251110更新
This commit is contained in:
parent
99fdd10c7e
commit
9930e6fee1
Binary file not shown.
|
|
@ -0,0 +1,498 @@
|
||||||
|
# -*- coding: utf-8 -*-
|
||||||
|
|
||||||
|
"""
|
||||||
|
脚本说明：
|
||||||
|
本脚本用于KANO需求分析，能够处理问卷数据并输出需求分类结果
|
||||||
|
"""
|
||||||
|
|
||||||
|
import pandas
|
||||||
|
|
||||||
|
import prettytable
|
||||||
|
|
||||||
|
|
||||||
|
print("1 打开并读取Excel文件...", end="")
|
||||||
|
|
||||||
|
try:
|
||||||
|
dataset = pandas.read_excel(io="KANO模型客户调研问卷.xlsx", sheet_name="问卷结果")
|
||||||
|
|
||||||
|
# 选项范围
|
||||||
|
alternatives = ["非常满意", "理应如此", "无所谓", "勉强接受", "不满意"]
|
||||||
|
|
||||||
|
# 数据清洗
|
||||||
|
dataset = (
|
||||||
|
dataset.iloc[
|
||||||
|
:, 3:
|
||||||
|
] # 原始数据第一列为编号、第二列为提交人、第三列为提交时间，从第四列到最后一列为选项，删除第一列至第三列
|
||||||
|
.map(
|
||||||
|
lambda cell: cell if cell in alternatives else pandas.NA
|
||||||
|
) # 检查是否在选项范围，若不在选项范围则置为缺失值
|
||||||
|
.dropna(axis="index", how="any") # 删除缺失值
|
||||||
|
.loc[lambda dataframe: dataframe.nunique(axis=1) != 1] # 删除相同选项的样本
|
||||||
|
)
|
||||||
|
|
||||||
|
# 统计样本数
|
||||||
|
samples_size = dataset.shape[0]
|
||||||
|
# 若样本数为0则抛出异常
|
||||||
|
if samples_size == 0:
|
||||||
|
raise Exception("样本数为0")
|
||||||
|
|
||||||
|
# 统计列数
|
||||||
|
columns_counts = dataset.shape[1]
|
||||||
|
# 若列数非奇数则抛出异常
|
||||||
|
if columns_counts % 2 != 0:
|
||||||
|
raise Exception("列数为奇数")
|
||||||
|
|
||||||
|
print(f"已完成，样本数为{samples_size}")
|
||||||
|
|
||||||
|
except Exception as exception:
|
||||||
|
print(f"发生异常：{str(exception)}")
|
||||||
|
exit()
|
||||||
|
|
||||||
|
# 读取问卷题目和答案（从第7列开始为题目或答案）
|
||||||
|
DataSet = DataSet.iloc[:, 6:]
|
||||||
|
|
||||||
|
# 统计数据集中样本数量和题目数量
|
||||||
|
Sample_Size, Question_Amount = DataSet.shape
|
||||||
|
|
||||||
|
# 判断题目数量是否为偶数，若为偶数则计算问卷中涉及需求数量，若为奇数则终止脚本
|
||||||
|
if Question_Amount % 2 == 0:
|
||||||
|
|
||||||
|
# 计算问卷中涉及需求数量
|
||||||
|
Requirement_Amount = int(Question_Amount / 2)
|
||||||
|
|
||||||
|
else:
|
||||||
|
|
||||||
|
print("题目数量为奇数，请检查")
|
||||||
|
print("")
|
||||||
|
|
||||||
|
exit()
|
||||||
|
|
||||||
|
print(
|
||||||
|
"数据集中包含 %d 份样本， %d 个问题（涉及 %d 个需求）"
|
||||||
|
% (Sample_Size, Question_Amount, Requirement_Amount)
|
||||||
|
)
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("*" * 100)
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("2 数据预处理")
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("2.1 检查并删除不规范样本")
|
||||||
|
print("")
|
||||||
|
|
||||||
|
# 定义问卷中备选答案列表
|
||||||
|
Alternatives = ["我很喜欢", "理所应当", "无所谓", "勉强接受", "我很不喜欢"]
|
||||||
|
|
||||||
