首先需要声明，本文纯属一个毫无远见和真才实学的小小散户的愚昧见解，仅供参考。
能源
金属
农作物
航运
1980-1999年数据缺失。
本文仅用于表达本人经常错误的观点，不构成任何投资建议，投资有风险，入市需谨慎。
时间： 2024-10-18 06:41:20
长周期行业（1980 - 2014）数据整理
长周期行业（1980 - 2014）数据整理的相关文章
长周期行业-航运(2)-航运公司再现倒闭潮
首先需要声明,本文纯属一个毫无远见和真才实学的小小散户的愚昧见解,仅供参考. 2015年的农历春节对许多航运公司来说并不好过. 破产 2月13日,国内第一家在美国OTCBB(场外柜台交易市场)上市的民营航运企业大连威兰德航运公司,在美国德克萨斯州申请破产保护. 大连威兰德航运公司成立于1993年,主营国际散杂货.集装箱运输及租船等航运业务,在北京.天津.青岛.营口.张家港.连云港.上海等国内港口城市以及日本东京均有分支机构,高峰时曾拥有散杂货船舶18艘,集装箱船舶4艘,航线遍及全球,月控制运力达
长周期行业-航运(3)-马士基航运2014年情况
首先需要声明,本文纯属一个毫无远见和真才实学的小小散户的愚昧见解,仅供参考. 马士基航运2014年盈利23亿美元 全球海运集装箱需求小幅攀升 导读:马士基集团今日(2月25日)晚间发布了2014年全年财报,提供给记者的业绩数据显示,集团全年盈利达52亿美元,达集团历史最高利润水平,实际利润45亿美元,与2013年相比增长33%. 马士基集团今日(2月25日)晚间发布了2014年全年财报,提供给记者的业绩数据显示,集团全年盈利达52亿美元,达集团历史最高利润水平,实际利润45亿美元,与2013年相
长周期行业-航运(1)-波罗的海指数高峰历史
首先需要声明,本文纯属一个毫无远见和真才实学的小小散户的愚昧见解,仅供参考. 从1947年的第15个高峰期到2008年的第23个高峰期,市场共经历了9个短周期,历时61年.纵观66年的市场走势,总共经历了10个高峰期.与前二个时代相比,高峰期的时间明显缩短了.据马丁统计,在1947-2007年期间,平均高峰期为2.4年,平均谷底期为3.2年,整个周期平均为5.6年,但是高峰和低谷期的形态还是有很大差异.高峰期多数为期2年,但第21和22次高峰维持了较长时间:低谷期一般在5-6年,上世纪50年代末
天气驱动行业销售大数据（转）
摘要:自建国以来我国的气象系统已经十分完备,2015年中国气象局发布27号令后使得气象数据迈向开放数据(Open Data)新阶段,行业与公众可以使用海量气象数据助力企业,目前行业数据和海量气象数据还没有得到完全应用.本文主要研究气象数据对销售的影响,进而利用气象数据特性完成天气驱动行业销售的预测.我们以两个零售行业的销售数据为例,结合气象局提供的天气数据进行分析.同时,我们在分析中加入了经济因素,如上证指数和CPI数据来提供外部环境支持.与传统的预测不同,在气象数据中,我们不仅知道目前时间点的
（上）挖掘传统行业日志大数据的无限价值
?? 8 月 27 日晚上八点,七牛云高级解决方案架构师程雪松在 IT 大咖说进行了题为<挖掘传统行业日志大数据的无限价值>的直播,对传统行业运维常见困境和统一日志管理的必要性进行了深入解析,并通过 Pandora 的一些真实用户案例和大家详细阐述了如何挖掘传统行业日志大数据的无限价值.? 本文是对直播内容的整理,共分为上下两篇,上篇主要介绍传统行业运维常见困境和统一日志管理的必要性,以及日志分析几个典型场景. ? 什么是运维 ? 首先我们谈一谈什么是运维.?????很多人对运维有自己的理解,
长周期指标的计算优化方案
原文地址 1 背景 在电子商务公司(如淘宝),对用户的数据分析的角度和思路可谓是应有尽有.层出不穷.所以在电商数据仓库和商业分析场景里,经常需要计算最近N天访客数.最近N天的购买用户数.老客数等等类似的指标.这些指标有一个共同点:都需要根据用户在电商平台上(或网上店铺)一段时间积累的数据进行计算(这里讨论的前提是数据都存储在MaxCompute上).一般情况下,这些指标的计算方式就是从日志明细表中计算就行了,如下代码计算商品的最近30天访客数: select item_id --商品id ,co
用PHP读取MyAQL表单中全部数据并将数据整理翻页
要注意的是我们的PHP是嵌入在html中的 <html> <head> <title></title> <meta http-equiv="Content-Type" content="text/html;charset=UTF-8"/> <style type="text/css"> </style> </head> <body> <
Pandas数据处理实战：福布斯全球上市企业排行榜数据整理
手头现在有一份福布斯2016年全球上市企业2000强排行榜的数据,但原始数据并不规范,需要处理后才能进一步使用. 本文通过实例操作来介绍用pandas进行数据整理. 照例先说下我的运行环境,如下: windows 7, 64位 python 3.5 pandas 0.19.2版本 在拿到原始数据后,我们先来看看数据的情况,并思考下我们需要什么样的数据结果. 下面是原始数据: 在本文中,我们需要以下的初步结果,以供以后继续使用. 可以看到,原始数据中,跟企业相关的数据中(“Sales”,“Prof
power query（获取与转换）：excel数据整理的新利器
在excel 2016版本中,"数据"选项卡下新内置了一个叫"获取与转换"组的功能.看起来简简单单的几个功能命令,真正应用起来,却别有洞天. 这个叫"获取与转换"的组,其实就是power query,什么是power query,不知道的自己去百度.回到这个功能上来说.为什么我要大力推荐这个"获取与转换"功能.因为它实在太强大了.甚至可以在excel中专门开辟一个研究方向.那到底这是一个什么样的功能?从字面意思理解,获取:就是