|
|
|
|
公众号矩阵

用Python分析14425条死亡公司数据 看十年创业公司消亡史

注定不能万事如意的人生,就不祝你一帆风顺了。我祝你终会乘风破浪,把酒执剑,归来仍是少年。

作者:叶庭云来源:修炼Python|2021-02-21 14:10

 一、前言

IT桔子有一个新经济死亡公司数据库:https://www.itjuzi.com/deathCompany,统计了2000-2020年之间比较出名的公司 "死亡" 数据,数据来源真实可靠。

图片 
  • "死亡公司数据库" 的公司关闭时间是依据公开媒体报道及部分估算,可能会存在些许误差,但还是具有较高的可靠性;
  • IT桔子对所收录公司运营状况的判定来源如下:1、公开媒体报道公司关闭、破产清算的;2、公司自身在微信、微博等渠道宣布关闭、破产清算的;3、公司明显经营异常:公司被注销;公司产品比如APP或微信持续 6 个月及以上没更新;公司因为监管被抓、无法经营……交叉比对后确认没有持续经营。

二、数据预处理

对已获取的 14425 条死亡公司数据进行数据查看和预处理

  1. import pandas as pd 
  2.  
  3. df = pd.read_excel('倒闭公司数据.xlsx'
  4. df.head() 

 

  1. df.info() 
  2.  
  3. # 查看公司描述为NAN的这一行 
  4. df[df.isnull().values == True

 

挑选最近十年(2010-2019)的死亡公司数据,来看一看这十年里,创业公司的消亡。

  1. # 提取2010-2019年的死亡公司数据 
  2. df1 = df[df['倒闭时间'].str[:4].apply(int) >= 2010] 
  3. df2 = df1[df1['倒闭时间'].str[:4].apply(int) < 2020] 
  4. df2.head() 

  

  1. # 2010-2019 的死亡公司数据保存到新的Excel 
  2. df2.to_excel('2010-2019倒闭公司数据.xlsx'index=False

三、数据分析

大家常说 1998 年是中国互联网元年,2010年是移动互联网的元年。也难怪,2010年的移动互联网实在是太热闹了。微信、小米、美团、爱奇艺等都在这一年相继成立。百度在谷歌退出中国后成为最大的受益者,淘宝成为阿里新的增长点,腾讯则宣布 QQ 同时在线超 1 亿人。自此,百度、阿里和腾讯正式成为"三巨头"——BAT。除此之外,网易的网游、新浪的微博、搜狐的视频和输入法也开始发力出击,移动互联网的竞争正式拉开帷幕。

pyecharts 绘制折线图可视化:

  1. # -*- coding: UTF-8 -*- 
  2. ""
  3. @Author  :叶庭云 
  4. @公众号  :修炼Python 
  5. @CSDN    :https://yetingyun.blog.csdn.net/ 
  6. ""
  7. import pandas as pd 
  8. import pyecharts.options as opts 
  9. import pyecharts 
  10. from pyecharts.charts import Line 
  11. from pyecharts.globals import CurrentConfig, ThemeType 
  12.  
  13. print(pyecharts.__version__)    # 查看当前 pyecharts 版本 
  14. # 引用本地js资源渲染 
  15. CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
  16.  
  17. # 读取数据 
  18. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  19. df1 = df[(df['成立之年'] >= 2010) & (df['成立之年'] < 2020)] 
  20. born_time = df1['成立之年'].value_counts() 
  21. # 按索引  2010-2019排序 
  22. born_time = born_time.sort_index() 
  23. death_time = df['倒闭时间'].str[:4].apply(int).value_counts() 
  24. death_time = death_time.sort_index() 
  25.  
  26. year = [f'{i}年' for i in range(2010, 2020)] 
  27. num_1 = [int(x) for x in born_time.values
  28. num_2 = [int(y) for y in death_time.values
  29.  
  30. c = ( 
  31.     Line(init_opts=opts.InitOpts(theme=ThemeType.DARK)) 
  32.     .add_xaxis(xaxis_data=year
  33.     .set_colors(['#7FFF00''red'])     # 设置两条折线图的颜色 
  34.     .add_yaxis('出生公司数量', y_axis=num_1) 
  35.     .add_yaxis('死亡公司数量', y_axis=num_2) 
  36.     .set_global_opts(     # 设置x轴 y轴标签 
  37.         xaxis_opts=opts.AxisOpts(name='年份'), 
  38.         yaxis_opts=opts.AxisOpts(name='数量'
  39.     ) 
  40.     .render('test.html'

