背景：某总公司旗下有若干子公司

分别位于上海（SH）、北京（BJ）、成都（CD）、广州（GZ）等
每个子公司每年都会发生若干消费项目

如：Information Technology、Travel and Entertainment、Forms and Supplies 等

下面介绍如何计算总体占比、分类占比、按筛选的总体占比、按筛选的分类占比
首先Power BI链接数据源（子公司的费用表）， 做一个矩阵视图：



1、计算总体占比：
总体占比 = DIVIDE(SUM('费用表'[cost]),CALCULATE(SUM('费用表'[cost]),ALL('费用表')))



2、计算分类占比
分类占比 = DIVIDE(SUM('费用表'[cost]),CALCULATE(SUM('费用表'[cost]),ALL('费用表'[Item])))


现在加入Item的切片器，按照筛选来看占比
3、按筛选计算总体占比
按筛选 占总体% = DIVIDE(SUM('费用表'[cost]),CALCULATE(SUM('费用表'[cost]),ALLSELECTED('费用表'[Dept])))



4、按筛选计算分类占比
按筛选 占分类% = DIVIDE(SUM('费用表'[cost]),CALCULATE(SUM('费用表'[cost]),ALLSELECTED('费用表'[Item])))



从以上结果可以看出用DAX计算占比非常灵活，每一种占比，分子都不变，通过ALL和ALLSELECT函数及其参数的选择操控不同的上下文环境，来控制分母的计算，进而得到我们所需要的占比。

感谢阅读！

	

