学习说明：本章只计“企业代理构造、核验与边界说明”的方法成果；港口企业财报/行情不具海关贸易领域等价性，不计真实外贸完成案例。
对外贸易分析是理解国际经济格局的核心手段：
| 要素 | 课堂口径 |
|---|---|
| 本地资产 | stock/financial_statement.h5、stock/stock_price_pre_adjusted.h5 |
| 对象与期间 | 宁波港 601018.SH、上港集团 600018.SH，2015–2025 年 |
| 指标 | 季度营业收入/净利润增速、月度复权收益率 |
| 决策 | 连续两季增长转负时，运营与投资负责人启动情景核对 |
港口公司指标仅作景气代理，不能替代海关贸易总额；印度表只用于算法对照。
from pathlib import Path
import pandas as pd
linux_root = Path('/home/ubuntu/r2_data_mount/data')
windows_root = Path(r'C:\qiufei\data')
data_root = linux_root if linux_root.exists() else windows_root
financial_path = data_root / 'stock' / 'financial_statement.h5'
price_path = data_root / 'stock' / 'stock_price_pre_adjusted.h5'
target_codes = ['601018.SH', '600018.SH']if financial_path.exists() and price_path.exists():
rq_codes = [code.replace('.SH','.XSHG').replace('.SZ','.XSHE') for code in target_codes] # 转换为HDF证券代码
financials = pd.read_hdf(financial_path, key='financial_data', where='order_book_id in rq_codes', columns=['order_book_id','quarter','operating_revenue','net_profit']).rename(columns={'order_book_id':'ts_code','quarter':'end_date','operating_revenue':'total_revenue','net_profit':'n_income'}) # 按目标公司读取财报
prices = pd.read_hdf(price_path, key='data', where='order_book_id in rq_codes', columns=['close']).reset_index().rename(columns={'order_book_id':'ts_code','date':'trade_date'}) # 按目标公司读取行情
for frame in (financials, prices): frame['ts_code'] = frame['ts_code'].str.replace('.XSHG','.SH',regex=False).str.replace('.XSHE','.SZ',regex=False) # 统一课堂证券代码后缀
financials = financials.loc[financials['ts_code'].isin(target_codes)].copy()
prices = prices.loc[prices['ts_code'].isin(target_codes)].copy()
available = set(financials['ts_code']) & set(prices['ts_code'])
missing = sorted(set(target_codes) - available)
if missing:
raise ValueError(f'财报或行情中缺少主案例企业 {missing}，请核对下载文件和股票代码')
financials['end_date'] = pd.PeriodIndex(financials['end_date'].str.upper(), freq='Q').end_time.normalize() # 将季度键转换为报告期末日期
prices['trade_date'] = pd.to_datetime(prices['trade_date'])
financials = financials.loc[financials['end_date'].between('2015-01-01', '2025-12-31')]
prices = prices.loc[prices['trade_date'].between('2015-01-01', '2025-12-31')]
if financials.empty or prices.empty:
raise ValueError('主案例期间内没有记录，请核对日期范围和下载文件')
print({'status': 'READY', 'companies': target_codes,
'financial_rows': len(financials), 'price_rows': len(prices),
'next': '核验同期版本后计算季度增长与月度收益率'})
else:
print({'status': '请检查数据', 'missing_files': [
str(path) for path in [financial_path, price_path] if not path.exists()
], 'result_policy': '不构造增长率、收益率或决策结论'}){'status': 'READY', 'companies': ['601018.SH', '600018.SH'], 'financial_rows': 88, 'price_rows': 5348, 'next': '核验同期版本后计算季度增长与月度收益率'}
# 注：sk2018-2010_export.csv 和 sk2018-2010_import.csv 数据文件本地没有，但平台已经内置
# =============================================================================
# 题目：印度对外贸易数据读取与透视表构建
# =============================================================================
# 本代码块实现印度进出口贸易数据的读取和初步整理
# 通过透视表构建,将数据按国家和年份进行重排,便于后续趋势分析
# ==================== 导入数据分析与可视化库 ====================
import pandas as pd # 导入Pandas库,用于数据表操作和分析
