23. 数据分析：用Python进行均衡价格的数据拟合与可视化

各位同学，今天咱们来点硬核的。前面讲了那么多理论，什么供需曲线、均衡点、价格弹性……但说实话，光看公式和图表，总觉得隔着一层纱。我个人习惯是，必须亲手跑一遍数据，心里才踏实。

这一章，我们就用Python把均衡价格这件事，从理论变成可操作的代码。你想想看，当你能用几行代码就拟合出一条需求曲线，再画出供给曲线，最后精准找到那个交点——那种掌控感，是纯理论给不了的。

为什么非得用Python？

我刚开始做市场分析那会儿，还在用Excel手动拉曲线。数据量小还行，一旦遇到几千条交易记录，Excel直接卡死。后来我转向Python，才发现这才是干活的工具。

Python的好处有三点：

• 处理数据快——pandas库几秒钟搞定上万条数据
• 拟合模型灵活——scipy库里的curve_fit函数，想拟合什么曲线都行
• 可视化直观——matplotlib画出来的图，直接能拿去给老板汇报

第一步：准备数据

在实际项目中，数据往往是从数据库或者API接口拉下来的。这里为了演示，我先生成一组模拟数据。嗯，注意看，这里有个小技巧——我故意给数据加了点噪声，因为真实市场数据从来不会完美地落在一条直线上。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# 设置随机种子，保证结果可复现
np.random.seed(42)

# 生成价格数据（从5到25）
price = np.linspace(5, 25, 100)

# 需求函数：Qd = 100 - 3*P + 噪声
# 供给函数：Qs = -20 + 4*P + 噪声
quantity_demanded = 100 - 3 * price + np.random.normal(0, 5, 100)
quantity_supplied = -20 + 4 * price + np.random.normal(0, 5, 100)

# 组装成DataFrame
df = pd.DataFrame({
    'price': price,
    'quantity_demanded': quantity_demanded,
    'quantity_supplied': quantity_supplied
})

print(df.head())

第二步：拟合需求曲线和供给曲线

数据准备好了，接下来就是拟合。这里我用的是线性函数，因为大多数基础经济学教材里都是这么假设的。但实际项目中，我遇到过指数型的需求曲线，也遇到过对数型的。你想想看，奢侈品和日用品的需求曲线能一样吗？

scipy的curve_fit函数非常强大，你只需要定义一个函数形式，它就能帮你算出最优参数。

# 定义线性函数
def linear_func(x, a, b):
    return a * x + b

# 拟合需求曲线
params_demand, _ = curve_fit(linear_func, price, quantity_demanded)
a_d, b_d = params_demand

# 拟合供给曲线
params_supply, _ = curve_fit(linear_func, price, quantity_supplied)
a_s, b_s = params_supply

print(f"需求曲线: Qd = {a_d:.2f} * P + {b_d:.2f}")
print(f"供给曲线: Qs = {a_s:.2f} * P + {b_s:.2f}")

跑完这段代码，你会看到类似这样的输出：

需求曲线: Qd = -2.98 * P + 99.45
供给曲线: Qs = 4.02 * P + -19.87

你看，拟合出来的参数跟咱们设定的真实值（-3和4）非常接近。这就是统计的力量——虽然数据有噪声，但大数定律会帮我们把真相找出来。

第三步：求解均衡价格

有了两条曲线的方程，求均衡点就是解一个二元一次方程组。说白了，就是让Qd = Qs。

# 解方程：a_d * P + b_d = a_s * P + b_s
# 移项得：(a_d - a_s) * P = b_s - b_d
equilibrium_price = (b_s - b_d) / (a_d - a_s)
equilibrium_quantity = a_d * equilibrium_price + b_d

print(f"均衡价格: {equilibrium_price:.2f}")
print(f"均衡数量: {equilibrium_quantity:.2f}")

第四步：可视化——一张图看懂一切

数据是冷冰冰的，但图表能讲故事。我个人习惯是，每次分析完数据，第一件事就是画图。因为老板不看代码，也不看数字，他只看图。

# 生成用于绘图的平滑价格序列
price_smooth = np.linspace(5, 25, 200)
qd_smooth = a_d * price_smooth + b_d
qs_smooth = a_s * price_smooth + b_s

plt.figure(figsize=(10, 6))

# 绘制原始数据点
plt.scatter(df['quantity_demanded'], df['price'], 
            alpha=0.5, label='需求数据', color='#FF6B6B')
plt.scatter(df['quantity_supplied'], df['price'], 
            alpha=0.5, label='供给数据', color='#4ECDC4')

# 绘制拟合曲线
plt.plot(qd_smooth, price_smooth, 'r-', linewidth=2, label='需求曲线')
plt.plot(qs_smooth, price_smooth, 'b-', linewidth=2, label='供给曲线')

# 标记均衡点
plt.scatter(equilibrium_quantity, equilibrium_price, 
            color='gold', s=200, edgecolors='black', 
            zorder=5, label='均衡点')

plt.xlabel('数量')
plt.ylabel('价格')
plt.title('市场均衡价格拟合与可视化')
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

这张图一出来，所有东西都一目了然。两条曲线的交点，就是市场出清的价格和数量。任何偏离这个点的价格，都会导致过剩或短缺——市场会自动调节回去。

核心知识体系

为了让你更清楚地理解整个流程，我画了一张结构图。这张图把我们从数据到结论的路径完整展示了出来。

进阶技巧：处理非线性关系

刚才我们用的是线性拟合，但真实世界哪有那么多直线？我记得有一次分析某款电子产品的定价，发现需求曲线明显是幂函数形状——价格越低，需求量增长得越快。这时候再用线性拟合，误差就大了。

解决办法很简单，换一个函数形式就行：

# 定义幂函数
def power_func(x, a, b, c):
    return a * (x ** b) + c

# 拟合
params_power, _ = curve_fit(power_func, price, quantity_demanded)

你想想看，同样的数据，用不同的函数去拟合，结果可能天差地别。所以，选择函数形式不是数学问题，而是经济学问题——你得先理解这个市场的运行逻辑，再决定用什么曲线去描述它。

实战中的注意事项

最后，我总结几条实战经验，希望能帮你少走弯路：

1. 数据量别太少——少于30个样本点，拟合结果基本不可信。我一般要求至少100个。
2. 注意异常值——一个极端值就能把整条曲线带偏。用箱线图先检查一遍数据。
3. 别过度拟合——用高阶多项式拟合出来的曲线，虽然能完美穿过每个数据点，但预测能力几乎为零。
4. 验证结果——拟合出来的均衡价格，最好跟实际市场价格对比一下。如果差太多，说明你的模型可能漏掉了重要变量。

好了，这一章的内容就到这里。代码你可以直接拿去跑，数据也可以换成你自己的。记住，多动手，少空想——市场不会骗人，但数据会，前提是你得会用工具把它洗干净。

---