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 import pandas 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 in timeSer: #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 // monthsI print(\'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 / monthsI print(\'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 / totalI print(\'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