想要看更加舒服的排版、更加准时的推送
关注公众号“不太灵光的程序员”
每日八点有干货推送，微信随时解答你的疑问
公众号“不太灵光的程序员” 同时发布《2020年 MathorCup数学建模 A题 无车承运人平台线路定价问题，定价评价》

2020年第十届MathorCup高校数学建模挑战赛题目

A题 无车承运人平台线路定价问题

本文解决问题2 的 定价评价 问题

想了解问题1 相关解题思路，关注公众号或点击下方链接：
数据分析小白入门篇，mathorcup数学建模 A题 无车承运人平台线路定价问题，特征间的相关性分析

想了解问题3 相关解题思路，关注公众号或点击下方链接：
决策树预测成本价 2020年 MathorCup数学建模 A题 无车承运人平台线路定价问题

题目详情附件及源码下载请关注公众号“不太灵光的程序员”回复关键字“MC2020A”

对代码存在疑问，请在公众号留言，我会及时和您取得联系。

题目回顾

问题 1：通过定量分析的方法，研究影响无车承运人平台进行货运线路定价的主要因素有哪些，并说明理由。

问题 2：根据附件 1 数据，通过建立数学模型，对已经成交货运线路历史交易数据中的定价进行评价。

问题 3： 建立关于线路定价的数学模型，给出附件 2 的线路任务的三次报价以及总成本定价，并填充在附件3 的表格中；给出你们的调价策略；评价你们对附件 2 的线路任务所给出的定价。

其中附件 3 的表格以 Excel文件形式，连同论文答卷一起上传至参赛系统，请勿改变附件 3 中各任务ID 的原有顺序。

附件 3 将用于测试报价的准确性，对于某个确定的任务，三次报价中有一次成交，则后续价格将不再考虑。

3、定价评价

3.1. 假定评价指标

我们将对历史交易数据中的定价的评价分 假设分为由两部分来决定，一部分是收益率， 一部分是响应时长。

收益率

收益率 =（线路价格 - 线路成本）/ 线路成本

接下来我们把收益率划分为分类数据也就是数据离散化：
收益率 [min, 0, 0.5, max] 分别 为 不合理 合理 非常合理

响应时长

存在在给定的时间内任务没有司机接单，订单线路调价的情况，所以 响应时长 只用 交易成功时长 来计算可能还不够准确，当有调价的情况是 应该是 调价审核完成时间 到交易结束的时长 。

昨天的 代码里把 “调价审核完成时间”, “业务类型”, “需求类型2” 特征给删除了，注意补充上

因为 调价审核完成时间 存在 N 值情况，我们可以 把出现 N 的值 由 “交易开始时间” 补充，这样 交易结束时间 减 调价审核完成时间 就是我们要的 响应时长 了。

观察了下 交易成功时长的 数据 交易成功时长的最小是 0 平均值 1604.89 最大值 50746 ，单位是分钟，转换成天来分析可能合适点。

接下来 我们把响应时长划分为分类数据：
响应时长 [min, 1, 2.5, max] 分别 为 非常合理 合理 不合理

3.2 对历史数据进行评价

利用 收益率 和 响应时长 来综合评价历史定价是否合理。

• 如果收益率 和 响应时长 都是合理或者非合理，那么历史定价就是非常合理的，
• 如果收益率 和 响应时长 有一个不合理，那么历史定价就是合理；
• 如果收益率 和 响应时长 都是不合理，那么历史定价就是不合理；

