Dự án NumPy: ma trận doanh thu 12 tháng × 8 chi nhánh
Bài 23/23 · Chương 2
Mảng và tư duy vector
- 10 phút
- Trung cấp
- Python 3.14
- Cập nhật
Trong bài này · 10
Dự án NumPy này đọc ma trận doanh thu 12 tháng của tám chi nhánh một chuỗi bán lẻ và trả lời sáu câu hỏi kinh doanh, mỗi câu vài dòng code, không vòng lặp for nào. Bạn làm qua sáu bước, mỗi bước chạy được ngay, rồi ghép thành một chương trình hoàn chỉnh và tự viết thêm một hàm đếm số tháng đạt chỉ tiêu.
Cần biết trước: np.loadtxt(), thống kê theo axis và broadcasting.
Chương trình sẽ làm gì
Nhận vào file doanh_thu_chi_nhanh.csv: dòng tiêu đề có cột thang rồi tên tám chi nhánh, sau đó 12 dòng từ 2025-01 tới 2025-12, mỗi ô là doanh thu tháng tính bằng triệu đồng. Chương trình đọc phần số thành ma trận dt shape (12, 8), mỗi hàng một tháng, mỗi cột một chi nhánh, và đọc riêng tên chi nhánh thành mảng ten.
Xử lý gồm sáu câu hỏi của người quản lý chuỗi. Tháng nào cả chuỗi bán trên mức trung bình? Mỗi tháng có mấy chi nhánh dưới mức thường của chính nó? Nửa cuối năm tăng bao nhiêu so với nửa đầu? Hai thành phố lớn chiếm bao nhiêu phần trăm mỗi tháng? Ba chi nhánh nào yếu nhất, và chỉ tiêu năm 2026 của từng chi nhánh là bao nhiêu? Kết quả là sáu dòng in, đánh số từ 1 tới 6. Chương trình không rẽ nhánh, không vòng lặp: câu trả lời nào cũng chỉ là vài phép tính trên cả ma trận, như cộng theo trục, so sánh hay lấy theo chỉ số.
Bước 1: Đọc ma trận và tên chi nhánh
Đọc phần số bằng np.loadtxt() như bài loadtxt, bỏ cột tháng bằng usecols. Tên chi nhánh nằm ở dòng tiêu đề, nên đọc lại file lần nữa với dtype=str (giữ mọi ô là chữ) rồi lấy hàng đầu [0]:
import numpy as np
file = "doanh_thu_chi_nhanh.csv"
dt = np.loadtxt(file, delimiter=",", skiprows=1,
usecols=range(1, 9), dtype=int, encoding="utf-8")
ten = np.loadtxt(file, delimiter=",", usecols=range(1, 9),
dtype=str, encoding="utf-8")[0]
print(dt.shape)
print(ten)
print(dt[0])KẾT QUẢ
(12, 8)
['Hà Nội' 'TP. Hồ Chí Minh' 'Hải Phòng' 'Đà Nẵng' 'Huế' 'Khánh Hòa'
'Đồng Nai' 'Cần Thơ']
[1055 1242 577 514 284 392 450 348]Kiểm shape ngay sau khi đọc: (12, 8) nghĩa là đủ 12 tháng, đủ tám chi nhánh. ten[j] là tên của cột j trong dt, nên mọi vị trí tìm được trên cột đều đổi được thành tên. Hàng dt[0] là tháng 1: Hà Nội 1.055 triệu, TP. Hồ Chí Minh 1.242 triệu.
Bước 2: Tháng nào cả chuỗi bán trên mức trung bình?
Cộng tám chi nhánh của mỗi tháng là gộp các cột, axis=1, ra 12 số. So 12 số đó với trung bình của chúng cho một mask, rồi dùng mask lọc mảng số tháng:
import numpy as np
dt = np.loadtxt("doanh_thu_chi_nhanh.csv", delimiter=",",
skiprows=1, usecols=range(1, 9), dtype=int,
encoding="utf-8")
thang = np.arange(1, 13)
tong_thang = dt.sum(axis=1)
print(tong_thang)
print("1.", thang[tong_thang > tong_thang.mean()])KẾT QUẢ
[4862 2627 3364 3553 3842 4158 3925 3911 3713 3849 4266 4820]
1. [ 1 6 7 8 11 12]Mảng thang từ 1 tới 12 đứng song song với các hàng của dt, nên thang[mask] đổi vị trí thành số tháng thật. Tháng 1 bán gần bằng tháng 12, còn tháng 2 thấp nhất năm, chỉ hơn nửa tháng 1: mùa mua sắm trước Tết rơi vào tháng 1, tháng sau Tết thì vắng. Đổi > thành < rồi chạy lại: dòng cuối là sáu tháng còn lại, in [ 2 3 4 5 9 10].
Bước 3: Mỗi tháng, mấy chi nhánh dưới mức thường của chính mình?