import numpy as np # 导入NumPy库,用于数值计算
import matplotlib.pyplot as plt # 导入Matplotlib库,用于绘图
from IPython.display import display, Markdown # 导入显示工具,用于富文本输出
# ==================== 设置中文字体支持 ====================
plt.rcParams['font.sans-serif'] = ['Source Han Serif SC'] # 使用课程规定且已安装的思源宋体避免中文方框
plt.rcParams['axes.unicode_minus'] = False # 解决负号'-'显示为方块的问题
# ==================== 读取进出口贸易数据 ====================
df_export = pd.read_csv('sk2018-2010_export.csv') # 读取2010-2018年印度出口数据
df_import = pd.read_csv('sk2018-2010_import.csv') # 读取2010-2018年印度进口数据
print('出口数据形状:', df_export.shape) # 输出出口数据集的行数和列数
print('进口数据形状:', df_import.shape) # 输出进口数据集的行数和列数数据说明：sk2018-2010_export.csv 与 sk2018-2010_import.csv 由教学平台提供。使用时应确认 country/year/value 字段和计量单位，再制作透视表和趋势图。
# ==================== 构建出口透视表 ====================
exp_country_table = pd.pivot_table(
df_export, # 以出口数据为源数据
values='value', # 透视表的值为贸易额(value字段)
index='country', # 行索引为国家,便于观察各国家趋势
columns='year' # 列为年份,便于观察时间序列变化
)
# ==================== 构建进口透视表 ====================
imp_country_table = pd.pivot_table(
df_import, # 以进口数据为源数据
values='value', # 透视表的值为贸易额(value字段)
index='country', # 行索引为国家
columns='year' # 列为年份
)
print('出口透视表:')
print(exp_country_table.head()) # 显示出口透视表的前5行,预览数据结构df_export、df_import、exp_country_table、imp_country_table 的业务含义、数据类型或取值范围，并判断哪一个输入最可能改变结果。g3 的结果；同时写出方向、数量级或表格/图形结构。# 注：sk2018-2010_export.csv 和 sk2018-2010_import.csv 数据文件本地没有，但平台已经内置
# ⚠️ 平台原始代码 - 请原样输入至教学平台（注释除外），平台才会判定答案正确
import pandas as pd # 导入Pandas数据分析库
import numpy as np # 导入NumPy数值计算库
import matplotlib.pyplot as plt # 导入Matplotlib绘图库
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体作为默认字体以支持中文
plt.rcParams['axes.unicode_minus'] = False # 正确显示负号
from IPython.display import display, Markdown # 导入display,模块
#定义加粗显示函数
def bold(string):
display(Markdown(string)) # 以Markdown格式渲染输出描述性文本
#读取进出口数据
df_export = pd.read_csv('sk2018-2010_export.csv')
df_import = pd.read_csv('sk2018-2010_import.csv') # 从CSV文件读取数据存入df_import
# 创建透视表exp_country_table
exp_country_table = pd.pivot_table(df_export, values = 'value', index = 'country', columns = 'year')
# 创建透视表imp_country_table
imp_country_table = pd.pivot_table(df_import, values = 'value', index = 'country', columns = 'year')
bold('**2010年至2018年印度对外贸易出口方向的趋势**') # 以粗体Markdown格式输出：2010年至2018年印度对外贸易出口方向的趋势
plt.figure(figsize=(15,10)) # 创建图形画布
plt.subplot(221) # 选择子图位置
g = exp_country_table.loc["U S A"].plot(color='purple', linewidth=3) # 按标签索引提取数据
g.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g.set_title('对美国出口的趋势', size = 15) # 设置图表标题
plt.subplot(222) # 选择子图位置
g1 = exp_country_table.loc["U ARAB EMTS"].plot(color='purple', linewidth=3) # 按标签索引提取数据
g1.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g1.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g1.set_title('对阿联酋出口的趋势', size = 15) # 设置图表标题
plt.subplot(223) # 选择子图位置
