一、数据分析的步骤
二、提出问题
分析药店商品销售情况
1)月均消费次数
2)月均消费金额
3)客单价
4)消费趋势
5)热销商品、滞销商品
三、理解数据
销售数据源为excel文件
字段的含义:
共有6579条销售数据
共有7个字段分别为:购买时间、社保卡号、商品编码、商品名称、销售数量、应收金额、实收金额
四、清洗数据
本次分析采用Jupyter Notebook分析,数据集为本地excel文件
(1)选择子集
本次分析的excel工作簿里面只有一个工作表
#导入数据分析包
importpandas as pd
salesDf= pd.read_excel('./朝阳医院2018年销售数据.xlsx')#head()打印前5行
#df = pd.read_excel(path,sheet_name=4,header=6)# 指定序号为4的工作簿,用第6行做为行索引
"""sheet_name,工作簿的序号从0开始 """
#header从0开始计数
print(salesDf.head())
(2)列表重命名
#字典:旧列名和新列名对应关系
colNameDict = {'购药时间':'销售时间'}'''inplace=False,数据框本身不会变,而会创建一个改动后新的数据框,
默认的inplace是False
inplace=True,数据框本身会改动'''salesDf.rename(columns= colNameDict,inplace=True)
salesDf.head()
(3)删除重复值
print('删除重复值前大小',salesDf.shape)#删除重复销售记录
salesDf =salesDf.drop_duplicates()print('删除重复值后大小',salesDf.shape)
删除前后数据进行对比,发现本数据集没有重复值
(4)缺失值处理 info也可以查看字段的数据类型
"""整体观察"""df.info()"""如果缺失的数据很少,可以直接进行删除"""
"""如果缺失的数据量较大,超过了10%,要根据业务情况,进行删除或填充"""
"""填充数据时,可以采用均值,中位数进行填充"""
"""如果数据记录之间有明显的顺序关系,可以采用附近相邻的数据进行填充"""
总共有6578行数据只有2个缺失值,可以直接删除
"""删除缺失值"""df.dropna()#删除出现缺失值得行#df.dropna(axis=1)
df.dropna(how='all') #当整行数据都为nan 时才删除
df.dropna(how='any') #只要出现缺失值就删除
df.dropna(subset=['房价'])#指定列出现缺失值才删除
print('删除缺失后大小',salesDf.shape)#查询是否有空值
print(salesDf.isnull().any())
处理后,结果显示没有缺失值
(5)一致化处理
#查看每一列的数据类型
salesDf.dtypes
只需要将销售时间改为:字符串转换为日期数据类型
#获取“销售时间”这一列
timeSer=salesDf.loc[:,'销售时间']#对字符串进行分割,获取销售日期
timeList=[]for value intimeSer:#例如2018-01-01 星期五,分割后为:2018-01-01
dateStr=value.split(' ')[0]
timeList.append(dateStr)#将列表转行为一维数据Series类型
timeSer=pd.Series(timeList)print(timeSer.head())
#修改销售时间这一列的值
salesDf.loc[:,'销售时间']=dateSer
salesDf.head()
'''数据类型转换:字符串转换为日期'''
#errors='coerce' 如果原始数据不符合日期的格式,转换后的值为空值NaT#format 是你原始数据中日期的格式
salesDf.loc[:,'销售时间']=pd.to_datetime(salesDf.loc[:,'销售时间'],
format='%Y-%m-%d',
errors='coerce')
# 查询是否有空值
print(salesDf.isnull().any())
'''转换日期过程中不符合日期格式的数值会被转换为空值,
这里删除列(销售时间)中为空的行'''salesDf=salesDf.dropna(subset=['销售时间'],how='any')#查询是否有空值
print(salesDf.isnull().any())
(6)数据排序
按照销售时间进行排序
'''by:按哪几列排序
ascending=True 表示升序排列,
ascending=True表示降序排列
na_position=first表示排序的时候,把空值放到前列,这样可以比较清晰的看到哪些地方有空值
官网文档:https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.sort_values.html'''
#按销售日期进行升序排列
salesDf=salesDf.sort_values(by='销售时间',
ascending=True,
na_position='first')
print('排序后的数据集')
salesDf.head(3)
#重命名行名(index):排序后的列索引值是之前的行号,需要修改成从0到N按顺序的索引值
