Python 数据分析微专业课程--项目实战12 财富分配实验_富值每天减少千分之二,365天后财富值还剩多少?(请写出代码)

1.项目说明

 构建财富分配模型，模拟不允许借贷情况下的财富分配，允许借贷下的财富分配，努力型人生的财富分配
1

2.项目具体要求

1、财富分配模型
模型假设：
① 每个人初始基金100元
② 从18岁到65岁，每天玩一次，简化运算按照一共玩17000轮
③ 每天拿出一元钱，并且随机分配给另一个人
④ 当某人的财富值降到0元时，他在该轮无需拿出1元钱给别人，但仍然有机会得到别人给出的钱
要求：
① 构建模型模拟（这里需要跑17000轮）
② 绘制柱状图，查看该轮财富情况
③ 查看最后财富分配数据是什么分布？
④ 最富有的人相比于初始财富，翻了多少倍？
⑤ 10%的人掌握着多少的财富？30%的人掌握着多少的财富？又有百分之多少人财富缩水至100元以下了？

2、在允许借贷情况下，研究以下问题
和初始模型的区别：
允许借贷意味着可以找亲友、银行、投资人借贷 → 资产为负时，仍然参与游戏
要求：
① 构建模型模拟，再次模拟财富分配情况
② 绘制柱状图，查看该轮财富情况
③ 游戏次数与财富分布的标准差的情况，绘图来表示
④ 玩家从18岁开始，在经过17年后为35岁，这个期间共进行游戏6200次左右，则此刻查看财富情况，将财富值为负的标记成“破产”，通过图表研究
   该类玩家在今后的游戏中能否成功“逆袭”（财富值从负到正为逆袭）

3、努力的人生会更好吗？
模型假设：
① 每个人初始基金仍为100元
② 一共玩17000轮
③ 每天拿出一元钱，并且随机分配给另一个人
④ 有10个人加倍努力，从而获得了1%的竞争优势
⑤ 允许借贷
要求：
① 构建模型模拟，再次模拟财富分配情况
② 努力的人，最后是否富有？
③ 绘制柱状图，查看该轮财富情况
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34

3.实现思路：

1.首先构建模型的假设，这里有四个假设，根据这四个假设，使用随机数来模拟给钱和得到钱。首先模拟第一轮的财富分配，
然后扩展到多轮的分配，不考虑借贷的情况，使用for循环来进行多轮分配，并绘制柱状图，查看指定轮的财富情况

2.考虑借贷情况下构建模型，这里增加一个假设：当财富为0时可以向他人借贷继续游戏，即允许财富值为负数。通过多轮模拟情况研究一个问题，
即当玩家财富为负之后有多大可能变为正数。这里采用颜色标记的方法，在玩家为35岁时，将财富为负数的玩家标记为红色，然后查看红色标记的变迁情况。

3.这里在允许借贷的情况下再增加一个假设：如果有人的人生更加努力，竞争优势增加1%。在增加这个假设的情况下构建模型来模拟财富分配，
一次来研究努力型的人生是否可以获得更加多的财富
1
2
3
4
5
6
7
8

4.实现过程：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import os
import time

import warnings
warnings.filterwarnings('ignore')

start_time = time.time()

#模拟第一轮游戏分配，不考虑财富降到零的情况
person_n = [x for x in range(1,101)] #模拟100人Id
fortune = pd.DataFrame([100 for i in range(100)],index =person_n ) #初始财富状况
fortune.index.name = 'id'  #重命名index
round_r1 = pd.DataFrame({
  'pre_round':fortune[0],'lost':1}) #第一轮每个人拿出一块钱
choice_r1 = pd.Series(np.random.choice(person_n,100)) #100块对100人做随机分配
gain_r1 = pd.DataFrame({
  'gain':choice_r1.value_counts()}) #计算随机分配后的获利情况
round_r1 = round_r1.join(gain_r1) #将支出和获利数据连接
round_r1.fillna(0,inplace = True) #空值填充
fortune[1] = round_r1['pre_round']-round_r1['lost']+round_r1['gain'] #第一轮分配后的财富情况
print(fortune)

#模拟第一轮游戏分配，考虑财富降到零的情况
#过程与不考虑财富到零的情况大致相同
person_n = [x for x in range(1,101)]
fortune1 = pd.DataFrame([100 for i in range(100)],index =person_n )
fortune1.index.name = 'id'
round_r1 = pd.DataFrame({
  'pre_round':fortune1[0],'lost':1})
#判断前一轮分配后是否有人财富为0，若为0,则本次分配不需要支出1元，即支出为0
for i in range(1,101): 
    if round_r1.loc[i,'pre_round'] ==0:
        round_r1.loc[i,'lost']=0 
#计算本轮分配金额分配给100人
choice_r1 = pd.Series(np.random.choice(person_n,round_r1['lost'].sum()))
#计算随机分配后的获利情况
gain_r1 = pd.DataFrame({
  'gain':choice_r1.value_counts()})  
round_r1 = round_r1.join(gain_r1)
round_r1.fillna(0,inplace = True)
#计算本轮分配后的财富情况
fortune1[1] = round_r1['pre_round']-round_r1['lost']+round_r1['gain']
print(fortune)

#① 构建模型模拟（这里需要跑17000轮）'
#创建财富分配模型 ---初始模型
def fortune_game1(r):
    person_n = [x for x in range(1,101)]
    fortune = pd.DataFrame([100 for i in range(100)],index =person_n )
    fortune.index.name = 'id'
    for i in range(1,r+1):
        round_r = pd.DataFrame({
  'pre_round':fortune[i-1],'lost':1})
        f
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57