由 收益率 和 响应时长 生成 综合评价 特征

3.3 数据可视化

查看 综合评价评分 占比，占比使用 饼状图 更直观一点。

    plt.pie 饼状图
    x       :(每一块)的比例，如果sum(x) > 1会使用sum(x)归一化；
    labels  :(每一块)饼图外侧显示的说明文字；
    explode :(每一块)离开中心距离；
    startangle :起始绘制角度,默认图是从x轴正方向逆时针画起,如设定=90则从y轴正方向画起；
    shadow  :在饼图下面画一个阴影。默认值：False，即不画阴影；
    labeldistance :label标记的绘制位置,相对于半径的比例，默认值为1.1, 如<1则绘制在饼图内侧；
    autopct :控制饼图内百分比设置,可以使用format字符串或者format function
            '%1.1f'指小数点前后位数(没有用空格补齐)；
    pctdistance :类似于labeldistance,指定autopct的位置刻度,默认值为0.6；
    radius  :控制饼图半径，默认值为1；
    counterclock ：指定指针方向；布尔值，可选参数，默认为：True，即逆时针。将值改为False即可改为顺时针。
    wedgeprops ：字典类型，可选参数，默认值：None。参数字典传递给wedge对象用来画一个饼图。例如：wedgeprops={'linewidth':3}设置wedge线宽为3。
    textprops ：设置标签（labels）和比例文字的格式；字典类型，可选参数，默认值为：None。传递给text对象的字典参数。
    center ：浮点类型的列表，可选参数，默认值：(0,0)。图标中心位置。
    frame ：布尔类型，可选参数，默认值：False。如果是true，绘制带有表的轴框架。
    rotatelabels ：布尔类型，可选参数，默认为：False。如果为True，旋转每个label到指定的角度。

源代码

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv("car_new.csv")

df["收益率"] = (df["线路价格"] - df["线路总成本"]) / df["线路总成本"]
yield_rate_category = [df["收益率"].min(), 0, 0.5, df["收益率"].max()]
yield_rate_lables = ["不合理", "合理", "非常合理"]
df['收益率评价'] = pd.cut(df['收益率'], yield_rate_category, labels=yield_rate_lables)

df["调价审核完成时间"] = df.apply(lambda x: x["交易开始时间"] if x["调价审核完成时间"] == "N" else x["调价审核完成时间"], axis=1)
df["响应时长"] = (pd.to_datetime(df["交易结束时间"]) - pd.to_datetime(df["调价审核完成时间"])).dt.total_seconds() / (60 * 60 *24)
response_time_category = [df["响应时长"].min(), 1, 2.5, df["响应时长"].max()]
response_time_lables = ["非常合理", "合理", "不合理"]
df['响应时长评价'] = pd.cut(df['响应时长'], response_time_category, labels=response_time_lables)


def evaluate(yield_rate_lables, response_time_lables):
    if yield_rate_lables in ["非常合理", "合理"] and response_time_lables in ["非常合理", "合理"]:
        return "非常合理"
    elif "不合理" == yield_rate_lables == response_time_lables:
        return "不合理"
    else:
        return "合理"


df["综合评价"] = df.apply(lambda x: evaluate(x["收益率评价"], x["响应时长评价"]), axis=1)

# df.to_csv(f"car_new3.csv", encoding="utf_8_sig", index=False)

# df = pd.read_csv("car_new3.csv")

# 创建一个画布 画布比例
plt.figure(figsize=(6, 7))

# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 声明标题
plt.title("历史货运线路交易定价评价")

# 将数据载入画布
plt.pie(
    df.groupby(by="综合评价")["综合评价"].count(),
    labels=["不合理", "非常合理", "合理"],
    explode=(0.3, 0, 0),  # 将某一块分割出来，值越大分割出的间隙越大
    autopct='%.2f',  # 每块的占比
    shadow=True,  # 阴影设置
    startangle=30,  # 逆时针起始角度设置
)

# 添加图例
plt.legend(loc="upper right", fontsize=10, bbox_to_anchor=(1.1, 1.05), borderaxespad=0.3)
# loc = 'upper right' 位于右上角
# bbox_to_anchor=[0.5, 0.5] # 外边距 上边 右边
# ncol=2 分两列
# borderaxespad = 0.3图例的内边距

# 保存的文件名 分辨率
# plt.savefig('历史货运线路交易定价评价.png', dpi=300)
plt.show()

推荐阅读：

• Pandas对海平面温度异常进行分析
• 机器学习中必须要会用的模块
• 这些基础题你能答上来几个？
• 还不知道怎么运行Python代码，快来撸代码