如何处理时间序列数据？
import pandas as pd
import matplotlib.pyplot as plt
air_quality = pd.read_csv("data/air_quality_no2_long.csv")
air_quality = air_quality.rename(columns={"date.utc": "datetime"})
air_quality.head()
city
country
datetime
location
parameter
value
unit
0
Paris
FR
2019-06-21 00:00:00+00:00
FR04014
no2
20.0
µg/m³
1
Paris
FR
2019-06-20 23:00:00+00:00
FR04014
no2
21.8
µg/m³
2
Paris
FR
2019-06-20 22:00:00+00:00
FR04014
no2
26.5
µg/m³
3
Paris
FR
2019-06-20 21:00:00+00:00
FR04014
no2
24.9
µg/m³
4
Paris
FR
2019-06-20 20:00:00+00:00
FR04014
no2
21.4
µg/m³
air_quality.city.unique()
array(['Paris', 'Antwerpen', 'London'], dtype=object)
使用pandas的datetime类型
1、我想把datetime列从文本转换成datetime类型
air_quality["datetime"] = pd.to_datetime(air_quality["datetime"])
air_quality["datetime"]
0      2019-06-21 00:00:00+00:00
1      2019-06-20 23:00:00+00:00
2      2019-06-20 22:00:00+00:00
3      2019-06-20 21:00:00+00:00
4      2019-06-20 20:00:00+00:00
                  ...
3442   2019-04-09 06:00:00+00:00
3443   2019-04-09 05:00:00+00:00
3444   2019-04-09 04:00:00+00:00
3445   2019-04-09 03:00:00+00:00
3446   2019-04-09 02:00:00+00:00
Name: datetime, Length: 3447, dtype: datetime64[ns, UTC]
datetime列的初始值是字符串，不支持任何datetime操作(例如，提取年份、星期等等)。通过应用to_datetime函数，pandas将解析字符串并将其转换为datetime(例如datetime64[ns, UTC])对象。在pandas中，我们称其datetime类型(由panda.Timestamp对象定义)，它类似于python标准库中的datetime.datetime对象。
由于很多数据集将日期时间信息包含在其中一列中，因此pandas输入函数，例如.read_csv()在读取数据时，可以使用parse_dates参数将列的列表作为Timestamp对象读取到日期列。Timestamp对象非常有用，它有很多有用的特性。
1.1、时间序列数据中的起始和终止日期
air_quality["datetime"].min(), air_quality["datetime"].max()
(Timestamp('2019-04-09 01:00:00+0000', tz='UTC'),
 Timestamp('2019-06-21 00:00:00+0000', tz='UTC'))
1.2、时间序列的时间长度是多少
air_quality["datetime"].max() - air_quality["datetime"].min()
Timedelta('72 days 23:00:00')
由Timestamp定义的时间可以轻地计算时间信息，如上面得到了两个时间点的时间间隔，这是个Timedelta对象，类型于Python标准库中的datetime.timedelta。
2、我想在原数据中添加一列，让它包含观测值的月份
air_quality["month"] = air_quality["datetime"].dt.month
air_quality.head()
city
country
datetime
location
parameter
value
unit
month
0
Paris
FR
2019-06-21 00:00:00+00:00
FR04014
no2
20.0
µg/m³
6
1
Paris
FR
2019-06-20 23:00:00+00:00
FR04014
no2
21.8
µg/m³
6
2
Paris
FR
2019-06-20 22:00:00+00:00
FR04014
no2
26.5
µg/m³
6
3
Paris
FR
2019-06-20 21:00:00+00:00
FR04014
no2
24.9
µg/m³
6
4
Paris
FR
2019-06-20 20:00:00+00:00
FR04014
no2
21.4
µg/m³
6
使用Timestamp对象，可以方便获得许多时间相关属性(年、月、季度)等信息，要访问这些属性，需要使用dt访问器。
3、每个观测站的一周内各天的平均浓度是多少？
air_quality.groupby(
    [air_quality["datetime"].dt.weekday, "location"])["value"].mean()
datetime  location
0         BETR801               32.489583
          FR04014               29.495417
          London Westminster    29.425439
1         BETR801               30.083333
          FR04014               34.402381
          London Westminster    35.185345
2         BETR801               21.533333
          FR04014               30.130579
          London Westminster    30.121212
3         BETR801               24.615385
          FR04014               28.749378
          London Westminster    29.378723
4         BETR801               24.541667
          FR04014               32.980851
          London Westminster    30.192308
5         BETR801               28.500000
          FR04014               24.955752
          London Westminster    26.995434
6         BETR801               20.514286
          FR04014               24.467917
          London Westminster    26.685590
Name: value, dtype: float64
还记得groupby中提供的分组(split)-应用(apply)-组合(combine)模式吗？这里，我们要计算一周各天和每个观测站的给定统计量(例如，平均浓度浓度)。为了对星期各天分组，我们使用pandas Timestamp的weekday属性(Monday=0和Sunday=6)，使用dt访问器可以访问该属性。之后就对地点与日期进行分组，并计算各组平均值。
4、绘制所有站点一日内各时段的典型的浓度分布形式。换句话说，一天中每小时的平均值是多少？
fig, axs = plt.subplots(figsize=(12, 4))
air_quality.groupby(
    air_quality["datetime"].dt.hour)["value"].mean().plot(kind='bar',
                                                          rot=0,
