数据维度英文

销售报表里的TY是THIS YEAR，今年数据的意思；LY 指 LAST YEAR，是上年数据的意思。销售报表首先介绍一些基本的概念。报表类别企业报表主要分两类：业务报表和财务报表。两者有交叉也有不同。业务报表主要满足业务管理需求，财务报表则需遵守会计准则，更多地是出于满足财务管理的需求。两种报表对同一名词的定义可能有差异。比如销售收入，财务报表中的销售收入是不含增值税的，业务报表中通常是含增值税的。业务报表的目的之一是评估现状，评估现在的销售状况、库存状况、毛利状况如何。如果不好，应该要及时调整销售策略。另一个目的是预测未来。所有的商品企划、销售预测、OTB预算都是以历史销售数据为依据的。单靠销售报表是无法做出一份好的销售预测的，历史销售数据是很重要的基础。业务报表分类方法从数据维度来看，业务报表对买手来说有几个关键指标：销售额/销售量、毛利（GP）、COG和库存控制。每个公司的报表格式可能不一样，但总会包含这几个数据。从企业部门维度来看，业务报表可以按不同的品牌划分、不同业务（比如男装或者女装）划分。此外还有按产品维度和供应商类别划分的报表。前者我们通常称为明细报表。如果你是多品牌经销商的买手，那么报表也会按照各个品牌商划分。当然，业务报表也可以用作员工业绩考核的依据，比较不同买手的业务情况。也有按销售区域分类的报表，因为中国很大，要分成很多区域，比如北区、中区、南区等等。以上都是很常见的销售报表的分类方法。商品结构层级下面重点说说商品结构的层级。其实大部分公司都在做商品结构分层，但差异在于做到什么级别，做得是否细致。大家先看看这两张PPT（此处略）。大部分公司做到的是这两张PPT上的级别，服装下面会有男装、女装、童装、内衣之分。如果是多品牌，下面可能还分休闲装、运动装、职业装，再分品牌1、品牌2，紧接着是collection，然后再细分夹克、衬衫、大衣、裙子等等。大家再看看我发的这三张PPT（此处略），上面的产品分类更细致。比如大衣有长度之分。因为大衣的长度是影响产品销售的重要属性，比如是到脚踝长度、小腿肚长度、膝盖长度还是大腿长度、臀围线长度等等。不同季节、不同区域都需要不同长度的大衣。其实在做商品企划时就应做到这么细致，但是大部分的商品企划没有这么细，只会写大衣要哪些款式。同样，如果数据库也能细致到这个级别，数据分析就会更加详尽。再比如T恤。影响T恤销售的产品属性除了面料和色彩，还有袖长、领形、衣长等等。裤子也一样，裤子的长度、裤形（直筒、大喇叭、小喇叭、阔腿裤、铅笔裤）也会影响销售。这些数据不仅在商品企划中很重要，在做数据分析的时候也很重要。前提是数据库里有这些产品信息，如果数据库里没有这些产品信息，当然也无从分析。因此，一份销售报表的细致程度就会体现在这些方面。

面版数据（panel data）英文是panel data。Panel 本身有“面板”的意思，panel data有时间和截面两个维度，当这类数据按两个维度排列时，是排在一个平面上，与只有一个维度的数据排在一条线上有着明显的不同，所以把panel data译作“面板数据”有其形象化的特点。然而，如果把panel data译为“时间序列—横截面数据” 则更从本质上揭示了这类数据的特点，应该是更加贴切。若要追求简洁可译为“时序—截面数据”。在贺铿等编著的“经济计量学”教科书中称作TS-CS数据（取Time Series - Cross Section的缩写）也很简洁。 “平行数据”的译法见于李子奈、叶阿忠主编的《高等计量经济学》（清华大学出版社），无论从英文字面，还是数据本身的特点去考虑，显然都不如上面的两种译法。

销售报表中这两个英文的缩写，意思是本年度和上年度数据的意思。其中，TY - THIS YEAR，是“今年”英文的缩写；就是今年数据； LY - LAST YEAR，是“去年”英文的缩写，就是上年数据； MTD(Month to day) 是“月/天”的英文缩写。

数组的维度就是一个数组中的某个元素，当用数组下标表示的时候，需要用几个数字来表示才能唯一确定这个元素，这个数组就是几维。numpy中直接用 * 即可表示数与向量的乘法，参考python 2.7的一个例子：inport numpy as np  a = np.array([1,2,3,4]) # 向量   b = 5 # 数   print a*b    ++++++++++++  [5,10,15,20]

NumPy数组（1、数组初探）更新目前我的工作是将NumPy引入到Pyston中（一款Dropbox实现的Python编译器/解释器）。在工作过程中，我深入接触了NumPy源码，了解其实现并提交了PR修复NumPy的bug。在与NumPy源码以及NumPy开发者打交道的过程中，我发现当今中文NumPy教程大部分都是翻译或参考英文文档，因此导致了许多疏漏。比如NumPy数组中的broadcast功能，几乎所有中文文档都翻译为“广播”。而NumPy的开发者之一，回复到“broadcast is a compound -- native English speakers can see that it's " broad" + "cast" = "cast (scatter, distribute) broadly, I guess "cast (scatter, distribute) broadly" probably is closer to the meaning（NumPy中的含义）"。有鉴于此，我打算启动一个项目，以我对NumPy使用以及源码层面的了解编写一个系列的教程。地址随后会更新。CSDN的排版（列表）怎么显示不正常了。。。NumPy数组NumPy数组是一个多维数组对象，称为ndarray。其由两部分组成：实际的数据描述这些数据的元数据大部分操作仅针对于元数据，而不改变底层实际的数据。关于NumPy数组有几点必需了解的：NumPy数组的下标从0开始。同一个NumPy数组中所有元素的类型必须是相同的。NumPy数组属性在详细介绍NumPy数组之前。先详细介绍下NumPy数组的基本属性。NumPy数组的维数称为秩（rank），一维数组的秩为1，二维数组的秩为2，以此类推。在NumPy中，每一个线性的数组称为是一个轴（axes），秩其实是描述轴的数量。比如说，二维数组相当于是两个一维数组，其中第一个一维数组中每个元素又是一个一维数组。所以一维数组就是NumPy中的轴（axes），第一个轴相当于是底层数组，第二个轴是底层数组里的数组。而轴的数量——秩，就是数组的维数。NumPy的数组中比较重要ndarray对象属性有：ndarray.ndim：数组的维数（即数组轴的个数），等于秩。最常见的为二维数组（矩阵）。ndarray.shape：数组的维度。为一个表示数组在每个维度上大小的整数元组。例如二维数组中，表示数组的“行数”和“列数”。ndarray.shape返回一个元组，这个元组的长度就是维度的数目，即ndim属性。ndarray.size：数组元素的总个数，等于shape属性中元组元素的乘积。ndarray.dtype：表示数组中元素类型的对象，可使用标准的Python类型创建或指定dtype。另外也可使用前一篇文章中介绍的NumPy提供的数据类型。ndarray.itemsize：数组中每个元素的字节大小。例如，一个元素类型为float64的数组itemsiz属性值为8(float64占用64个bits，每个字节长度为8，所以64/8，占用8个字节），又如，一个元素类型为complex32的数组item属性为4（32/8）。ndarray.data：包含实际数组元素的缓冲区，由于一般通过数组的索引获取元素，所以通常不需要使用这个属性。创建数组先来介绍创建数组。创建数组的方法有很多。如可以使用array函数从常规的Python列表和元组创造数组。所创建的数组类型由原序列中的元素类型推导而来。