|
# 检查答案是否在指定范围，若否则将该答案定义为空值
|
||||||
|
DataSet = DataSet.applymap(lambda x: x if x in Alternatives else None)
|
||||||
|
|
||||||
|
# 删除包含缺失值的样本
|
||||||
|
DataSet.dropna(axis="index", how="any", inplace=True)
|
||||||
|
|
||||||
|
# 删除答案全部相同的样本
|
||||||
|
DataSet = DataSet[DataSet.apply(pandas.Series.nunique, axis="columns") != 1]
|
||||||
|
|
||||||
|
# 统计有效样本数量
|
||||||
|
Sample_Size = DataSet.shape[0]
|
||||||
|
|
||||||
|
print("处理后，有效样本数量为 %d 份" % (Sample_Size))
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("*" * 100)
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("3 数据处理")
|
||||||
|
print("")
|
||||||
|
|
||||||
|
Requirement_Labels = DataSet.columns.tolist()
|
||||||
|
|
||||||
|
# 通过问题截取需求名称（截取'有'右侧、'，'左侧字符串）
|
||||||
|
Requirement_Labels = [
|
||||||
|
x[x.find("有") + 1 : x.find("，")]
|
||||||
|
for x in Requirement_Labels
|
||||||
|
if isinstance(x, str) and "具有" in x
|
||||||
|
]
|
||||||
|
|
||||||
|
print("3.1 绘制KANO评价结果分类对照表")
|
||||||
|
print("")
|
||||||
|
|
||||||
|
for Question_Number in range(Requirement_Amount):
|
||||||
|
|
||||||
|
# 创建KANO评价结果分类对照表
|
||||||
|
KANO = pandas.DataFrame(data=[], index=Alternatives, columns=Alternatives)
|
||||||
|
|
||||||
|
for Column_Label in Alternatives:
|
||||||
|
|
||||||
|
for Index_Label in Alternatives:
|
||||||
|
|
||||||
|
# 统计并赋值
|
||||||
|
KANO.loc[Index_Label, Column_Label] = DataSet.loc[
|
||||||
|
(DataSet.iloc[:, Question_Number].isin([Index_Label]))
|
||||||
|
& (DataSet.iloc[:, Question_Number + 1].isin([Column_Label])),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
|
||||||
|
# 修改行名
|
||||||
|
KANO.index = [
|
||||||
|
"Provide_Like",
|
||||||
|
"Provide_Should",
|
||||||
|
"Provide_Indifferent",
|
||||||
|
"Provide_Grudging",
|
||||||
|
"Provide_Hate",
|
||||||
|
]
|
||||||
|
|
||||||
|
# 重置索引
|
||||||
|
KANO.reset_index(inplace=True)
|
||||||
|
|
||||||
|
# 修改列名
|
||||||
|
KANO.columns = [
|
||||||
|
"",
|
||||||
|
"Not_Provide_Like",
|
||||||
|
"Not_Provide_Should",
|
||||||
|
"Not_Provide_Indifferent",
|
||||||
|
"Not_Provide_Grudging",
|
||||||
|
"Not_Provide_Hate",
|
||||||
|
]
|
||||||
|
|
||||||
|
# 打印表格
|
||||||
|
|
||||||
|
PrintTable = prettytable.PrettyTable()
|
||||||
|
|
||||||
|
PrintTable.field_names = KANO.columns.tolist()
|
||||||
|
|
||||||
|
for Index in KANO.index.tolist():
|
||||||
|
|
||||||
|
PrintTable.add_row(KANO.loc[Index])
|
||||||
|
|
||||||
|
PrintTable.align = "r"
|
||||||
|
|
||||||
|
PrintTable.align[""] = "l"
|
||||||
|
|
||||||
|
PrintTable.float_format = "."