Huế bán ít hơn Hà Nội ở mọi tháng, nên so mọi chi nhánh với một ngưỡng chung thì không công bằng. Mỗi chi nhánh cần ngưỡng riêng: trung bình 12 tháng của chính nó, dt.mean(axis=0), shape (8,). Broadcasting so bảng (12, 8) với hàng (8,) đó, cột nào so với trung bình của cột ấy:
import numpy as np
dt = np.loadtxt("doanh_thu_chi_nhanh.csv", delimiter=",",
skiprows=1, usecols=range(1, 9), dtype=int,
encoding="utf-8")
duoi_tb = dt < dt.mean(axis=0)
print(duoi_tb.shape)
print("2.", duoi_tb.sum(axis=1))KẾT QUẢ
(12, 8)
2. [0 8 8 8 5 0 5 5 8 6 1 0]Cộng mask theo axis=1 đếm số ô True trong mỗi hàng, tức số chi nhánh dưới mức thường của tháng đó. Tháng 2, 3, 4 và 9 cả tám chi nhánh cùng yếu: lúc đó vấn đề là của cả chuỗi, không riêng ai. Tháng 1, 6 và 12 không chi nhánh nào dưới mức thường.
Bước 4: Nửa cuối năm so với nửa đầu
Sáu hàng đầu của dt là tháng 1 tới 6, sáu hàng sau là tháng 7 tới 12. Hai lát cắt theo hàng, mỗi lát gộp theo axis=0, cho doanh thu nửa năm của từng chi nhánh:
import numpy as np
dt = np.loadtxt("doanh_thu_chi_nhanh.csv", delimiter=",",
skiprows=1, usecols=range(1, 9), dtype=int,
encoding="utf-8")
nua_dau = dt[:6].sum(axis=0)
nua_cuoi = dt[6:].sum(axis=0)
print(nua_dau)
print(nua_cuoi)
print("3.", ((nua_cuoi / nua_dau - 1) * 100).round(1))KẾT QUẢ
[4911 5745 2525 2440 1183 1931 2086 1585]
[5502 6366 2674 2692 1053 2145 2325 1727]
3. [ 12. 10.8 5.9 10.3 -11. 11.1 11.5 9. ]Phép chia hai mảng (8,) đi theo từng cặp chi nhánh. Bảy chi nhánh tăng từ 6% tới 12%, riêng Huế (cột thứ năm) giảm 11%: con số đáng hỏi lại đầu tiên trong báo cáo. Lát cắt dt[:6] và dt[6:] không chép dữ liệu và không trùng hàng nào, nên hai nửa cộng lại đúng bằng cả năm.
Bước 5: Hai thành phố lớn chiếm bao nhiêu phần trăm?
Lấy hai cột Hà Nội và TP. Hồ Chí Minh bằng một mảng chỉ số, dt[:, [0, 1]], ra bảng (12, 2). Cộng hai cột rồi chia cho tổng của cả chuỗi trong cùng tháng:
import numpy as np
dt = np.loadtxt("doanh_thu_chi_nhanh.csv", delimiter=",",
skiprows=1, usecols=range(1, 9), dtype=int,
encoding="utf-8")
tong_thang = dt.sum(axis=1)
hai_tp = dt[:, [0, 1]].sum(axis=1)
print(dt[:, [0, 1]].shape)
print("4.", (hai_tp / tong_thang * 100).round(1))KẾT QUẢ
(12, 2)
4. [47.2 47.7 48.6 48.2 48.7 45.4 46.6 46.7 49.9 50.1 48.1 49.3]Hai thành phố giữ gần một nửa doanh thu của chuỗi ở mọi tháng, cao nhất 50,1% vào tháng 10. Mảng chỉ số [0, 1] lấy được cột không liền nhau: dt[:, [0, 4, 7]] lấy Hà Nội, Huế và Cần Thơ, theo đúng thứ tự viết.
Bước 6: Ba chi nhánh yếu nhất và chỉ tiêu năm 2026
argsort() trả về vị trí của các chi nhánh xếp theo doanh thu năm từ thấp lên cao; ba vị trí đầu là ba chi nhánh yếu nhất. Chỉ tiêu 2026 tăng 5% cho mọi chi nhánh, rồi gán lại cho đúng ba vị trí đó mức tăng 10% để kéo chúng lên:
import numpy as np
file = "doanh_thu_chi_nhanh.csv"
dt = np.loadtxt(file, delimiter=",", skiprows=1,
usecols=range(1, 9), dtype=int, encoding="utf-8")
ten = np.loadtxt(file, delimiter=",", usecols=range(1, 9),
dtype=str, encoding="utf-8")[0]
ca_nam = dt.sum(axis=0)
yeu = ca_nam.argsort()[:3]
print("5.", ten[yeu])
chi_tieu = ca_nam * 105 // 100
chi_tieu[yeu] = ca_nam[yeu] * 110 // 100
print(ca_nam)
print("6.", chi_tieu)KẾT QUẢ
5. ['Huế' 'Cần Thơ' 'Khánh Hòa']
[10413 12111 5199 5132 2236 4076 4411 3312]
6. [10933 12716 5458 5388 2459 4483 4631 3643]chi_tieu[yeu] = ... gán ba số vào ba vị trí trong một lệnh; năm chi nhánh còn lại giữ mức 5%. // 100 giữ chỉ tiêu là số nguyên triệu đồng. Huế từ 2.236 triệu lên 2.459 triệu, tăng 10%, còn Hà Nội từ 10.413 triệu lên 10.933 triệu, tăng 5%.
