数据分析案例1.0——药品销售分析

前言

1. 原始数据：朝阳医院2018年销售数据.xlsx
2. 业务指标：月均消费次数、月均消费金额、客单价、消费趋势
3. 分析过程：获取–清洗–建模–分析–可视化

数据获取

1. 导入相关包

#导入库
import numpy as np
from pandas import Series,DataFrame
import pandas as pd

import matplotlib.pyplot as plt #数据可视化会用到
import matplotlib

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 这里你也可以使用其他字体，如SimHei，是黑体的意思。作用：正确显示中文

2. 读取数据
   读取的时候用object读取，防止有些数据读不了

#导入数据
xls = pd.ExcelFile('朝阳医院2018年销售数据.xlsx')
df = xls.parse('Sheet1',dtype='object')#得到数据框
df.head()#看前5行数据

3. 查看基本信息

#查看数据几行几列
print(df.shape)
#查看索引
print(df.index)
#查看每一列的列表头内容
print(df.columns)
#查看每一列数据统计数目
print(df.count())

总共有6578行7列数据
“购药时间”和“社保卡号”这两列：6576个数据
“商品编码”一直到“实收金额”：6577个数据
推断出“购药时间”和“社保卡号”存在一行缺失值

数据清洗

过程：选择子集、列名重命名、缺失数据处理、数据类型转换、数据排序、异常值处理

选择子集

获取到的数据数据量非常庞大时使用，本次案例忽略这一步。

列名重命名

1. 适用场景：当某些列名和数据容易混淆或产生歧义时，需要把列名换成容易理解的名称
2. 函数实现：rename()函数

#列重命名
df.rename(columns={
     '购药时间':'销售时间'},inplace=True)#把'购药时间'重命名为'销售时间'
df.head()

缺失数据处理

如果不处理缺失值会干扰后面的数据分析结果。

1. 常用的处理方式
   (1)删除含有缺失数据的记录（本次案例选择该方法）
   函数实现：dropna()函数
   (2)利用算法去补全缺失数据。（下次的金融数据分析案例使用该方法）

#缺失值处理
print('删除缺失值前:', df.shape)
df.info()

#删除缺失值
df = df.dropna(subset=['销售时间','社保卡号'], how='any')
print('\n删除缺失值后',df.shape)
df.info()

数据类型转换

防止数据导入不进来，会强制所有数据都是object类型。
但实际数据分析过程中“销售数量”，“应收金额”，“实收金额”，这些列需要浮点型(float)数据，“销售时间”需要改成时间格式

1. 函数实现：astype()函数转为浮点型数据

#数据类型转换
df['销售数量'] = df['销售数量'].astype('float')
df['应收金额'] = df['应收金额'].astype('float')
df['实收金额'] = df['实收金额'].astype('float')
df.dtypes

split()函数：把销售时间列中日期和星期进行分割
（注意：分割后的时间，返回的是Series数据类型）

#定义函数将星期除去
def splitSaletime(timeColser):
    timelist =[]
    for val in timeColser:
        data = val.split(' ')[0]
        timelist.append(data)
    #将列表转为Series类型
    timeSer = Series(timelist)
    return timeSer

#获取"销售时间"这一列数据
time = df.loc[:,'销售时间']

#调用函数去除星期，获得日期
data = splitSaletime(time)

#修改"销售时间"这一列的值
df.loc[:,'销售时间'] = data

df.head()

方便后面的数据统计把切割后的日期转为时间格式
方法实现：to_datetime()

#字符串转日期
df.loc[:,'销售时间'] = pd.to_datetime(df.loc[:,'销售时间'], format='%Y-%m-%d', errors='coerce')#注意，Y一定要大写
df.dtypes

（一开始，在这一步的时候，我不小心写成了小写y，结果把所有的日期都是NaT，导致最后删除不符合格式的时候，得到一个值空的数据框）

#在日期转换过程中不符合日期格式的会转换为空值，这里需要删除
df = df.dropna(subset=['销售时间','社保卡号'], how='any')

数据排序

上述步骤得到的时间是没有按顺序排列的，需要排序
（注意排序之后索引会被打乱，需要重置一下索引。）

#数据排序
df = df.sort_values(by='销售时间', ascending=True)#其中by:表示按哪一列进行排序，ascending=True表示升序排列，ascending=False表示降序排列。
df = df.reset_index(drop=True)#重置索引
df.head()

异常值处理

先查看数据的描述统计信息

#查看描述统计信息
df.describe()

