藥店銷售數據分析

藥店銷售數據分析

數據分析步驟

一、提出問題

明確了問題，為後面的數據分析提供了一個大的方向和目標。

想要得出以下幾個業務指標：

二、理解數據

1、採集數據：根據問題採集相關的數據。

2、導入數據：從Excel、資料庫或web的API介面中，把數據導入python的數據結構中。比如，讀取EXCEL數據到二維數據框中。

3、查看數據集的信息：包括描述統計學信息，從總體上了解數據。

代碼如下：

1）讀取Excel數據

#導入數據分析包import pandas as pd#讀取Excel數據，參數dtype統一先按照str讀入，之後轉換fileNameStr=./朝陽醫院2018年銷售數據.xlsxxls=pd.ExcelFile(fileNameStr,dtype=object)salesDf=xls.parse(Sheet1,dtype=object)

2)列印前幾行

salesDf.head()

#有多少行多少列salesDf.shape(6578, 7)type(salesDf.shape)tuple#查看列的數據類型salesDf.dtypes購葯時間 object社保卡號 object商品編碼 object商品名稱 object銷售數量 object應收金額 object實收金額 objectdtype: objecttype(salesDf.dtypes)pandas.core.series.Series

三、數據清洗

數據清洗的步驟，如下圖

1.選擇子集（本案例不需要選擇子集，但給出代碼如下）

subSalesDf=salesDf.loc[0:4,購葯時間:銷售數量]subSalesDf

2.列名重命名

#字典：舊列名和新列名對應關係colNameDict={購葯時間:銷售時間}inplace=False,數據框本身不會變，而會創建一個改動後新的數據框，默認的inplace是Falseinplace=True,數據框本身不會動salesDf.rename(columns=colNameDict,inplace=True)salesDf.head()

3.缺失數據處理

python缺失值有3種：

1）Python內置的None值

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

3）對於數值數據，pandas使用浮點值NaN（Not a Number）表示缺失數據。

後面出來數據，如果遇到錯誤：說什麼float錯誤，那就是有缺失值，需要處理掉

所以，缺失值有3種：None，NA，NaN

可採用兩種辦法，a.直接刪除缺失的數據； b.建立模型，進行插值補充數據，以後會有介紹。

下面用第一種方法：

drop函數詳細使用地址

#None和NaN的區別print(None的數據類型,type(None))from numpy import NaNprint(NaN的數據類型,type(NaN))None的數據類型 <class NoneType>NaN的數據類型 <class float>print(刪除缺失值前的大小,salesDf.shape)刪除缺失值前的大小 (6578, 7)#刪除列（銷售時間，社保卡號）中為空的行#subset用於指定刪除列的列表#how=any 在給定的任何一列中有缺失值就刪除salesDf=salesDf.dropna(subset=[銷售時間,社保卡號],how=any)print(刪除缺失後大小,salesDf.shape)刪除缺失後大小 (6575, 7)

4.數據類型轉換

字元串轉換為數值（浮點型）

#字元串轉換為數值（浮點數）salesDf[銷售數量]=salesDf[銷售數量].astype(float)salesDf[應收金額] = salesDf[應收金額].astype(float)salesDf[實收金額] = salesDf[實收金額].astype(float)print(轉換後的數據類型：
,salesDf.dtypes)轉換後的數據類型： 銷售時間 object社保卡號 object商品編碼 object商品名稱 object銷售數量 float64應收金額 float64實收金額 float64dtype: object

字元串轉換為日期數據類型

#字元串分割testList=2018-06-03 星期五.split( )testList[2018-06-03, 星期五]testList[0]2018-06-03定義函數：分割銷售日期，獲取銷售日期輸入：timeColSer 銷售時間這一列，是個Series數據類型輸出：分割後的時間，返回也是個Series數據類型def splitSaletime(timeColSer): timeList=[] for value in timeColSer: #例如2018-01-01 星期五，分割後為：2018-01-01 dateStr=value.split( )[0] timeList.append(dateStr) #將列錶轉化為一維數據Series類型 timeSer=pd.Series(timeList) return timeSer#獲取『銷售時間』這一列timeSer=salesDf.loc[:,銷售時間]#對字元串進行分割，獲取銷售日期dateSer=splitSaletime(timeSer)dateSer[0:3]0 2018-01-011 2018-01-022 2018-01-06dtype: object#修改銷售時間這一列的值salesDf.loc[:,銷售時間]=dateSersalesDf.head()