g2 = exp_country_table.loc["CHINA P RP"].plot(color='purple', linewidth=3) # 按标签索引提取数据
g2.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g2.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g2.set_title('对中国出口的趋势', size = 15) # 设置图表标题
plt.subplot(224) # 选择子图位置
g3 = exp_country_table.loc["HONG KONG"].plot(color='purple', linewidth=3) # 按标签索引提取数据
g3.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g3.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g3.set_title('对香港出口的趋势', size = 15) # 设置图表标题
plt.subplots_adjust(hspace = 0.4) # 调整子图间距
plt.savefig("5.png") # 保存图形至文件
bold('**2010年至2018年印度对外贸易进口方向的趋势**') # 以粗体Markdown格式输出：2010年至2018年印度对外贸易进口方向的趋势
plt.figure(figsize=(15,10)) # 创建图形画布
plt.subplot(221) # 选择子图位置
g = imp_country_table.loc["U S A"].plot(color='coral', linewidth=3) # 按标签索引提取数据
g.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g.set_title('从美国进口的趋势', size = 15) # 设置图表标题
plt.subplot(222) # 选择子图位置
g1 = imp_country_table.loc["U ARAB EMTS"].plot(color='coral', linewidth=3) # 按标签索引提取数据
g1.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g1.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g1.set_title('从阿联酋进口的趋势', size = 15) # 设置图表标题
plt.subplot(223) # 选择子图位置
g2 = imp_country_table.loc["CHINA P RP"].plot(color='coral', linewidth=3) # 按标签索引提取数据
g2.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g2.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g2.set_title('从中国进口的趋势', size = 15) # 设置图表标题
plt.subplot(224) # 选择子图位置
g3 = imp_country_table.loc["SAUDI ARAB"].plot(color='coral', linewidth=3) # 按标签索引提取数据
g3.set_ylabel('USD (millions)', fontsize = 12) # 设置Y轴标签
g3.set_xlabel('Year', fontsize = 12) # 设置X轴标签
g3.set_title('从沙特阿拉伯进口的趋势', size = 15) # 设置图表标题
plt.subplots_adjust(hspace = 0.4) # 调整子图间距
plt.savefig("6.png") # 保存图形至文件运行后核对：核对 df_export、df_import、exp_country_table、imp_country_table 是否按预测参与运算，实际输出是否与预测一致；若不一致，先检查类型、单位、索引/字段和运算顺序。
拓展练习：只改变一个关键输入或业务场景，先预测输出如何变化，再运行验证并解释变化原因。
# 注：该代码块依赖的数据来自上方平台任务代码块，因其未执行，本块也无法执行
bold('**2010年至2018年印度对外贸易进口方向的趋势**') # 显示章节标题
# ==================== 创建2x2子图布局 ====================
fig, axes = plt.subplots(2, 2, figsize=(15, 10)) # 创建4个子图,用于展示4个主要进口来源国的趋势
# ==================== 绘制从美国进口趋势图 ====================
imp_country_table.loc['U S A'].plot( # 选择从美国进口的数据
ax=axes[0, 0], # 绘制在第一行第一列
color='coral', # 设置线条颜色为珊瑚色,与出口的紫色形成对比
linewidth=3 # 设置线宽
)
axes[0, 0].set_ylabel('USD (millions)', fontsize=12) # 设置y轴标签
axes[0, 0].set_xlabel('Year', fontsize=12) # 设置x轴标签
axes[0, 0].set_title('从美国进口的趋势', size=15) # 设置子图标题
# ==================== 绘制从阿联酋进口趋势图 ====================
imp_country_table.loc['U ARAB EMTS'].plot( # 选择从阿联酋进口的数据
ax=axes[0, 1], # 绘制在第一行第二列
color='coral', # 使用珊瑚色,保持一致性
linewidth=3 # 设置线宽
)
axes[0, 1].set_ylabel('USD (millions)', fontsize=12) # 设置y轴标签
axes[0, 1].set_xlabel('Year', fontsize=12) # 设置x轴标签
axes[0, 1].set_title('从阿联酋进口的趋势', size=15) # 设置子图标题# 继续完成同一幅进口趋势图的下半部分
# ==================== 绘制从中国进口趋势图 ====================
imp_country_table.loc['CHINA P RP'].plot( # 选择从中国进口的数据