|
||||||
|
|
||||||
|
print(
|
||||||
|
"附表 需求%d：%s的KANO评价结果分类对照表："
|
||||||
|
% (Question_Number + 1, Requirement_Labels[Question_Number])
|
||||||
|
)
|
||||||
|
|
||||||
|
print(PrintTable)
|
||||||
|
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("字段说明：")
|
||||||
|
|
||||||
|
print(
|
||||||
|
"1）Not_Provide_Like为不提供该需求、用户表示“我很喜欢”，Not_Provide_Should为不提供该需求、用户表示“理所应当”，Not_Provide_Indifferent为不提供该需求、用户表示“无所谓”，Not_Provide_Grudging为不提供该需求、用户表示“勉强接受”，Not_Provide_Hate为不提供该需求、用户表示“我很不喜欢”。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print(
|
||||||
|
"1）Provide_Like为提供该需求、用户表示“我很喜欢”，Provide_Should为提供该需求、用户表示“理所应当”，Provide_Indifferent为提供该需求、用户表示“无所谓”，Provide_Grudging为提供该需求、用户表示“勉强接受”，Provide_Hate为不提供该需求、用户表示“我很不喜欢”。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("3.2 计算KANO评价维度")
|
||||||
|
print("")
|
||||||
|
|
||||||
|
# 创建KANO各维度分数表
|
||||||
|
KANO_Report = pandas.DataFrame(
|
||||||
|
data=[],
|
||||||
|
columns=[
|
||||||
|
"Requirement_Label",
|
||||||
|
"A_Score",
|
||||||
|
"O_Score",
|
||||||
|
"M_Score",
|
||||||
|
"I_Score",
|
||||||
|
"R_Score",
|
||||||
|
"Q_Score",
|
||||||
|
],
|
||||||
|
dtype="float",
|
||||||
|
)
|
||||||
|
|
||||||
|
KANO_Report["Requirement_Label"] = Requirement_Labels
|
||||||
|
|
||||||
|
for Question_Number in range(Requirement_Amount):
|
||||||
|
|
||||||
|
# 计算兴奋型需求分数
|
||||||
|
A_Score = round(
|
||||||
|
DataSet.loc[
|
||||||
|
(DataSet.iloc[:, Question_Number].isin(["我很喜欢"]))
|
||||||
|
& (
|
||||||
|
DataSet.iloc[:, Question_Number + 1].isin(
|
||||||
|
["理所应当", "无所谓", "勉强接受"]
|
||||||
|
)
|
||||||
|
),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
/ Sample_Size
|
||||||
|
* 100,
|
||||||
|
2,
|
||||||
|
)
|
||||||
|
|
||||||
|
KANO_Report.loc[Question_Number, "A_Score"] = A_Score
|
||||||
|
|
||||||
|
# 计算期望型需求分数
|
||||||
|
O_Score = round(
|
||||||
|
DataSet.loc[
|
||||||
|
(DataSet.iloc[:, Question_Number].isin(["我很喜欢"]))
|
||||||
|
& (DataSet.iloc[:, Question_Number + 1].isin(["我很不喜欢"])),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
/ Sample_Size
|
||||||
|
* 100,
|
||||||
|
2,
|
||||||
|
)
|
||||||
|
|
||||||
|
KANO_Report.loc[Question_Number, "O_Score"] = O_Score
|
||||||
|
|
||||||
|
# 计算必备型需求分数
|
||||||
|
M_Score = round(
|
||||||
|
DataSet.loc[
|
||||||
|
(DataSet.iloc[:, Question_Number].isin(["理所应当", "无所谓", "勉强接受"]))
|
||||||
|
& (DataSet.iloc[:, Question_Number + 1].isin(["我很不喜欢"])),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
/ Sample_Size
|
||||||
|
* 100,
|
||||||
|
2,
|
||||||
|
)
|
||||||
|
|
||||||
|
KANO_Report.loc[Question_Number, "M_Score"] = M_Score
|
||||||
|
|
||||||
|
# 计算无差型需求分数
|
||||||
|
I_Score = round(
|
||||||
|
DataSet.loc[
|
||||||
|
(DataSet.iloc[:, Question_Number].isin(["理所应当", "无所谓", "勉强接受"]))
|
||||||
|
& (
|
||||||
|
DataSet.iloc[:, Question_Number + 1].isin(
|
||||||
|
["理所应当", "无所谓", "勉强接受"]
|
||||||
|
)
|
||||||
|
),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
/ Sample_Size
|
||||||
|
* 100,
|
||||||
|
2,
|
||||||
|
)
|
||||||
|
|
||||||
|
KANO_Report.loc[Question_Number, "I_Score"] = I_Score
|
||||||
|
|
||||||
|
# 计算反向型需求分数
|
||||||
|
R_Score = round(
