實踐—簡單數據處理和分析

學習這事，只要認真使勁，就會有所積累。你學會的東西多了，再去學習新的東西就會變得越來越快。然而積累這事，往往是比較漫長的一個過程（至少是一段相對較長的時間）。學習任何技能都不可能一蹴而就的，在學習的前期可能毫無頭緒，也可能毫無進展。可在你學習了一段時間之後，再回去看前期的一些學習你會發現其實變得簡單多了，這就是學習的過程。在學習成長的路上最重要的就是保持耐心，你終將會走到你想要的那個結果。

我在學習數據分析時，前期就是毫無頭緒，毫無進展的。在經過兩個月左右的學習，慢慢的也就熟悉了起來。關鍵是要跟著課程系統的學習，這樣的話，在後期的學習上會經常用到之前學習過的內容，從而起到複習，實踐，打磨所習得的知識（如命令，函數等）。在這一關的學習上，就清晰多了。先是對照著老師的代碼，自己敲一遍，並運行出正確的結果。把用到的命令或函數分為兩類：一是自己學過的；二是新出現沒學過的。然後，再把自己學過的，做進一步的學習以加深理解。對第二類，就要花更多的時間去學習了，把新出現的不會的用筆記本寫下來，之後就一個一個的學習就好了。學習第二類有很多方法，可以聽課程，可以用google，也可以用R中的幫助函數help()，最終學會新函數的使用。

學習不是目的，用起來才是真的。下面就來實踐所習得的知識：「朝陽醫院2016年銷售數據分析」

本次分析目標：朝陽醫院2016年四個業務指標，1、月均消費次數；2、月均消費金額；3、客單價；4、消費趨勢。

朝陽醫院2016年銷售數據為excel表，在這裡我用的是「openxlsx"包讀取數據，使用「openxlsx」包前要下載安裝及載入。

#用「openxlsx"包導入朝陽醫院2016年銷售數據.xlsxinstall.packages("openxlsx")library(openxlsx)readFilePath <- "E:/朝陽醫院2016年銷售數據.xlsx"excelData <- read.xlsx(readFilePath,"Sheet1")

導入數據後，我們要對數據進行預處理，得到符合我們要求和方便我們進行分析的數據數據集。

數據預處理分為五個步驟：1、列名重命名；2、刪除缺失數據；3、處理日期；4、數據類型轉換；5、數據排序。

step1:列名重命名

為了方便編程，我們要把中文列名改為英文，可以使用names()函數重命名列名。

#step1:列名重命名names(excelData) <- c("time","cardno","drugID", "drugName","saleNumber", "virtualmoney","actualmoney")

step2:刪除缺失數據

在任何規模的項目中，數據都會由於各種原因導致數據的不完整。在R中，NA表示缺失值（Not Available,不可用）。函數is.na()可以檢測缺失值是否存在。函數na.omit()可以刪除所有含有缺失數據的行。

「!」為邏輯運算符（表示「非」）,「!is.na」則表示「非缺失值」。這裡分析的是銷售數據時間要求不能為缺失值，可以用邏輯運算符!is.na()選出時間為非缺失值的數據。

#step2:刪除缺失數據excelData <- excelData[!is.na(excelData$time),]

step3:日期處理

在做日期處理前要下載安裝「stringr」字元串處理包。使用str_split_fixed()函數將excelData$time字元串拆分為兩列，在重新賦值給excelData$time。由於在分析過程中，需要對日期進行特殊的計算，所以要將字元串類型轉換為日期類型。使用class()函數查看某列的數據類型。這裡可以使用as.Date()函數將字元串類型轉換為日期類型。

#step3:日期處理timeSplit <- str_split_fixed(excelData$time," ",n=2)excelData$time <- timeSplit[,1]#查看數據類型class(excelData$time)#字元串轉換為日期格式excelData$time <- as.Date(excelData$time, "%Y-%m-%d")

step4:數據類型轉換

類型轉換函數，is為判斷，as為轉換。使用as.numeric()函數將字元串轉換為數值類型。

#step4:數據類型轉換#銷售數量excelData$saleNumber <- as.numeric(excelData$saleNumber)#應收金額（打折前的金額）excelData$virtualmoney <- as.numeric(excelData$virtualmoney)#實收金額（打折後的金額）excelData$actualmoney <- as.numeric(excelData$actualmoney)

step5:數據排序

對數據的排序方便我們了解某數據集的更多信息。在R中，可以使用order()函數對數據框進行排序。參數「decreasing=」用於指定升序排序，還是降序排序。

#step5:數據排序#按銷售時間對數據進行升序排序excelData <- excelData[order(excelData$time, decreasing=FALSE),]

到這對數據的預處理已經完成。接下來就是對數據進行分析，完成業務指標任務。

業務指標1：月均消費次數

月均消費次數=總消費次數/月份數。計算總消費次數，這裡用duplicated()函數選出重複的時間和社保卡號（這裡同一天內，同一個人發生的所有消費算作一次消費），用邏輯運算符「!非」來去掉重複的數據，只保留一條。然後用nrow()獲取總消費次數。計算月份數，用天數（day）%/%30(%/%是邏輯運算符，表示整數除法），這裡用最大時間值減最小時間值得出天數（day）。

#業務指標1：月均消費次數kpi1 <- excelData[!duplicated( excelData[,c("time","cardno")] ),]#總消費次數consumeNumber <- nrow(kpi1)#月份數#最小的時間值startTime <- kpi1$time[1]#最大的時間值endTime <- kpi1$time[nrow(kpi1)]#天數day <- as.numeric(endTime - startTime)#月份數month <- day %/% 30#月均消費次數monthConsume <- consumeNumber/monthmonthConsume <- format(round(monthConsume,2),nsmall=2)

業務指標2：月均消費金額

月均消費金額=總消費金額/月份數。這裡用sum()函數計算某一列數值的總和，用參數「na.rm=」來移除缺失值，這裡只計算有數值的數據。月份數上一指標已算出。

#業務指標2：月均消費金額totalMoney <- sum(excelData$actualmoney,na.rm=TRUE)monthMoney <- totalMoney / month

業務指標3：客單價

客單價=總消費金額/總消費次數，總消費金額和總消費次數前兩個指標已算出，所以直接計算即可。

#業務指標3：客單價pct <- totalMoney / consumeNumberpct <- format(round(pct,2),nsmall=2)

業務指標4：消費趨勢曲線圖

繪製按每周為單位的消費金額曲線圖。由於醫院給出的數據為每天的消費金額，所以我們計算出每周的消費金額。這裡用函數tapply()對time和actualmoney列分組得到一個二維數組，並用sum計算出每周消費金額，然後用as.data.frame.table()函數將二維數組轉換為數據框，最後用plot()繪製每周消費趨勢曲線圖。

#業務指標4：消費趨勢曲線圖week <- tapply(excelData$actualmoney, format(excelData$time,"%Y-%U"),sum)week <- as.data.frame.table(week)names(week) <- c("time","actualmoney")week$time <- as.character(week$time)week$timeNumber <- c(1:nrow(week))plot(week$timeNumber,week$actualmoney, xlab= "時間（年份-第幾周）", ylab="消費金額", xaxt="n", main="2016年朝陽醫院消費曲線", col="red", col.main="blue", type="b")axis(1,at=week$timeNumber,labels=week$time,cex.axis=1.5)

模仿著自己做一遍，會對整個分析過程有個了解。有了這樣一種思路，就要多實踐，實踐多了就自然的熟悉了。刻意練習永遠是必要的，刻意練習也只能是自己完成的，也只有刻意練習才會使人真正的成長。