ax=axes[1, 0], # 绘制在第二行第一列
color='coral', # 使用珊瑚色
linewidth=3 # 设置线宽
)
axes[1, 0].set_ylabel('USD (millions)', fontsize=12) # 设置y轴标签
axes[1, 0].set_xlabel('Year', fontsize=12) # 设置x轴标签
axes[1, 0].set_title('从中国进口的趋势', size=15) # 设置子图标题
# ==================== 绘制从沙特阿拉伯进口趋势图 ====================
imp_country_table.loc['SAUDI ARAB'].plot( # 选择从沙特阿拉伯进口的数据
ax=axes[1, 1], # 绘制在第二行第二列
color='coral', # 使用珊瑚色
linewidth=3 # 设置线宽
)
axes[1, 1].set_ylabel('USD (millions)', fontsize=12) # 设置y轴标签
axes[1, 1].set_xlabel('Year', fontsize=12) # 设置x轴标签
axes[1, 1].set_title('从沙特阿拉伯进口的趋势', size=15) # 设置子图标题
# ==================== 调整子图间距并显示 ====================
plt.subplots_adjust(hspace=0.4) # 设置子图垂直间距
plt.tight_layout() # 自动调整布局
plt.show() # 显示图形印度贸易 CSV 用于教学平台固定练习。公开教材中的企业与行情拓展案例使用课程数据下载入口提供的财务报表和前复权股票日行情；下列问题帮助读者区分两类数据的分析对象：
请在平台数据成功读取后检验：
pivot_table）是贸易数据分析的核心工具subplot）可同时对比多国趋势financial_statement 与学习要求一致的 stock_price_pre_adjusted；对象 601018.SH/600018.SH；字段 ts_code/end_date/total_revenue/n_income/trade_date/closefrom pathlib import Path # 导入路径工具
import numpy as np # 导入数值库以识别非有限财务值
import pandas as pd # 导入表格库
root=Path('/home/ubuntu/r2_data_mount/data') # 指定可用根目录
financial_path=root/'stock/financial_statement.h5' # 绑定财务快照
price_path=root/'stock/stock_price_pre_adjusted.h5' # 绑定前复权行情并保持章节口径一致
if not financial_path.exists() or not price_path.exists(): raise FileNotFoundError('未找到课程数据文件，请从课程数据下载入口获取并核对文件位置') # 缺失即停止
target_codes=['601018.SH','600018.SH'] # 锁定宁波港与上港集团
target_raw_codes=[code.replace('.SH','.XSHG').replace('.SZ','.XSHE') for code in target_codes] # 转换为HDF原始证券代码
financials=pd.read_hdf(financial_path,key='financial_data',where='order_book_id in target_raw_codes',columns=['order_book_id','quarter','info_date','operating_revenue','net_profit']).rename(columns={'order_book_id':'ts_code','quarter':'end_date','info_date':'ann_date','operating_revenue':'total_revenue','net_profit':'n_income'}) # 读取财务流量与披露日期
prices=pd.read_hdf(price_path,key='data',where='order_book_id in target_raw_codes',columns=['close']).reset_index().rename(columns={'order_book_id':'ts_code','date':'trade_date'}) # 按已核验key读取行情必需字段
for frame in (financials,prices): frame['ts_code']=frame['ts_code'].str.replace('.XSHG','.SH',regex=False).str.replace('.XSHE','.SZ',regex=False) # 统一课堂证券代码后缀
financials['end_date']=pd.PeriodIndex(financials['end_date'].str.upper(),freq='Q').end_time.normalize() # 将季度键转换为报告期末日期
financials['ann_date']=pd.to_datetime(financials['ann_date'],errors='coerce') # 将披露日期转换为可排序时间
prices['trade_date']=pd.to_datetime(prices['trade_date']) # 统一交易日期
version_counts=financials.groupby(['ts_code','end_date']).size().rename('version_rows') # 统计每个公司报告期披露版本数
financials=financials.sort_values(['ts_code','end_date','ann_date']).drop_duplicates(['ts_code','end_date'],keep='last') # 以最晚披露日固定唯一版本
financials=financials.loc[financials['end_date'].between('2015-01-01','2025-12-31')].copy() # 严格保留2015—2025报告期