|
||||||
|
DataSet.loc[
|
||||||
|
(
|
||||||
|
DataSet.iloc[:, Question_Number].isin(
|
||||||
|
["理所应当", "无所谓", "勉强接受", "我很不喜欢"]
|
||||||
|
)
|
||||||
|
)
|
||||||
|
& (
|
||||||
|
DataSet.iloc[:, Question_Number + 1].isin(
|
||||||
|
["我很喜欢", "理所应当", "无所谓", "勉强接受"]
|
||||||
|
)
|
||||||
|
),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
/ Sample_Size
|
||||||
|
* 100
|
||||||
|
- I_Score,
|
||||||
|
2,
|
||||||
|
)
|
||||||
|
|
||||||
|
KANO_Report.loc[Question_Number, "R_Score"] = R_Score
|
||||||
|
|
||||||
|
# 计算可疑型需求分数
|
||||||
|
Q_Score = round(
|
||||||
|
DataSet.loc[
|
||||||
|
(DataSet.iloc[:, Question_Number].isin(["我很喜欢"]))
|
||||||
|
& (DataSet.iloc[:, Question_Number + 1].isin(["我很喜欢"])),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
/ Sample_Size
|
||||||
|
* 100
|
||||||
|
+ DataSet.loc[
|
||||||
|
(DataSet.iloc[:, Question_Number].isin(["我很不喜欢"]))
|
||||||
|
& (DataSet.iloc[:, Question_Number + 1].isin(["我很不喜欢"])),
|
||||||
|
:,
|
||||||
|
].shape[0]
|
||||||
|
/ Sample_Size
|
||||||
|
* 100,
|
||||||
|
2,
|
||||||
|
)
|
||||||
|
|
||||||
|
KANO_Report.loc[Question_Number, "Q_Score"] = Q_Score
|
||||||
|
|
||||||
|
# 打印表格
|
||||||
|
|
||||||
|
PrintTable = prettytable.PrettyTable()
|
||||||
|
|
||||||
|
PrintTable.field_names = KANO_Report.columns.tolist()
|
||||||
|
|
||||||
|
for Index in KANO_Report.index.tolist():
|
||||||
|
|
||||||
|
PrintTable.add_row(KANO_Report.loc[Index])
|
||||||
|
|
||||||
|
PrintTable.align["Requirement_Label"] = "l"
|
||||||
|
|
||||||
|
PrintTable.align["A_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["O_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["M_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["I_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["R_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["Q_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["Better_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["Worse_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.float_format["A_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["O_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["M_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["I_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["R_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["Q_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["Better_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["Worse_Score"] = ".2"
|
||||||
|
|
||||||
|
print("附表 各需求的KANO评价维度计算结果：")
|
||||||
|
|
||||||
|
print(
|
||||||
|
PrintTable.get_string(
|
||||||
|
fields=[
|
||||||
|
"Requirement_Label",
|
||||||
|
"A_Score",
|
||||||
|
"O_Score",
|
||||||
|
"M_Score",
|
||||||
|
"I_Score",
|
||||||
|
"R_Score",
|
||||||
|
"Q_Score",
|
||||||
|
]
|
||||||
|
)
|
||||||
|
)
|
||||||
|
|
||||||
|
print("字段说明：")
|
||||||
|
|
||||||
|
print(
|
||||||
|
"1）Requirement_Label为需求名称，A_Score为兴奋型需求分数，O_Score为期望型需求分数，M_Score为必备型需求分数，I_Score为无差型需求分数，R_Score为反向型需求分数，Q_Score为可疑型需求分数。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print("")
|
||||||
|
|
||||||
|
print("3.3 定义需求类型和Better-Worse分数")
|
||||||
|
print("")
|
||||||