                                                          ax=axs)
plt.xlabel("Hour of the day")
plt.ylabel("$NO_2 (µg/m^3)$");
和上面的情况类似，我们希望计算一天中每小时的给定统计数据(例如平均浓度)，我们可以再次使用分组(split)-应用(apply)-组合(combine)方法。对于这个例子，使用dt访问器获得hour属性。
将datetime作为index使用
使用在改变图形布局教程中介绍pivot()函数将数据变换成如下方式：
no_2 = air_quality.pivot(index="datetime", columns="location", values="value")
no_2.head()
location
BETR801
FR04014
London Westminster
datetime
2019-04-09 01:00:00+00:00
22.5
24.4
NaN
2019-04-09 02:00:00+00:00
53.5
27.4
67.0
2019-04-09 03:00:00+00:00
54.5
34.2
67.0
2019-04-09 04:00:00+00:00
34.5
48.5
41.0
2019-04-09 05:00:00+00:00
46.5
59.5
41.0
datetime索引(即DatetimeIndex)提供了强大的功能。例如，我们无需dt访问器，直接在索引上就可访问这些属性：
no_2.index.year, no_2.index.weekday
(Int64Index([2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019,
             ...
             2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019, 2019],
            dtype='int64', name='datetime', length=1705),
 Int64Index([1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
             ...
             3, 3, 3, 3, 3, 3, 3, 3, 3, 4],
            dtype='int64', name='datetime', length=1705))
datetime还有其他一些优点，比如可以方便地划分时间段或调整时间尺度。
5、绘制5月20日和5月21日各站NO2浓度图
no_2["2019-05-20":"2019-05-21"].plot()
datetimeIndex可以解析字符串日期，因此能够方便的划分不同时间断的子集。
将一种时间序列重采样(resample)成另一频率的数据。
6、将当前以小时为单位的时间序列变换成以月为单位，并取其中最大值。
monthly_max = no_2.resample("M").max()
monthly_max
location
BETR801
FR04014
London Westminster
datetime
2019-04-30 00:00:00+00:00
72.5
117.2
84.0
2019-05-31 00:00:00+00:00
74.5
97.0
97.0
2019-06-30 00:00:00+00:00
52.5
84.7
52.0
datetime索引的时间序列数据有一种非常强大的方法resample()，可以将时间序列重采样到另一个频率(例如，将每两天数据转换为5分钟数据)。
resample()方法和groupby操作很像：
它通过使用字符串(例如M，5H，…)来定义目标频率，并基于此对时间分组
它需要一个汇总函数，比如mean，max，...
当通过上述方法定义了时间频率后，就可以通过freq属性查看时间序列频率：
monthly_max.index.freq
7、绘制每个观测站的每日NO2浓度中值：
no_2.resample("D").mean().plot(style="-o", figsize=(10, 5));
--------------分割线------------------
pandas支持4种通用的时间概念
概念
标量类型
数组类型
pandas数据类型
基本创建方法
日期时间(Date times)
Timestamp
DatetimeIndex
datetime64[ns]或者datetime64[ns, tz]
to_datetime或者date_range
时间差(Time deltas)
Timedelta
TimedeltaIndex
timedelta64[ns]
to_timedelta或者timedelta_range
时间跨度(Time spans)
Period
PeriodIndex
period[freq]
Period或者period_range
日期偏移量(Date offsets)
DateOffset
None
None
DateOffset
1、日期时间(Datetime)
日期时间的标量数据类型为Timestamp也叫时间戳，它是用一个64位二进制带符号整数表达日期和时间，以便于时间计算。整数0，即时间戳的起点默认为1970-1-1 00:00:00。如果以秒为单位，那么整数值每加1，代表时间上也增加1秒。正整数代表后续时间，负整数则代表以前的时间。时间戳能表达的时间范围与单位有关，单位时间越短，能表达的时间范围也越窄，pandas默认的时间单位为纳秒，它可以表达时间范围为：
pd.to_datetime([2**63-1])     
#第64位为0，代表正数，此为上限，也可用pd.Timestamp.max查看
DatetimeIndex(['2262-04-11 23:47:16.854775807'], dtype='datetime64[ns]', freq=None)
pd.to_datetime([-2**63+808])  
#经测试，这个值是为下限，并未取完全部整数值，也可用pd.Timestamp.min查看
DatetimeIndex(['1677-09-21 00:12:43.145225'], dtype='datetime64[ns]', freq=None)
时间戳有若干日期时间属性，包括year、month、day、hour、minute、second、microsecond、nanosecond、date、time等等，其最突出的优点就是你可方便地使用部分属性将想要的值筛选出来。
2、时间差(Time deltas)
Time deltas表示的就是两个绝对时间点的差值，有了它你可以方便的计算时间(最大变化单位为天，最小为纳秒)，而无需考虑时间变化的各种问题。
pd.to_datetime([0]) + pd.to_timedelta('1d') #增加 1 天
DatetimeIndex(['1970-01-02'], dtype='datetime64[ns]', freq=None)
pd.to_datetime([0]) + pd.to_timedelta('1m') #增加 1 分钟
DatetimeIndex(['1970-01-01 00:01:00'], dtype='datetime64[ns]', freq=None)
pd.to_datetime([0]) + pd.to_timedelta('1ns' )#增加 1 纳秒
DatetimeIndex(['1970-01-01 00:00:00.000000001'], dtype='datetime64[ns]', freq=None)
3、时间跨度(Time spans)
Time spans可以定义一种周期变量(period)，通过设定变化频率可以方便控制期变化周期而无需考虑实际时间影响。
p = pd.Period('2020-1', freq='M') # 开始时间为2020年1月，以月为变化周期
p + 1 
Period('2020-02', 'M')
p + 5
Period('2020-06', 'M')
4、日期偏移量(Date offsets)
Date offsets也是一种时间变化形式，它和Time deltas的区别在于，Time deltas只考虑了时间的绝对差值，而无法顾及实际日期带来的影响，如工作日需要从周五跳转到周一。使用Date offsets正是为了解决类似问题，通过调用各种日期偏移方法，可以无需考虑日期具体形式。
bd = pd.offsets.BusinessDay() # 定义一个工作日的偏移量
friday = pd.to_datetime('2020-6-19')
friday.weekday()   # 0代表周一， 4代表周五
4
monday = friday + bd
monday.weekday()
0