prices=prices.loc[prices['trade_date'].between('2015-01-01','2025-12-31')].copy() # 严格保留2015—2025交易日financials=financials.sort_values(['ts_code','end_date']).copy() # 固定公司与报告期顺序
financials['fiscal_year']=financials['end_date'].dt.year # 从报告期提取财年键
financials['fiscal_quarter']=financials['end_date'].dt.quarter # 从报告期提取财季键
group_keys=['ts_code','fiscal_year'] # 定义累计值只能在同公司同财年内相减
previous_quarter=financials.groupby(group_keys)['fiscal_quarter'].shift(1) # 取得同财年上一条财季
is_q1=financials['fiscal_quarter'].eq(1) # 第一季度累计值即单季值
has_adjacent_prior=financials['fiscal_quarter'].sub(previous_quarter).eq(1) # 检查Q2至Q4是否有相邻前季
for cumulative_name,quarter_name in [('total_revenue','quarter_revenue'),('n_income','quarter_net_profit')]: # 分别转换营收和净利润累计值
prior_cumulative=financials.groupby(group_keys)[cumulative_name].shift(1) # 取得同财年上一季累计值
financials[quarter_name]=financials[cumulative_name].where(is_q1,financials[cumulative_name]-prior_cumulative) # Q1保留、其余季度作差
financials.loc[~is_q1&~has_adjacent_prior,quarter_name]=np.nan # 前季断档时禁止伪造单季值
single_quarter_audit=financials.groupby('ts_code').agg(rows=('end_date','size'),missing_quarter_revenue=('quarter_revenue',lambda series:int(series.isna().sum())),missing_quarter_net_profit=('quarter_net_profit',lambda series:int(series.isna().sum()))) # 汇总转换缺口
print(version_counts.groupby(level=0).agg(['count','max']),single_quarter_audit) # 输出版本数量与单季转换检查解释答案：利润表流量通常为年内累计口径；Q2—Q4 必须减去同财年上一季累计值，Q1 才可直接视为单季值。如果缺少相邻季度或无法确定披露版本，应说明缺少哪些记录，不能把累计值直接比较为“连续两季增长”。
# 用财年与财季精确对齐去年同季，禁止按位置取第四条旧记录
prior_year_financials=financials[['ts_code','fiscal_year','fiscal_quarter','quarter_revenue','quarter_net_profit']].rename(columns={'fiscal_year':'prior_fiscal_year','fiscal_quarter':'prior_fiscal_quarter','quarter_revenue':'prior_quarter_revenue','quarter_net_profit':'prior_quarter_net_profit'}) # 构造去年同季单季值候选表
prior_year_financials['fiscal_year']=prior_year_financials['prior_fiscal_year']+1 # 将去年记录对齐到本年连接键
prior_year_financials['fiscal_quarter']=prior_year_financials['prior_fiscal_quarter'] # 保持同一财季才允许配对
financials=financials.merge(prior_year_financials,on=['ts_code','fiscal_year','fiscal_quarter'],how='left',validate='one_to_one',indicator='prior_year_join') # 用公司与日历键精确连接
financials['has_prior_year_counterpart']=financials['prior_year_join'].eq('both') # 标记去年同季记录是否存在
financials['has_calendar_pair_mismatch']=financials['has_prior_year_counterpart']&((financials['prior_fiscal_year'].ne(financials['fiscal_year']-1))|financials['prior_fiscal_quarter'].ne(financials['fiscal_quarter'])) # 检查配对是否严格为去年同季
assert not financials['has_calendar_pair_mismatch'].any() # 禁止发布任何错配同比
financials['is_revenue_yoy_computable']=financials['has_prior_year_counterpart']&np.isfinite(financials['quarter_revenue'])&np.isfinite(financials['prior_quarter_revenue'])&financials['prior_quarter_revenue'].ne(0) # 仅允许有限单季营收与非零分母
financials['is_profit_yoy_computable']=financials['has_prior_year_counterpart']&np.isfinite(financials['quarter_net_profit'])&np.isfinite(financials['prior_quarter_net_profit'])&financials['prior_quarter_net_profit'].ne(0) # 仅允许有限单季净利润与非零分母