Bước 7: Ghép thành chương trình hoàn chỉnh
Ghép sáu bước, mỗi câu hỏi giữ đúng các dòng đã chạy ở bước của nó:
import numpy as np
file = "doanh_thu_chi_nhanh.csv"
dt = np.loadtxt(file, delimiter=",", skiprows=1,
usecols=range(1, 9), dtype=int, encoding="utf-8")
ten = np.loadtxt(file, delimiter=",", usecols=range(1, 9),
dtype=str, encoding="utf-8")[0]
thang = np.arange(1, 13)
# 1. Tháng nào cả chuỗi bán trên mức trung bình?
tong_thang = dt.sum(axis=1)
print("1.", thang[tong_thang > tong_thang.mean()])
# 2. Mỗi tháng, mấy chi nhánh dưới mức thường của chính mình?
duoi_tb = dt < dt.mean(axis=0)
print("2.", duoi_tb.sum(axis=1))
# 3. Nửa cuối năm so với nửa đầu (%)
nua_dau = dt[:6].sum(axis=0)
nua_cuoi = dt[6:].sum(axis=0)
print("3.", ((nua_cuoi / nua_dau - 1) * 100).round(1))
# 4. Hà Nội và TP. Hồ Chí Minh chiếm bao nhiêu phần trăm?
hai_tp = dt[:, [0, 1]].sum(axis=1)
print("4.", (hai_tp / tong_thang * 100).round(1))
# 5. Ba chi nhánh có doanh thu năm thấp nhất
ca_nam = dt.sum(axis=0)
yeu = ca_nam.argsort()[:3]
print("5.", ten[yeu])
# 6. Chỉ tiêu 2026: tăng 5%, ba chi nhánh yếu tăng 10%
chi_tieu = ca_nam * 105 // 100
chi_tieu[yeu] = ca_nam[yeu] * 110 // 100
print("6.", chi_tieu)KẾT QUẢ
1. [ 1 6 7 8 11 12]
2. [0 8 8 8 5 0 5 5 8 6 1 0]
3. [ 12. 10.8 5.9 10.3 -11. 11.1 11.5 9. ]
4. [47.2 47.7 48.6 48.2 48.7 45.4 46.6 46.7 49.9 50.1 48.1 49.3]
5. ['Huế' 'Cần Thơ' 'Khánh Hòa']
6. [10933 12716 5458 5388 2459 4483 4631 3643]Đổi [:3] thành [:2] rồi chạy lại: dòng 5 in ['Huế' 'Cần Thơ'], và Khánh Hòa ở dòng 6 về mức tăng 5%, in 4279. Mọi kết quả đến từ dt: thay file của năm khác cùng cột thì sáu câu trả lời tự đổi theo.
Bài tập
Đếm số tháng mỗi chi nhánh đạt chỉ tiêu
Người quản lý muốn biết mỗi chi nhánh đạt chỉ tiêu tháng bao nhiêu lần. dt là ma trận doanh thu như chương trình trên, mỗi hàng một tháng, mỗi cột một chi nhánh; chi_tieu là chỉ tiêu tháng của từng chi nhánh, shape (so_chi_nhanh,). Một tháng được tính là đạt khi doanh thu bằng hoặc cao hơn chỉ tiêu. Viết thân hàm so_thang_dat(dt, chi_tieu). Hàm không sửa hai mảng của nơi gọi.
Không dùng vòng lặp for.
Trả về: số tháng đạt của từng chi nhánh, theo thứ tự cột, một ndarray.
Ví dụ dt = [[500, 300], [650, 280], [700, 300]] với chi_tieu = [650, 300] cho [2 2].
import numpy as np
def so_thang_dat(dt, chi_tieu):
pass # Viết thân hàm thay cho dòng nàyThử mở rộng
Ba hướng đầu làm được ngay với chương trình trên:
Gọi
so_thang_dat(dt, chi_tieu // 12)vớichi_tieucủa bước 6: mỗi chi nhánh năm 2025 có bao nhiêu tháng đã đạt mức tháng của chỉ tiêu 2026?Thêm câu 7: tháng tốt nhất của Huế so với tháng tốt nhất của cả chuỗi, bằng
argmax()trên cộtdt[:, 4]và trêntong_thang, theo bài argmax và sắp xếp.Đổi câu 2 thành tỉ lệ phần trăm chi nhánh dưới mức thường: trung bình của mask thay cho tổng, theo bài boolean mask.
Đưa sáu câu trả lời vào một bảng có tên cột để in đẹp và vẽ biểu đồ: việc của tutorial pandas, bắt đầu ở bài đọc file CSV bằng pandas.
Chủ đề
Dữ liệu của bài
- Tải xuống
doanh_thu_chi_nhanh.csv
CSV · 589 byte
Bài này có hữu ích?
Hỏi đáp
Tham vấn chuyên môn
Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE
- Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
- Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
- Xây hệ thống AI cho doanh nghiệp tại VietPlatform.