3.2 按“月份”和“商品”分析销售数据

 

接下来，我们在以“月份”分组的基础上，再添加“商品”维度的分组。

 

代码如下：

join_data.groupby(["payment_month","item_name"]).sum()[["price","quantity"]]

解释一下代码：

 

同样使用groupby()函数，多个数据列分组的情况下，可以使用List(列表)。

 

点击"运行"，执行效果如下图所示。

实际业务中，也可以使用pivot_table函数来显示分析结果，它是以表格的形式进行展示。

 

代码如下：

pd.pivot_table(join_data,index="item_name",columns="payment_month",values=["price","quantity"],aggfunc="sum")

解释一下代码：

 

第1个参数：join_data。表示分析的数据集合。

第2个参数：index="item_name"。表示纵向的数据。

第3个参数：columns="payment_month"。表示横向的数据。

第4个参数：values=["price","quantity"]。表示具体的数据值。

第5个参数：aggfunc="sum"。表示数据的分析方式是sum，累计相加。

 

点击"运行"，执行效果如下图所示。

观察分析结果，可以发现，价格普遍较高的是“PC-E”，价格普遍最低的是“PC-A”。从销量来看，商品“PC-E”,在2019年6月到2019年7月，销量有一个明显的增长。仔细观察上面的数据，还可以分析出很多信息内容。

 

最后呢，如果我们能把分析的结果，用图片的方式展示出来就更好了。

 

这就是数据的可视化，下一节继续学习。

---

此处为语雀文档，点击链接查看：https://www.yuque.com/codeclub/yvmeco/friz9v