financials['revenue_yoy']=(financials['quarter_revenue']/financials['prior_quarter_revenue']-1).where(financials['is_revenue_yoy_computable']) # 计算单季营收同比
financials['profit_yoy']=(financials['quarter_net_profit']/financials['prior_quarter_net_profit']-1).where(financials['is_profit_yoy_computable']) # 计算单季净利润同比
financials['missing_prior_year_counterpart']=~financials['has_prior_year_counterpart'] # 标记无去年同季的不可计算期
financials['revenue_yoy_invalid_value']=financials['has_prior_year_counterpart']&(~np.isfinite(financials['quarter_revenue'])|~np.isfinite(financials['prior_quarter_revenue'])|financials['prior_quarter_revenue'].eq(0)) # 检查单季营收非有限值与零分母
financials['profit_yoy_invalid_value']=financials['has_prior_year_counterpart']&(~np.isfinite(financials['quarter_net_profit'])|~np.isfinite(financials['prior_quarter_net_profit'])|financials['prior_quarter_net_profit'].eq(0)) # 检查单季利润非有限值与零分母
financials['revenue_yoy_uncomputable']=~financials['is_revenue_yoy_computable'] # 标记营收同比未通过检查要求的期间
financials['profit_yoy_uncomputable']=~financials['is_profit_yoy_computable'] # 标记净利润同比未通过检查要求的期间
financials['quarter_rows']=1 # 为公司级检查统计期数
yoy_pair_audit=financials.groupby('ts_code',as_index=False)[['quarter_rows','has_prior_year_counterpart','missing_prior_year_counterpart','is_revenue_yoy_computable','revenue_yoy_invalid_value','revenue_yoy_uncomputable','is_profit_yoy_computable','profit_yoy_invalid_value','profit_yoy_uncomputable','has_calendar_pair_mismatch']].sum() # 汇总有效、缺失、无效值与错配数另行核对：随机抽一家公司和两个报告期，用原始累计值按日历键手算去年同季同比；断档、零分母或非有限值必须与检查列一致。
# 将两行负增长满足条件限定为相邻日历季度，断档样本请先检查数据后再继续
monthly_close=prices.set_index('trade_date').groupby('ts_code')['close'].resample('ME').last().unstack(0) # 生成月末复权价格
monthly_return=monthly_close.pct_change(fill_method=None) # 计算月度复权收益率
financials['calendar_quarter_id']=financials['fiscal_year']*4+financials['fiscal_quarter'] # 编码连续季度并覆盖跨年Q4到Q1
financials['previous_calendar_quarter_id']=financials.groupby('ts_code')['calendar_quarter_id'].shift(1) # 取当前观测的上一条季度键
financials['is_adjacent_to_previous']=financials['calendar_quarter_id'].sub(financials['previous_calendar_quarter_id']).eq(1) # 仅接受相邻日历季度
financials['previous_revenue_yoy']=financials.groupby('ts_code')['revenue_yoy'].shift(1) # 取上一相邻候选期的精确同比
financials['has_two_adjacent_negative_yoy']=financials['is_adjacent_to_previous']&financials['revenue_yoy'].lt(0)&financials['previous_revenue_yoy'].lt(0) # 仅在相邻两季且同比均可计算为负时满足条件
condition_met=financials.groupby('ts_code')['has_two_adjacent_negative_yoy'].any() # 汇总公司级情景核对是否满足条件
assert set(target_codes)<=set(financials['ts_code']) and set(target_codes)<=set(prices['ts_code']) # 核对两家企业完整性
print(yoy_pair_audit,financials[['ts_code','end_date','revenue_yoy','profit_yoy','has_prior_year_counterpart','is_adjacent_to_previous']],monthly_return.tail(),condition_met) # 输出配对检查、指标与检查结果lst-ch25-india-comparison-route 读取 country/year/value，分别构造“国家 × 年度”的出口额与进口额透视表，再绘制所选国家趋势；对象是国家—商品贸易而非上市公司，指标是进出口额而非营收/收益率，时间粒度是年度而非季度/月度。[商业大数据分析与应用]