在工作中遇到一张统计表有多个字段，每个字段都有其筛选条件，写工作汇报需要每个字段的占比来进行分析数据背后的意义。如果按照原来的一次次点击每个字段的筛选条件查询将会耗费大量时间，运用数据透视表能够节约三分之二的时间，而且也不容易出错。


1，数据透视表

数据透视表是计算、汇总和分析数据的强大工具，可助你了解数据中的对比情况、模式和趋势。

请点击:)这是一个教你如何创建数据透视表的官方教程

2，举栗子

要求：求某届研究生（全校）毕业生参与学术活动情况分布占比（小数点后两位），该字段（研究生毕业生参与学术活动情况）有三个筛选条件：

1﹒经常参加 2﹒偶尔参加 3﹒未参加

解：

Step1: 插入数据透视表，因为所给统计表中没有唯一的标识整体的数据，即全校的，有的数据是各个学院的，所以在第一列前添加索引，如下图所示，索引字全为A，当然你也可以填写任意相同内容，为的是让该字段（索引）具有唯一筛选条件属性；



step2：接着，将为整个表插入数据透视表，按照所给链接插入即可；

step3：在数据透视表列字段列表中勾选"索引"字段和 “研究生毕业生参与学术活动情况”字段,，结果如下图所示：



step4：可以在Excel左侧看到统计数据，然后再在C4单元格中写函数“=B4/1932”来计算百分比，如下图a所示；得出的单元格中的数据格式是小数，不是百分数，需要调整单元格式，如图b所示；最后填充筛选条件的单元格的格式即可，如图c所示
a 写函数


b 设置单元格格式，选择数字 -> 百分比 -> 小数数位2






c 选中单元格“100%”单元格，点击单元格右下角小黑点进行复制单元格



3，如果要求某个学院的各个系的某字段的占比，操作和上述一致

选取行标签和需要计数的字段


按照上述步骤来就好了

总觉得还有更简单的办法，不过还未发现，请路过的大佬指点一二 ?

