小的规模或参与的行业对能源的需求相对较低。尽管如此，这些企业仍在当地经济中扮演着重要角色。

# 绘制条形图
plt.figure(figsize=(12, 6),dpi=200)
sns.barplot(x=monthly_electricity.index, y=monthly_electricity.values)
plt.title('每月用电量分布')
plt.xlabel('月份')
plt.ylabel('用电量（千瓦时）')
# 设置y轴标签为非科学技术法显示
plt.gca().ticklabel_format(axis='y', style='plain')
plt.show()

 

# 为饼图准备数据
values = [specific_company_electricity, total_electricity - specific_company_electricity]
labels = ['江苏瑞恒新材料科技有限公司', '其他公司']

# 绘制饼图
plt.figure(figsize=(8, 6),dpi=200)
plt.pie(values, labels=labels, autopct='%1.1f%%', startangle=140)
plt.title('江苏瑞恒新材料科技有限公司用电量占比')
plt.show()

 

我们的分析结果显示，江苏瑞恒新材料科技有限公司的用电量占比高达14.8%，这一显著的比例不仅展示了该公司在当地能源消耗方面的重要性，而且暗示了其较大的企业规模和市场影响力。在典型经济体中，企业的用电量往往与其规模、产能和产品产出水平紧密相关。较高的用电量可能表明该公司拥有大型生产设施和高产出的生产线。此外，这一较高的用电量占比还可能反映出该公司在其行业中的领先地位，如在新材料科技领域的技术优势或市场占有率。 

读取另一个文件

import pandas as pd
import matplotlib.pyplot as plt


# Load the data from the provided Excel files
file_path2 = 'data2.xlsx'

data2 = pd.read_excel(file_path2)
data2

通过这个数据集，可以了解不同用电单位在特定时间内的用电情况，包括用电量的多少。这对于电力管理、计费、规划等方面都具有重要的参考价值。同时，结合其他相关信息，还可以进一步分析用电趋势、优化电力供应等。

这里设置显示选项，避免科学计数法

pd.set_option('display.float_format', lambda x: '%.2f' % x)

# 只显示数值型数据的描述统计信息
numeric_data_description = data2.describe(include=np.number)
print(numeric_data_description)

# 按项目分组并计算每个项目的总用电量
project_electricity = data2.groupby('项目')['电量'].sum().sort_values(ascending=False).head(20)
# 重置索引，便于作图
project_electricity_df = project_electricity.reset_index()

# 绘制条形图
plt.figure(figsize=(8, 10),dpi=300)
sns.barplot(x='电量', y='项目', data=project_electricity_df)
plt.title('前20个项目的用电量对比')
plt.xlabel('总用电量（千瓦时）')
plt.ylabel('项目')
plt.xticks(rotation=90)
# 设置y轴标签为非科学技术法显示
plt.gca().ticklabel_format(axis='x', style='plain')
plt.show()

从图表中明显看出，如220kV炼化变高压供用电和连云港石化高压供用电这样的主要项目用电量显著高于其他项目，这些项目代表了该地区主要的工业生产基地，其高用电量体现了对电力的强烈需求。同时，我们也注意到了一些与新材料产业相关的项目，比如瑞恒新材料110kV瑞恒碳三变电站高压供用电，这些项目的用电数据提供了对新兴行业在当地经济中的发展情况和影响力的重要见解。除了工业生产，我们还发现了诸如能源科技第三方治理工程高压供用电这样的能源治理和环保项目，这些项目的用电情况反映了当地对环保和可持续发展的重视。

通过这项分析，我们得以全面了解该地区的产业结构、经济活动和基础设施建设状况。排名前20的项目不仅涵盖了石化、新材料、能源治理和环保等多个领域，还包括了基础设施建设项目，如变电站和输煤管道，这些用电数据反映出对基础设施建设的投入，突显了该地区对建设和发展的承诺。这样的综合分析不仅帮助我们把握当地的经济结构和发展趋势，而且为未来的经济发展和能源规划提供了宝贵的参考。这些信息对于政府规划部门、企业决策者以及投资者都极为重要，帮助他们在制定策略和计划时做出更加明智的选择。

数据加完整代码

创作不易，希望大家多点赞关注评论！！！