2010 年来,历年出生及死亡的公司数量趋势如下图:

 
  • 2014、2015年是公司诞生潮,两年后,正好对应了2016、2017的一波死亡潮。在 2017 年和 2018 年,均超过 2000 家公司倒闭,2019年超过 5000 家公司倒闭。2015年以后,新生创业公司越来越少,也侧面反应了创业越来越艰难。
  • 在这十年间,诸多 "风口" 起起伏伏。网约车、团购、直播、基因检测、共享单车、短视频、比特币、VR|AR、无人货架、人工智能、直播带货……

每一个风口上,都站着数百头 "猪",尝试飞起来。下面看看各行业这十年来倒闭公司数量分布情况。

  1. # -*- coding: UTF-8 -*- 
  2. ""
  3. @Author  :叶庭云 
  4. @公众号  :修炼Python 
  5. @CSDN    :https://yetingyun.blog.csdn.net/ 
  6. ""
  7. import pandas as pd 
  8. import matplotlib.pyplot as plt 
  9. import matplotlib as mpl 
  10. import seaborn as sns 
  11.  
  12. # 读取数据 
  13. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  14. df['倒闭之年'] = df['倒闭时间'].str[:4].apply(int
  15. unique()  获取所属行业这一列的唯一值   去重 
  16. datas = list(df['所属行业'].unique()) 
  17. print(datas) 
  18. # print(len(datas)) 
  19. for item in datas: 
  20.     # 判断每行  有这个类型  对应类型的列下添个1 
  21.     df[item] = df['所属行业'].str.contains(item).apply(lambda x: 1 if x else 0) 
  22.  
  23. industry_data = df.loc[:, datas] 
  24. # 将成立之年作为索引标签 
  25. industry_data.index = df['倒闭之年'
  26. # 将数据集按年份分组并求和,得出每个年份,公司所属各行业的数量 
  27. industry_df = industry_data.groupby('倒闭之年').sum() 
  28. # print(industry_df) 
  29. # print(type(industry_df)) 
  30. # industry_df.to_excel('2010-2019年各行业倒闭公司数量.xlsx', encoding='gbk'
  31. mpl.rcParams['font.family'] = 'Kaiti' 
  32. fig, ax = plt.subplots(figsize=(15, 9)) 
  33. # 绘制热力图    cmap:从数字到色彩空间的映射 
  34. # PRGn_r  OrRd  rainbow 
  35. sns.heatmap(data=industry_df.T, linewidths=0.25, 
  36.             linecolor='white', ax=ax, annot=True
  37.             fmt='d', cmap='rainbow', robust=True
  38.             ) 
  39.  
  40. # 添加描述信息   x y轴  title 
  41. ax.set_xlabel('年份', fontdict={'size': 18, 'weight''bold'}) 
  42. ax.set_ylabel('公司所属行业', fontdict={'size': 18, 'weight''bold'}) 
  43. ax.set_title('2010-2019年各行业倒闭公司数量热力图', fontsize=25, x=0.5, y=1.02) 
  44.  
  45. # 隐藏边框 
  46. ax.spines['top'].set_visible(False
  47. ax.spines['right'].set_visible(False
  48. ax.spines['left'].set_visible(False
  49. ax.spines['bottom'].set_visible(False
  50.  
  51. # 保存 展示图片 
  52. plt.savefig('heat_map.png'
  53. plt.show() 

 