“销售数量”、“应收金额”、“实收金额”的最小值出现了负数，不符合常理。
说明存在异常值的干扰，需要排除异常值的影响。

#将'销售数量'这一列小于0的数据排除掉
pop = df.loc[:,'销售数量'] > 0
df = df.loc[pop,:]
df.describe()

构建模型

数据清洗完成后，需要利用数据构建模型（就是计算相应的业务指标）

业务指标1:月均消费次数

月均消费次数 = 总消费次数 / 月份数（同一天内，同一个人所有消费算作一次消费）

1. 计算总消费次数

#计算总消费次数
#删除重复数据
kpil_Df = df.drop_duplicates(subset=['销售时间','社保卡号'])
totalI = kpil_Df.shape[0]
print('总消费次数=',totalI)

总消费次数= 5342
2. 计算月份数

#计算月份数
#按销售时间升序排序
kpil_Df = kpil_Df.sort_values(by='销售时间', ascending=True)
#重命名行名
kpil_Df = kpil_Df.reset_index(drop=True)
#获取时间范围
startTime = kpil_Df.loc[0,'销售时间']
endTime = kpil_Df.loc[totalI-1,'销售时间']
#计算月份
#天数
daysI = (endTime-startTime).days
mounthI = daysI//30 #向下取整
print('月份数=',mounthI)

月份数= 6
3. 计算月平均消费次数

#月平均消费次数
kpil_I = totalI//mounthI
print('业务指标1：月均消费次数=', kpil_I)

业务指标1：月均消费次数= 890

业务指标2:月均消费金额

月均消费金额 = 总消费金额 / 月份数

#消费总金额
totalMoneyF = df.loc[:,'实收金额'].sum()
mounthMoney = totalMoneyF // mounthI
print('业务指标2：月均消费金额=', mounthMoney)

业务指标2：月均消费金额= 50668.0

业务指标3:客单价

客单价 = 总消费金额 / 总消费次数

#客单价
pc = totalMoneyF / df.shape[0]
print('业务指标3：客单价=', pc)

业务指标3：客单价= 46.727652935751614

数据可视化

消费趋势分析

复制一份数据

#在操作之前先复制一份数据，防止影响清洗后的数据
newdf = df

分析每天的消费金额

将’销售时间’设置为index

#将'销售时间'设置为index
newdf.index = newdf['销售时间']
newdf.head()

分组

#分组
nb = newdf.groupby(newdf.index)
nb

求和

dayDF = nb.sum()
dayDF

画图

#画图
plt.figure(figsize = (10,6))#可根据需要设置画布的大小
plt.plot(dayDF['实收金额'])
plt.title('按天消费金额')
plt.xlabel('时间')
plt.ylabel('实收金额')
plt.show()

分析：从结果图可以看出，每天消费总额差异较大，除了个别天出现比较大笔的消费，大部分人消费情况维持在1000-2000元以内。

分析每月的消费金额

销售时间先聚合再按月分组进行分析

#将销售时间聚合按月分组
nb = newdf.groupby(newdf.index.month)
print(nb)
monthDF = nb.sum()
monthDF

画图

#画图
plt.figure(figsize = (10,6))#可根据需要设置画布的大小
plt.plot(monthDF['实收金额'])
plt.title('按月消费金额')
plt.xlabel('时间')
plt.ylabel('实收金额')
plt.show()

分析：结果图显示，7月消费金额最少，这是因为7月份的数据不完整，所以不具参考价值。
1月、4月、5月和6月的月消费金额差异不大。
2月和3月的消费金额迅速降低，这可能是2月和3月处于春节期间，大部分人都回家过年的原因。

分析药品销售情况

对“商品名称”和“销售数量”这两列数据进行聚合为Series形式，方便后面统计，并按降序排序

#聚合统计各种药品数量
medicine = newdf[['商品名称','销售数量']]
bk = medicine.groupby('商品名称')[['销售数量']]
re_medicine = bk.sum()
#对销售药品数量按降序排序
re_medicine = re_medicine.sort_values(by='销售数量', ascending=False)
re_medicine.head()

截取销售数量最多的前十种药品

top_medicine = re_medicine.iloc[:10,:]
top_medicine

画图

#条形图
top_medicine.plot(kind='bar')
plt.title('药品销售数量')
plt.xlabel('药品名称')
plt.ylabel('销售数量')
plt.show()

这些药品信息将会有助于加强医院对药房的管理。

小结

数据清洗很重要！

数据集网盘链接:https://pan.baidu.com/s/1F9cbSeKYwUlH7DJ747U1AQ
提取码:5afy