一、功能
这里的需求是，判断摄像头有没有被物体遮挡。这里只考虑用手遮挡---->判断黑色颜色的范围。
二、使用OpenCV的Mat格式图片遍历图片
下面代码里，传入的图片的尺寸是640*480，判断黑色范围。
/*
在图片里查找指定颜色的比例
*/
int Widget::Mat_color_Find(QImage qimage)
{
Mat image = QImage2cvMat(qimage);//将图片加载进来
int num = 0;//记录颜色的像素点
float rate;//要计算的百分率
//遍历图片的每一个像素点
for(int i = 0; i < image.rows;i++) //行数
{
for(int j = 0; j 
{
//对该像素是否为指定颜色进行判断 BGR 像素点
//OpenCV 中 MAT类的默认三原色通道顺序BGR
/*
动态地址访问像素语法：image.at(i,j)[0]、image.at(i, j)
访问三通道图像的单个像素：
int b = image.at(i, j)[0];
int g = image.at(i, j)[1];
int r = image.at(i, j)[2];
对于三通道图像，每个像素存储了三个值，分别为蓝色、绿色、红色通道上的数值。
int gray_data = image.at(i, j);
用来访问灰度图像的单个像素。对于灰度图像，每个像素只存储一个值
*/
if((image.at(i, j)[0] <= 120 &&
image.at(i, j)[1] <= 120 &&
image.at(i, j)[2] <= 120))
{
num++;
}
}
}
rate = (float)num / (float)(image.rows * image.cols);
//阀值为 0.249255 表示为全黑
if(rate>0.20)
{
qDebug()<
}
qDebug()<
return 0;
}
Mat Widget::QImage2cvMat(QImage image)
{
Mat mat;
switch(image.format())
{
case QImage::Format_ARGB32:
case QImage::Format_RGB32:
case QImage::Format_ARGB32_Premultiplied:
mat = Mat(image.height(), image.width(), CV_8UC4, (void*)image.constBits(), image.bytesPerLine());
break;
case QImage::Format_RGB888:
mat = Mat(image.height(), image.width(), CV_8UC3, (void*)image.constBits(), image.bytesPerLine());
cvtColor(mat, mat, CV_BGR2RGB);
break;
case QImage::Format_Indexed8:
mat = Mat(image.height(), image.width(), CV_8UC1, (void*)image.constBits(), image.bytesPerLine());
break;
}
return mat;
}
三、使用QImage遍历像素点
/*
在图片里查找指定颜色的比例
*/
int Widget::qimage_color_Find(QImage qimage)
{
int num = 0;//记录颜色的像素点
float rate;//要计算的百分率
quint8 r,g,b;
//遍历图片的每一个像素点
for(int i = 0; i < qimage.height();i++) //行数
{
for(int j = 0; j 
{
QRgb rgb=qimage.pixel(j,i);
r=qRed(rgb);
g=qGreen(rgb);
b=qBlue(rgb);
if((r <= 120 && g <= 120 && b <= 120))
{
num++;
}
}
}
rate = (float)num / (float)(qimage.height() * qimage.width());
//阀值为 0.99777 表示为全黑
if(rate>0.60)
{
//qDebug()<
}
qDebug()<
return 0;
}
补充知识：判断一批图片中含有某中颜色物体的图片个数占总图片的比例
最近在做一个语义分割项目,使用Label工具进行了类别的标注.然后不同类别生成了不同的颜色,如需要代码可以参考.后来我想统计一下含有一种类别的图片和含有两种类别的图片占总图片的比例,下面是我的代码:
代码思路：
1)循环读取文件夹中的图片
2)循环读取图片的每一个像素点,当图片的像素点和你检测的物体像素点一致时,对应类别加1.
3)读取完图片后计算每一类的比例.
import cv2
import os
import matplotlib.pyplot as plt
picture_path="/home/wsb/桌面/picture"
picture_list=os.listdir(picture_path)
total_picture=len(picture_list)
total=total_picture
per=[]
number=0#图片中道路类型为1的个数
number1=0#一种道路类型并且比例小于0.0638的个数
number2=0
for item in picture_list:
src = os.path.join(os.path.abspath(picture_path), item)
print("start: %s "%item)
total_picture-=1
mat=cv2.imread(src)
height=mat.shape[0]
width=mat.shape[1]
ground=0
zero=0
one=0
two=0
three=0
four=0
five=0
six=0
seven=0
eight=0
rateground=0
rate0=0
rate1=0
rate2=0
rate3=0
rate4=0
rate5=0
rate6=0
rate7=0
rate8=0
rate=0
road_type=0
for i in range(height):
for j in range(width):
#      print("r:%s"%mat[i][j][0])
#      print("r:%s"%mat[i][j][1])
#      print("r:%s"%mat[i][j][2])
'''
我这里共有9种分类情况，况且我已知道每一种颜色的具体rgb值，我将它们作为我的判断条件
如不你不知道可以在网上查找自己想查看比例的rgb值或者范围
'''
if mat[i][j][0]==0 and mat[i][j][1]==0 and mat[i][j][2]==0:
ground+=1
elif mat[i][j][0]==128 and mat[i][j][1]==0 and mat[i][j][2]==0:
zero+=1
elif mat[i][j][0]==0 and mat[i][j][1]==128 and mat[i][j][2]==0:
one+=1
elif mat[i][j][0]==128 and mat[i][j][1]==128 and mat[i][j][2]==0:
two+=1
elif mat[i][j][0]==0 and mat[i][j][1]==0 and mat[i][j][2]==128:
three+=1
elif mat[i][j][0]==128 and mat[i][j][1]==0 and mat[i][j][2]==128:
four+=1
elif mat[i][j][0]==0 and mat[i][j][1]==128 and mat[i][j][2]==128:
five+=1
elif mat[i][j][0]==128 and mat[i][j][1]==128 and mat[i][j][2]==128:
six+=1
elif mat[i][j][0]==0 and mat[i][j][1]==0 and mat[i][j][2]==64:
seven+=1
elif mat[i][j][0]==0 and mat[i][j][1]==0 and mat[i][j][2]==192:
eight+=1
else:
print("输入正确的图片，或者更改上面判断条件的像素值")
rateground=ground/(height*width)
rate0=zero/(height*width)
if rate0!=0:
road_type+=1
rate1=one/(height*width)
if rate1!=0:
road_type+=1
rate2=two/(height*width)
if rate2!=0:
road_type+=1
rate3=three/(height*width)
if rate3!=0:
road_type+=1
rate4=four/(height*width)
if rate4!=0:
road_type+=1
rate5=five/(height*width)
if rate5!=0:
road_type+=1
rate6=six/(height*width)
if rate6!=0:
road_type+=1
rate7=seven/(height*width)
if rate7!=0:
road_type+=1
rate8=eight/(height*width)
if rate8!=0:
road_type+=1
rate=rate0+rate1+rate2+rate3+rate4+rate5+rate6+rate7+rate8
per.append(rate)
if road_type==1:
number+=1
if rate<0.0638:
number1+=1#一种类型道路并且所占比例小于0.0638的情况
else:
if rate<0.532:
number2+=1#两种道路类型，并且正确正确道路类型所占比例小于0.532时的个数
print("the remaining %d"%total_picture)
A=number/total#图片中道路类型大于1种的概率
A1=number1/total#图片中一种道路类型并且比例小于0.0638的概率
A2=number2/total#图片中有两种道路，并且一种道路所占比例小于0.532时的概率
print("A1:%s"%A1)
print("the precentage of one road is %s"%A)
print("the precentage of two road is %s"%(1-A))
print("A2:%s"%A2)
plt.plot(per)
plt.ylabel('the percentage of road')
plt.show()
以上这篇Opencv图像处理:如何判断图片里某个颜色值占的比例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。