  1. # -*- coding: UTF-8 -*- 
  2. ""
  3. @Author  :叶庭云 
  4. @公众号  :修炼Python 
  5. @CSDN    :https://yetingyun.blog.csdn.net/ 
  6. ""
  7. import pandas as pd 
  8. import matplotlib.pyplot as plt 
  9. import matplotlib as mpl 
  10. import mplcyberpunk 
  11.  
  12. # 读取数据 
  13. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  14. df['倒闭之年'] = df['倒闭时间'].str[:4].apply(int
  15. unique()  获取所属行业这一列的唯一值   去重 
  16. datas = list(df['所属行业'].unique()) 
  17. print(datas) 
  18. # print(len(datas)) 
  19. for item in datas: 
  20.     # 判断每行  有这个类型  对应类型的列下添个1 
  21.     df[item] = df['所属行业'].str.contains(item).apply(lambda x: 1 if x else 0) 
  22.  
  23. industry_data = df.loc[:, datas] 
  24. # 将成立之年作为索引标签 
  25. industry_data.index = df['倒闭之年'
  26. # 将数据集按年份分组并求和,得出每个年份,公司所属各行业的数量 
  27. industry_df = industry_data.groupby('倒闭之年').sum() 
  28. # print(industry_df) 
  29. # print(type(industry_df)) 
  30. industry_df.T.to_excel('2010-2019年各行业倒闭公司数量.xlsx', encoding='gbk'
  31.  
  32. # 使用风格样式  赛博朋克风格 
  33. plt.style.use("cyberpunk"
  34. # 设置中文显示 
  35. mpl.rcParams['font.family'] = 'SimHei' 
  36. # 设置大小  像素 
  37. plt.figure(figsize=(10, 6), dpi=100) 
  38.  
  39. # DataFrame 绘制折线图 
  40. plt.plot(industry_df, label=industry_df.columns) 
  41. # 添加描述信息 
  42. plt.xticks(range(2010, 2020, 1)) 
  43. plt.xlabel('年份', fontsize=12) 
  44. plt.ylabel('倒闭公司数量', fontsize=12) 
  45. plt.title('2010-2019年各行业倒闭公司数量变化趋势', fontsize=18, x=0.5, y=1.02) 
  46. # 设置线条发光+面积图 
  47. mplcyberpunk.add_glow_effects() 
  48. # 显示图例 
  49. plt.legend(industry_df) 
  50. # 保存图片 
  51. plt.savefig('test_004.png'
  52. # 展示图片 
  53. plt.show() 

 

  • 这十年来,各行业倒闭公司数量变化趋势大致相似。在2019年,从公司所处行业来看,倒闭最多的是电子商务,有 675 家;其次是企业服务,有 665 家;第三是金融,有 624 家;本地生活排第四,有 446 家。
  • 百团大战、垂直电商大战、外卖大战、打车大战、单车大战,在这些著名的战场里,各种桥段令吃瓜群众们目不暇接。有老大老二打架,老三打没了;有老二老三合并,继续和老大抗衡的;也有老大老二合并,将其他家远远甩在后面的……
  • 还有像冲顶大会之类直播答题一样,办起来的时候,各家分庭抗礼来势汹汹,却从2018年的公历新年开始,没有挺到农历新年。

风口消亡的背后,是无数创业公司烧掉的钱,每个公司在一开始,都坚信可以烧倒对手,但烧着烧着把自己烧光了,却再也拿不到融资。

图片 

安邦保险、广信房产这两家属于金融行业的公司,在烧钱榜上融资总额分别排第一、第二。共享单车们也曾大战一场,战火烧过国内的各大城市,甚至烧到了海外。摩拜单车在烧钱榜单名列第三,融资总额 327.1596 亿元;ofo小黄车紧随其后,排名第五,融资总额 167.96 亿元,摩拜单车存活 5 年 11 个月,ofo小黄车存活 5 年 7 个月。

接着来看看这些倒闭公司的获投状态

  1. import pandas as pd 
  2. from collections import Counter 
  3.  
  4. # 读取数据 
  5. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  6. data = list(df['获投状态']) 
  7. count = Counter(data).most_common() 
  8. for item in count
  9.     print(item) 

结果如下:

  1. # (获投状态,倒闭公司数量) 
  2. ('尚未获投', 5184) 
  3. ('不明确', 4859) 
  4. ('天使轮', 1898) 
  5. ('A轮', 622) 
  6. ('种子轮', 198) 
  7. ('已被收购', 149) 
  8. ('A+轮', 137) 
  9. ('B轮', 117) 
  10. ('Pre-A轮', 111) 
  11. ('战略投资', 44) 
  12. ('C轮', 25) 
  13. ('D轮', 10) 
  14. ('B+轮', 9) 
  15. ('新三板', 5) 
  16. ('E轮', 2) 
  17. ('已退市', 2) 
  18. ('C+轮', 1) 
  19. ('已上市', 1) 
  20. ('Pre-B轮', 1) 

