数据分析（python）
转。https://zhuanlan.zhihu.com/p/35976466
1，分析背景
数据是药店2018年1月至2018年7月19日的药品销售数据，由购药时间，社保卡号，商品编码 ，商品名称，销售数量，应收金额，实收金额七个字段组成，共6578条数据。
2，分析框架
分析目的，通过对历史数据进行描述性统计分析，了解每月药品销售情况。更深入了解，用户更青睐于哪些药品，随着月份的变化，药品销量的变化，为药店进药提供支持。
分析思路，统计每月药品销售总额，每月药品销售数量，客单价，每月药品销售量和金额前十
3，数据清洗
缺失值
重复值
异常值
4，分析过程
5，总结
#!/usr/bin/env python3 # -*- coding: utf-8 -*- import pandas as pd import numpy as np file_path=\'./朝阳医院2018年销售数据.xlsx\'
#pd.read_excel(file_path,converters={\'社保卡号\':str,\'商品编码\':str})
xls = pd.ExcelFile(file_path) salesDf = xls.parse(\'Sheet1\',dtype=\'object\') salesDf.head() #查看数据，默认显示前5行 salesDf.info() #查看数据结构，包括字段，数据类型 salesDf.shape #查看数据形状，数据数目和列数 #列重命名 colNameDict={\'购药时间\':\'销售时间\'} salesDf.rename(columns = colNameDict, inplace=True) salesDf.head() #处理缺失值 salesDf.shape salesDf=salesDf.dropna(subset=[\'销售时间\',\'社保卡号\'],how=\'any\') #数据类型转换 salesDf[\'销售数量\'] = salesDf[\'销售数量\'].astype(\'float\') salesDf[\'应收金额\'] = salesDf[\'应收金额\'].astype(\'float\') salesDf[\'实收金额\'] = salesDf[\'实收金额\'].astype(\'float\') #时间转换 salesDf.head() def splitSaletime(timeColSer): timelist=[] for value in timeColSer: dateStr=value.split(\' \')[0] timelist.append(dateStr) timeSer = pd.Series(timelist) return timeSer timeSer = salesDf.loc[:,\'销售时间\'] dateSer = splitSaletime(timeSer) salesDf.loc[:,\'销售时间\']= dateSer salesDf.head() salesDf.info()
#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
#salesDf.loc[:,\'购药时间1\'] = salesDf[\'购药时间\'].str.split(\' \').str[0] #拆分时间字段 salesDf.loc[:,\'销售时间\'] = pd.to_datetime(salesDf.loc[:,\'销售时间\'],format=\'%Y-%m-%d\',errors=\'coerce\')
salesDf=salesDf.dropna(subset=[\'销售时间\',\'社保卡号\'],how=\'any\')
数据排序 使用pd.sort_values方法对数据进行排序，by表示按那几列进行排序，ascending=True 表示升序排列，ascending=False表示降序排列 salesDf=salesDf.sort_values(by=\'销售时间\',ascending=True) 重命名行号：reset_index方法生成从0到N按顺序的索引值 salesDf = salesDf.reset_index(drop=True) 异常值处理 1 查看数据框中所有数据每列的描述性统计信息 describe() salesDf.describe() #设置查询条件 querySer = salesDf.loc[:,\'销售数量\']>0 salesDf.shape salesDf = salesDf.loc[querySer,:] salesDf.head() salesDf=salesDf.dropna(subset=[\'销售时间\',\'社保卡号\'],how=\'any\') salesDf[\'销售时间\'].min() #Timestamp(\'2018-01-01 00:00:00\') salesDf[\'销售时间\'].max() #Timestamp(\'2018-07-19 00:00:00\') -------------------------------------------------------------- 总销售额 salesDf[[\'销售数量\',\'应收金额\',\'实收金额\']].sum() \'\'\' 第一个指标：月均消费次数=总消费次数/月数 第二个指标：月均消费金额=总消费金额/月份数 第三个指标：客单价=平均交易金额=总消费金额/总消费次数 第四个指标：消费趋势 注意：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，使用drop_duplicates将重复的数据删除 \'\'\' salesDf.head() #消费次数 kpil_df = salesDf.drop_duplicates(subset=[\'销售时间\',\'社保卡号\']) totalI = kpil_df.shape[0] #总消费次数 5342 min_d=salesDf[\'销售时间\'].min() #Timestamp(\'2018-01-01 00:00:00\') max_d=salesDf[\'销售时间\'].max() #Timestamp(\'2018-07-19 00:00:00\') days1=(max_d - min_d).days months1 = days1//30 #月份数 6 kpi1 = totalI//months1 print(\'月均消费次数：\',kpi1) kpi2 = round(salesDf[\'实收金额\'].sum()/months1,4) print(\'月均消费金额：\',kpi2) kpi3 = round(kpi2/kpi1,4) print(\'客单价：\',kpi3) groupdf = salesDf groupdf.head() groupdf.index = groupdf[\'销售时间\'] gb = groupdf.groupby(groupdf.index.month) monthdf = gb.sum()