python数据分析小项目 python数据分析小案例

上游，是勇士劈风破浪的终点，下游，是懦夫一帆风顺的归宿。

本文是Python<数据分析>基础知识点的姊妹篇，以药店销售数据分析为例，带你一起走一遍数据分析5部曲。

鲸歌：Python<数据分析>基础知识点zhuanlan.zhihu.com

#导入pandas包
import pandas as pd

1.提出问题

从销售数据中分析出以下业务指标 1）月均消费次数 2）月均消费金额 3）客单价 4）消费趋势

2.理解数据

#读取Excel数据：统一先按照str读入，之后转换
fileNameStr='./朝阳医院2018年销售数据.xlsx'
xls=pd.ExcelFile(fileNameStr,dtype='object')
salesDf=xls.parse('Sheet1',dtype='object')

#打印前几行，查看数据基本信息
salesDf.head()

#了解数据有多少行和多少列
salesDf.shape

#查看各列的数据类型
salesDf.dtypes

3.数据清洗

#①选择子集（本例只有7列，不需要）
#subSalesDf=salesDf.loc[0:4,'购药时间':'销售数量']
#subSalesDf

#②列名重命名
#字典：旧命名和新命名对应关系
colNameDict={'购药时间':'销售时间'}
salesDf.rename(columns = colNameDict,inplace=True)
salesDf.head()

#③缺失数据处理：
print('删除缺失值前大小',salesDf.shape)

python缺失值有3种：

1）Python内置的None值

2）在pandas中，将缺失值表示为NA，表示不可用not available。

3）对于数值数据，pandas使用浮点值NaN（Not a Number）表示缺失数据。

后面出来数据，如果遇到错误：说什么float错误，那就是有缺失值，需要处理掉

所以，缺失值有3种：None，NA，NaN

#删除列（销售时间，社保卡号）中为空的行
#how='any'在给定的任何一列中有缺失值就删除
salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')
print('删除缺失值后大小',salesDf.shape)

#④数据类型转换
#字符串转换为数值（浮点数）
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')
print('转换后的数据类型：n',salesDf.dtypes)

#处理日期：字符串转换为数据类型
#示例引入：
testList = '2018-09-06 星期三'.split(' ')
testList

testList[0]

'''
定义函数：分割销售日期，获取销售日期
输入：timeColSer 销售时间这一列，是个Series数据类型
输出: 分割后的时间，返回也是个Series数据类型
'''
def splitSaletime(timeColSer):
    timeList=[]
    for value in timeColSer:
        dateStr=value.split(' ')[0]
        timeList.append(dateStr)
    timeSer=pd.Series(timeList)
    return timeSer
#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
dateSer=splitSaletime(timeSer)
dateSer[0:3]

salesDf.loc[:,'销售时间']=dateSer
salesDf.head()

#字符串转换日期
#errors='coerce'
#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')
salesDf.dtypes

'''
转换日期过程中不符合日期格式的数值会被转换为空值None，
再次清洗缺失值，本例（销售时间,社保卡号）中为空的行
'''
salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')

'''
by:按那几列排序
ascending = True 降序
ascending = False 升序
'''
#按销售日期进行升序排列
salesDf=salesDf.sort_values(by='销售时间',ascending=True)
print('排序后的数据集')
salesDf.head()

#由上述反馈结果，行的序号发生变动，需要重命名：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()

#⑥通过描述统计，查看是否存在异常值
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)
salesDf=salesDf.loc[querySer,:]
print('删除异常值后：',salesDf.shape)

4.构建模型

业务指标1：月均消费次数=总消费次数/月份数

'''
总消费数的定义：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，社保卡号），如果一致，就删除，保留唯一记录
'''
kpi1_Df=salesDf.drop_duplicates(
subset=['销售时间','社保卡号'])
totalI=kpi1_Df.shape[0]
#总消费次数有多少行
print('总消费次数=',totalI)

#排序
'''
计算月份数：时间范围
'''
#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)
kpi1_Df.head()

#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
endTime=kpi1_Df.loc[totalI-1,'销售时间']

#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
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()
totalMoneyF
#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)

虽然案例并不复杂，构建的模型只是几个简单的指标，但是在一步步写代码的过程中，还是需要厘清每一个指标的组成。

最后一步数据可视化，本文没有涉及，后续到可视化部分会重点讲述！