超过 10000 家倒闭公司获投状态为尚未获投、不明确。

创业公司的消亡,究其原因必然是多方面的,除行业竞争激烈这一核心因素外,最主要的还是资金问题。创业者内在对于如何维稳、如何盈利等方面欠缺的了解、思考与准备,不足以在行业稳定后,支撑他在风口来临之初的一腔热血豪情。

图片 

参考 IT 桔子给的市场定位,分析创业公司死亡原因。

  1. # -*- coding: UTF-8 -*- 
  2. ""
  3. @Author  :叶庭云 
  4. @公众号  :修炼Python 
  5. @CSDN    :https://yetingyun.blog.csdn.net/ 
  6. ""
  7. import pandas as pd 
  8. from collections import Counter 
  9. from pyecharts import options as opts 
  10. from pyecharts.charts import Pie 
  11. from pyecharts.globals import CurrentConfig 
  12.  
  13. CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
  14.  
  15. # 读取数据 
  16. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  17. datas = df['倒闭原因'
  18. # 参考IT桔子给的市场定位  创业公司死亡原因主要的问题 
  19. reason_loaction = {'团队问题': ['创始人问题''与投资人冲突''团队能力不足''团队缺乏激情'], 
  20.                    '产品问题': ['产品缺陷严重''产品入场时机'], 
  21.                    '资金问题': ['烧钱''现金流断裂''融资能力不足'], 
  22.                    '运营问题': ['定价/成本问题''营销不足''不重视客户''转型问题'], 
  23.                    '外部原因': ['法律法规风险''行业竞争''政策监管'], 
  24.                    '其他问题': ['市场伪需求''商业模式匮乏''业务过于分散''业务调整'
  25.                    } 
  26. reasons_list = [] 
  27. for item in datas: 
  28.     data = item.split('|'
  29.     for i in data: 
  30.         reasons_list.append(i) 
  31.  
  32. reasons_count = Counter(reasons_list).most_common() 
  33. for item in reasons_count: 
  34.     print(item) 
  35. print(len(reasons_count))     # 主要有20种原因 
  36. result = [] 
  37. for key in reason_loaction.keys(): 
  38.     num = 0 
  39.     for i, j in reasons_count: 
  40.         if i in reason_loaction[key]: 
  41.             num += j 
  42.     result.append([key, num]) 
  43.  
  44. print(result) 
  45.  
  46. c = ( 
  47.     # 宽  高  背景颜色 
  48.     Pie(init_opts=opts.InitOpts(width="800px", height="500px", bg_color="#2c343c")) 
  49.     .add
  50.         series_name="倒闭原因",   # 系列名称 
  51.         data_pair=result,         # 系列数据项,格式为 [(key1, value1), (key2, value2)...] 
  52.         rosetype="radius",        # radius:扇区圆心角展现数据的百分比,半径展现数据的大小 
  53.         radius="55%",             # 饼图的半径 
  54.         center=["50%""50%"],    # 饼图的中心(圆心)坐标,数组的第一项是横坐标,第二项是纵坐标 
  55.         label_opts=opts.LabelOpts(is_show=False, position="center"),   # 标签配置项 
  56.     ) 
  57.     .set_colors(["#00BFFF""#00FF7F""#FF1493""#8B008B""#FFFF00""#556B2F"]) 
  58.     .set_global_opts( 
  59.         title_opts=opts.TitleOpts( 
  60.             title="Customized Pie"
  61.             pos_left="center"
  62.             pos_top="20"
  63.             title_textstyle_opts=opts.TextStyleOpts(color="#fff"), 
  64.         ), 
  65.         legend_opts=opts.LegendOpts(is_show=False), 
  66.     ) 
  67.     .set_series_opts( 
  68.         tooltip_opts=opts.TooltipOpts( 
  69.             trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"  # 'item': 数据项图形触发,主要在散点图,饼图等无类目轴的图表中使用 
  70.          ), 
  71.         label_opts=opts.LabelOpts(color="#fff"), 
  72.     ) 
  73.     .render("customized_pie.html"

结果如下:

  1. ('行业竞争', 6818) 
  2. ('烧钱', 4963) 
  3. ('融资能力不足', 4655) 
  4. ('营销不足', 2297) 
  5. ('现金流断裂', 1802) 
  6. ('商业模式匮乏', 1490) 
  7. ('政策监管', 992) 
  8. ('业务过于分散', 990) 
  9. ('产品入场时机', 917) 
  10. ('法律法规风险', 850) 
  11. ('市场伪需求', 775) 
  12. ('定价/成本问题', 549) 
  13. ('业务调整', 150) 
  14. ('不重视客户', 101) 
  15. ('产品缺陷严重', 46) 
  16. ('转型问题', 42) 
  17. ('团队能力不足', 42) 
  18. ('创始人问题', 19) 
  19. ('与投资人冲突', 6) 
  20. ('团队缺乏激情', 5) 
  21. 20 
  22. [['团队问题', 72], ['产品问题', 963], ['资金问题', 11420], ['运营问题', 2989], ['外部原因', 8660], ['其他问题', 3405]] 

图片

  • 行业竞争激烈是核心原因。而从市场定位来看,对于创业公司,资金问题是主要原因,包括烧钱、现金流断裂、融资能力不足,其次是外部原因,包括行业竞争激烈、政策监管、法律法规风险。
  • 另外,"伪风口" 与 "伪需求" 也曾迷住众多创业公司的眼。有的瞄准的市场过于分散,还未形成市场效应;有的则没有解决市场痛点,不痛不痒的创造用户不需要的需求。"共享经济" 衍生出的共享单车、共享充电宝红红火火,但共享电话、共享厕纸、共享篮球什么的,倒也不必。

比较有意思的是,这个死亡公司数据库还加了一个上香排行榜,排行第一的果然是大名鼎鼎的“快播”。

还真是有的公司死了,但在人们心里它还活着。

再来看一下创业公司的地区分布

  1. # -*- coding: UTF-8 -*- 
  2. ""
  3. @Author  :叶庭云 
  4. @公众号  :修炼Python 
  5. @CSDN    :https://yetingyun.blog.csdn.net/ 
  6. ""
  7. import pandas as pd 
  8. from collections import Counter 
  9. from pyecharts.globals import ThemeType, CurrentConfig, GeoType 
  10. from pyecharts import options as opts 
  11. from pyecharts.charts import Geo 
  12.  
  13. CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
  14.  
  15. # 读取数据 
  16. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  17. # 有些数据可能多了空格 
  18. area = list(df['所在地区'].str.strip()) 
  19.  
  20. area_count = Counter(area).most_common() 
  21. # 滤除 
  22. filter_area = [('北美洲', 23), ('亚洲', 11), ('欧洲', 3)] 
  23. area_counts = [item for item in area_count if item not in filter_area] 
  24. for item in area_counts: 
  25.     print(item) 
  26. geo = Geo(init_opts=opts.InitOpts(width='1000px', height='600px', theme=ThemeType.DARK)) 
  27. geo.add_schema(maptype='china', label_opts=opts.LabelOpts(is_show=True))   # 显示label  省名 
  28. geo.add('倒闭公司数量', data_pair=area_counts, type_=GeoType.EFFECT_SCATTER, symbol_size=8) 
  29. geo.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) 
  30. geo.set_global_opts(title_opts=opts.TitleOpts(title='倒闭公司数量在全国的分布'), 
  31.                     visualmap_opts=opts.VisualMapOpts(max_=5000, is_piecewise=True
  32.                     pieces=[{"max": 50, "min": 0, "label""0-50""color""#708090"},        # 分段  添加图例注释  和颜色 
  33.                               {"max": 100, "min": 51, "label""51-100""color""#00FFFF"}, 
  34.                               {"max": 200, "min": 101, "label""101-200""color""#00008B"}, 
  35.                               {"max": 300, "min": 201, "label""201-300""color""#483D8B"}, 
  36.                               {"max": 1000, "min": 500, "label""500-1000""color""#1E90FF"}, 
  37.                               {"max": 2000, "min": 1001, "label""1001-2000""color""#8B008B"}, 
  38.                               {"max": 4000, "min": 2001, "label""2001-4000""color""#FF1493"}, 
  39.                               {"max": 5000, "min": 4001, "label""4001-5000""color""#FF0000"
  40.                                  ]) 
  41.                     ) 
  42.  
  43. geo.render("geo_map.html"

有个别数据地区是北美洲、亚洲、欧洲这样的,不便于分析,将其滤掉。

结果如下:

  1. # (地区,倒闭公司数量) 
  2. ('北京', 4527) 
  3. ('广东', 2355) 
  4. ('上海', 2000) 
  5. ('浙江', 1007) 
  6. ('四川', 707) 
  7. ('江苏', 507) 
  8. ('湖北', 302) 
  9. ('福建', 264) 
  10. ('山东', 211) 
  11. ('陕西', 197) 
  12. ('湖南', 155) 
  13. ('重庆', 154) 
  14. ('河南', 125) 
  15. ('安徽', 119) 
  16. ('天津', 110) 
  17. ('辽宁', 98) 
  18. ('河北', 76) 
  19. ('江西', 62) 
  20. ('黑龙江', 53) 
  21. ('广西', 42) 
  22. ('山西', 36) 
  23. ('台湾', 36) 
  24. ('云南', 34) 
  25. ('贵州', 32) 
  26. ('海南', 26) 
  27. ('香港', 23) 
  28. ('吉林', 20) 
  29. ('内蒙古', 19) 
  30. ('新疆', 16) 
  31. ('甘肃', 11) 
  32. ('宁夏', 7) 
  33. ('西藏', 5) 
  34. ('青海', 2) 

图片

北上广不相信眼泪,但创业公司还是青睐于北京、广东、上海等地区。

最后看一下倒闭公司经营年限分布情况

  1. # -*- coding: UTF-8 -*- 
  2. ""
  3. @Author  :叶庭云 
  4. @公众号  :修炼Python 
  5. @CSDN    :https://yetingyun.blog.csdn.net/ 
  6. ""
  7. import pandas as pd 
  8. from collections import Counter 
  9. from pyecharts import options as opts 
  10. from pyecharts.charts import Bar 
  11. from pyecharts.globals import ThemeType, CurrentConfig 
  12.  
  13.  
  14. CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
  15.  
  16. # 读取数据 
  17. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  18.  
  19. year = list(df['经营年限']) 
  20. year_count = Counter(year).most_common() 
  21. year_count = sorted(year_count, key=lambda x:x[0]) 
  22. x_data = [x[0] for x in year_count] 
  23. y_data = [y[1] for y in year_count] 
  24. bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK)) 
  25. bar.add_xaxis(xaxis_data=x_data) 
  26. bar.add_yaxis("倒闭公司数量", y_axis=y_data) 
  27. bar.set_global_opts( 
  28.         title_opts=opts.TitleOpts(title='倒闭公司经营年限分布'), 
  29.         xaxis_opts=opts.AxisOpts(name='经营年限'),   # 设置x名称和Label 
  30.         yaxis_opts=opts.AxisOpts(name='倒闭公司数量'), 
  31.  
  32.     ) 
  33. bar.render('bar.html'

结果如下:

图片

经营年限不足 1 年的公司有 277 家,倒闭公司经营年限大部分在 2-4 年,经营年限为1年、5年的也比较多,经营年限 6 年以上的越来越少。

经营年限最长的倒闭公司Top10:

  1. import pandas as pd 
  2.  
  3. # 读取数据 
  4. df = pd.read_excel('2010-2019倒闭公司数据.xlsx'
  5. # 按经营年限   降序排列 
  6. df1 = df.sort_values(by='经营年限', ascending=False
  7. df1.iloc[:10, ].to_excel('经营年限最长的倒闭公司Top10.xlsx'index=False

结语:这是一个最好的时代,也是一个最坏的时代,一批创业者正踏上天堂之路,一批创业者正走向地狱之门,创业的道路上致使失败的原因太多,如同蝴蝶效应一样,一个小小的问题,也可能导致最终的失败。创业不易,且行且珍惜!

【编辑推荐】

  1. 黄光裕正式获释,公开发表讲话!
  2. 如果不支付赎金,这些勒索软件卡特尔将泄漏您的数据
  3. 从微信小程序到鸿蒙js开发【06】-swiper&animator&marquee
  4. 鸿蒙的js开发部模式14:tabs组件通过python远程服务构建项目一
  5. 为什么说程序开发是一个比较辛苦的职业
【责任编辑:华轩 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

数据湖与数据仓库的分析实践攻略

数据湖与数据仓库的分析实践攻略

助力现代化数据管理:数据湖与数据仓库的分析实践攻略
共3章 | 创世达人

6人订阅学习

云原生架构实践

云原生架构实践

新技术引领移动互联网进入急速赛道
共3章 | KaliArch

33人订阅学习

数据中心和VPDN网络建设案例

数据中心和VPDN网络建设案例

漫画+案例
共20章 | 捷哥CCIE

220人订阅学习

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微