salesDf=salesDf.reset_index(drop=True)
salesDf.head()
(7)异常值处理
#描述指标:查看出“销售数量”值不能小于0
salesDf.describe()
#删除异常值:通过条件判断筛选出数据#查询条件
querySer=salesDf.loc[:,'销售数量']>0#应用查询条件
print('删除异常值前:',salesDf.shape)#筛选数据
salesDf=salesDf.loc[querySer,:]print('删除异常值后:',salesDf.shape)print(salesDf.head())
五、构建模型
(1)业务指标1:月均消费次数=总消费次数 / 月份数
'''总消费次数:同一天内,同一个人发生的所有消费算作一次消费
#根据列名(销售时间,社区卡号),如果这两个列值同时相同,只保留1条,将重复的数据删除'''kpi1_Df=salesDf.drop_duplicates(
subset=['销售时间', '社保卡号']
)#总消费次数:有多少行#shape几行几列
totalI=kpi1_Df.shape[0]print('总消费次数=',totalI)
'''计算月份数:时间范围'''
#第1步:按销售时间升序排序
kpi1_Df=kpi1_Df.sort_values(by='销售时间',
ascending=True)#重命名行名(index)
kpi1_Df=kpi1_Df.reset_index(drop=True)
#第2步:获取时间范围#最小时间值
startTime=kpi1_Df.loc[0,'销售时间']#最大时间值 totallI总行数
endTime=kpi1_Df.loc[totalI-1,'销售时间']#第3步:计算月份数#天数
daysI=(endTime-startTime).days#月份数: 运算符“//”表示取整除#返回商的整数部分,例如9//2 输出结果是4
monthsI=daysI//30
print('月份数:',monthsI)
#业务指标1:月均消费次数=总消费次数 / 月份数
kpi1_I=totalI //monthsIprint('业务指标1:月均消费次数=',kpi1_I)
业务指标1:月均消费次数= 890
(2)指标2:月均消费金额 = 总消费金额 / 月份数
#总消费金额
totalMoneyF=salesDf.loc[:,'实收金额'].sum()#月均消费金额
monthMoneyF=totalMoneyF /monthsIprint('业务指标2:月均消费金额=',monthMoneyF)
业务指标2:月均消费金额= 50668.35166666666
(3)指标3:客单价=总消费金额 / 总消费次数
'''totalMoneyF:总消费金额
totalI:总消费次数'''pct=totalMoneyF /totalIprint('客单价:',pct)
客单价:56.909417821040805
(4)指标4:消费趋势,画图:折线图
#在进行操作之前,先把数据复制到另一个数据框中,防止对之前清洗后的数据框造成影响
groupDf=salesDf#第1步:重命名行名(index)为销售时间所在列的值
groupDf.index=groupDf['销售时间']
groupDf.head()
#第2步:分组
print(groupDf.index.month)
gb=groupDf.groupby(groupDf.index.month)
#Pandas 无法显示中文问题 解决方案##
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
import matplotlib.pyplot as plt
ax =data_mounth.plot(
secondary_y=['销售数量'],
x_compat=True,
grid=True,figsize=(10,4))
ax.right_ax.set_ylabel('销售数量')
ax.set_ylabel(['应收金额','实收金额'])#ax.set_ylabel()
plt.show()
(5)热销商品、滞销商品
product = salesDf.groupby('商品名称').count()#print(product)#print(type(product))
sum_product = product.loc[:,'销售数量']#print(sum_product)
#可以看出商品整体的销量情况
print(sum_product.sort_values(ascending=True))
六、总结和建议
总结:
(1)总消费次数= 5342,6个月,月均消费次数= 890,平均每天消费30人次。
(2)月均消费金额:月均消费金额= 50668元
(3)客单价:57元
(4)消费趋势:2-4月销量上升,4月销售数量出现峰值,4-7月销量下降
(5)定义销量过百的属于热销商品:共16种商品,滞销商品(非热销)78-16=62种
建议:
1.月均消费次数890,平均每天消费次数30次,月均50668元,客单价57元,数据可观。
2.重点分析4月销量高的原因,以及4月后销量下降的影响因素
3.研究热销商品的属性,可以考虑重点营销,对滞销商品进行下架退货处理