|
|
||||||
|
# 以KANO评价维度中最高分定义需求类型
|
||||||
|
Requirement_Types = list(
|
||||||
|
KANO_Report[
|
||||||
|
["A_Score", "O_Score", "M_Score", "I_Score", "R_Score", "Q_Score"]
|
||||||
|
].idxmax(axis="columns")
|
||||||
|
)
|
||||||
|
|
||||||
|
# 通过列名截取需求类型（第一位、'_'左侧字符串）
|
||||||
|
Requirement_Types = [
|
||||||
|
x[0 : x.find("_")] for x in Requirement_Types if isinstance(x, str)
|
||||||
|
]
|
||||||
|
|
||||||
|
KANO_Report["Requirement_Type"] = Requirement_Types
|
||||||
|
|
||||||
|
# 计算Better分数
|
||||||
|
KANO_Report["Better_Score"] = (
|
||||||
|
(KANO_Report["A_Score"] + KANO_Report["O_Score"])
|
||||||
|
/ (
|
||||||
|
KANO_Report["A_Score"]
|
||||||
|
+ KANO_Report["O_Score"]
|
||||||
|
+ KANO_Report["M_Score"]
|
||||||
|
+ KANO_Report["I_Score"]
|
||||||
|
)
|
||||||
|
* 100
|
||||||
|
)
|
||||||
|
|
||||||
|
# 计算Worse分数
|
||||||
|
KANO_Report["Worse_Score"] = (
|
||||||
|
-1
|
||||||
|
* (KANO_Report["O_Score"] + KANO_Report["M_Score"])
|
||||||
|
/ (
|
||||||
|
KANO_Report["A_Score"]
|
||||||
|
+ KANO_Report["O_Score"]
|
||||||
|
+ KANO_Report["M_Score"]
|
||||||
|
+ KANO_Report["I_Score"]
|
||||||
|
)
|
||||||
|
* 100
|
||||||
|
)
|
||||||
|
|
||||||
|
# 打印表格
|
||||||
|
|
||||||
|
PrintTable = prettytable.PrettyTable()
|
||||||
|
|
||||||
|
PrintTable.field_names = KANO_Report.columns.tolist()
|
||||||
|
|
||||||
|
for Index in KANO_Report.index.tolist():
|
||||||
|
|
||||||
|
PrintTable.add_row(KANO_Report.loc[Index])
|
||||||
|
|
||||||
|
PrintTable.align["Requirement_Label"] = "l"
|
||||||
|
|
||||||
|
PrintTable.align["Requirement_Type"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["Better_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.align["Worse_Score"] = "r"
|
||||||
|
|
||||||
|
PrintTable.float_format["Better_Score"] = ".2"
|
||||||
|
|
||||||
|
PrintTable.float_format["Worse_Score"] = ".2"
|
||||||
|
|
||||||
|
print("附表 各需求的KANO评价维度计算结果：")
|
||||||
|
|
||||||
|
print(
|
||||||
|
PrintTable.get_string(
|
||||||
|
fields=["Requirement_Label", "Requirement_Type", "Better_Score", "Worse_Score"]
|
||||||
|
)
|
||||||
|
)
|
||||||
|
|
||||||
|
print("字段说明：")
|
||||||
|
|
||||||
|
print("1）Requirement_Label为需求名称，Requirement_Type为需求类型。")
|
||||||
|
|
||||||
|
print(
|
||||||
|
"2）A为兴奋型需求：表示产品具有该种需求，则用户满意度会提高；没有该种需求，则用户满意度不会降低。建议给予P3关注。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print(
|
||||||
|
"3）O为期望型需求：表示产品具有该种需求，则用户满意度会提高；没有该种需求，则用户满意度会降低。建议给予P1关注。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print(
|
||||||
|
"4）M为必备型需求：表示产品具有该种需求，则用户满意度不会提高；没有该种需求，则用户满意度会降低。建议给予P2关注。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print(
|
||||||
|
"5）I为无差型需求：表示产品具有该种需求，则用户满意度不会提高；没有该种需求，则用户满意度不会降低。建议给予P4关注。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print("6）R为反向型需求：建议给予关注。")
|
||||||
|
|
||||||
|
print("7）Q为可疑型需求：建议给予关注。")
|
||||||
|
|
||||||
|
print(
|
||||||
|
"8）Better_Score为Better分数。表示如果产品具有某种需求，则用户满意度会提高，数值越大提高越大。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print(
|
||||||
|
"9）Worse_Score为Worse分数。表示如果产品没有某种需求，则用户满意度会下降，数值越小下降越大。"
|
||||||
|
)
|
||||||
|
|
||||||
|
print("")
|
||||||
Loading…
Reference in New Issue