字元串轉換為日期

#errors=coerce 如果原始數據不符合日期的格式，轉換後的值為空值NaT#pandas中對於時間的缺失值的特定值為NaT,NA是不可用，時間類型不可用是NaT#format 是你原始數據中日期的格式salesDf.loc[:,銷售時間]=pd.to_datetime(salesDf.loc[:,銷售時間],format=%Y-%m-%d,errors=coerce)salesDf.dtypes銷售時間 datetime64[ns]社保卡號 object商品編碼 object商品名稱 object銷售數量 float64應收金額 float64實收金額 float64dtype: objectsalesDf.shape(6575, 7)轉換日期過程中不符合日期格式的數值會被轉換為空值，這裡刪除列（銷售時間，社保卡號）中為空的行salesDf=salesDf.dropna(subset=[銷售時間,社保卡號],how=any)salesDf.shape(6549, 7)

5.數據排序

print(排序前數據集)salesDf.head()排序前數據集

排序後

by：按哪幾列排序ascending=True 表示升序排列，ascending=False表示降序排列na_position=True表示排序的時候，把空值放到前列，這樣可以比較清晰的看到哪些地方有空值#按銷售日期進行升序排列salesDf=salesDf.sort_values(by=銷售時間, ascending=True, na_position=first)print(排序後的數據集)salesDf.head(3)排序後的數據集

重命名行名（index）排序後的列索引值是之前的行號，需要修改成從0到N按順序的索引值

salesDf=salesDf.reset_index(drop=True)salesDf.head()

6.異常值處理

每一列的描述統計信息

salesDf.describe()

刪除異常值：通過條件判斷篩選出數據

#查詢條件querySer=salesDf.loc[:,銷售數量]>0#應用查詢條件print(刪除異常值前：,salesDf.shape)salesDf=salesDf.loc[querySer,:]print(刪除異常值後：,salesDf.shape)刪除異常值前： (6549, 7)刪除異常值後： (6506, 7)

四、構建模型

對清洗後的數據進行分析

簡單的分析：得出一些業務指標

複雜的分析：運用機器學習的演算法訓練模型

業務指標1:月均消費次數=總消費次數 / 月份數

總消費次數：同一天內，同一個人發生的所有消費算作一次消費#根據列名（銷售時間，社區卡號），如果這兩個列值同時相同，只保留1條，將重複的數據刪除#刪除重複數據kpil_Df=salesDf.drop_duplicates(subset=[銷售時間,社保卡號])#有多少行totalI=kpil_Df.shape[0]print(總消費次數=,totalI)總消費次數= 5342計算月份數：時間範圍#第1步：按銷售時間升序排序kpil_Df=kpil_Df.sort_values(by=銷售時間, ascending=True)#重命名行名（index）kpi1_Df=kpil_Df.reset_index(drop=True)kpi1_Df.head()

#第2步：獲取時間範圍#最小時間值startTime=kpi1_Df.loc[0,銷售時間]#最大時間值endTime=kpi1_Df.loc[totalI-1,銷售時間]#第3步：計算月份數#天數daysI=(endTime-startTime).days#月份數: 運算符「//」表示取整除 #返回商的整數部分，例如9//2 輸出結果是4monthsI=daysI//30print(月份數：,monthsI)月份數： 6#業務指標1：月均消費次數=總消費次數 / 月份數kpi1_I=totalI // monthsIprint(業務指標1：月均消費次數=,kpi1_I)199

指標2：月均消費金額 = 總消費金額 / 月份數

#總消費金額totalMoneyF=salesDf.loc[:,實收金額].sum()#月均消費金額monthMoneyF=totalMoneyF / monthsIprint(業務指標2：月均消費金額=,monthMoneyF)業務指標2：月均消費金額= 50668.3516667

客單價（per customer transaction）是指商場（超市）每一個顧客平均購買商品的金額，客單價也即是平均交易金額。

totalMoneyF：總消費金額totalI：總消費次數pct=totalMoneyF / totalIprint(客單價：,pct)客單價： 56.909417821

五、數據可視化

指標4：消費趨勢，畫圖：折線圖需要用到pandas的高級功能

pandas更多高級功能以及繪圖等更多高級數據分析功能，在學習後再進行補充。

推薦閱讀：