Python數(shù)據(jù)分析案例-藥店銷(xiāo)售數(shù)據(jù)分析
最近學(xué)習(xí)了Python數(shù)據(jù)分析的一些基礎(chǔ)知識(shí)，就找了一個(gè)藥品數(shù)據(jù)分析的小項(xiàng)目來(lái)練一下手。
數(shù)據(jù)分析的目的：
本篇文章中，假設(shè)以朝陽(yáng)醫(yī)院2018年銷(xiāo)售數(shù)據(jù)為例，目的是了解朝陽(yáng)醫(yī)院在2018年里的銷(xiāo)售情況，通過(guò)對(duì)朝陽(yáng)區(qū)醫(yī)院的藥品銷(xiāo)售數(shù)據(jù)的分析，了解朝陽(yáng)醫(yī)院的患者的月均消費(fèi)次數(shù)，月均消費(fèi)金額、客單價(jià)以及消費(fèi)趨勢(shì)、需求量前幾位的藥品等。
數(shù)據(jù)分析基本過(guò)程包括：獲取數(shù)據(jù)、數(shù)據(jù)清洗、構(gòu)建模型、數(shù)據(jù)可視化以及消費(fèi)趨勢(shì)分析。
數(shù)據(jù)準(zhǔn)備
數(shù)據(jù)是存在Excel中的，可以使用pandas的Excel文件讀取函數(shù)將數(shù)據(jù)讀取到內(nèi)存中，這里需要注意的是文件名和Excel中的sheet頁(yè)的名字。讀取完數(shù)據(jù)后可以對(duì)數(shù)據(jù)進(jìn)行預(yù)覽和查看一些基本信息。
獲取數(shù)據(jù)：https://pan.baidu.com/share/init?surl=tKaERGWFPycqTC1cElvc9A
提取碼: 6xm2
導(dǎo)入原始數(shù)據(jù)
import numpy as np
from pandas import Series,DataFrame
import pandas as pd
#導(dǎo)入數(shù)據(jù)
file_name = '朝陽(yáng)醫(yī)院2018年銷(xiāo)售數(shù)據(jù).xlsx'
# 使用ExcelFile()時(shí)需要傳入目標(biāo)excel文件所在路徑及文件名稱(chēng)
xls = pd.ExcelFile(file_name)
# 使用parse()可以根據(jù)傳入的sheet名稱(chēng)來(lái)提取對(duì)應(yīng)的表格信息
dataDF = xls.parse('Sheet1',dtype='object')
# 輸出前五行數(shù)據(jù)
dataDF.head()
# 使用sheet_names來(lái)查看當(dāng)前表格中包含的所有sheet名稱(chēng)（按順序）
print(xls.sheet_names[0])
查看數(shù)據(jù)基本信息：
#查看基本信息
#查看數(shù)據(jù)幾行幾列
print(dataDF.shape)
#查看索引
print(dataDF.index)
#查看每一列的列表頭內(nèi)容
print(dataDF.columns)
#查看每一列數(shù)據(jù)統(tǒng)計(jì)數(shù)目
print(dataDF.count())
數(shù)據(jù)清洗
數(shù)據(jù)清洗過(guò)程包括：選擇子集、列名重命名、缺失數(shù)據(jù)處理、數(shù)據(jù)類(lèi)型轉(zhuǎn)換、數(shù)據(jù)排序及異常值處理
（1）選擇子集
在我們獲取到的數(shù)據(jù)中，可能數(shù)據(jù)量非常龐大，并不是每一列都有價(jià)值都需要分析，這時(shí)候就需要從整個(gè)數(shù)據(jù)中選取合適的子集進(jìn)行分析，這樣能從數(shù)據(jù)中獲取最大價(jià)值。在本次案例中不需要選取子集，暫時(shí)可以忽略這一步。
（2）列重命名
在數(shù)據(jù)分析過(guò)程中，有些列名和數(shù)據(jù)容易混淆或產(chǎn)生歧義，不利于數(shù)據(jù)分析，這時(shí)候需要把列名換成容易理解的名稱(chēng)，可以采用rename函數(shù)實(shí)現(xiàn)：
#列重命名
dataDF.rename(columns={<!-- -->'購(gòu)藥時(shí)間':'銷(xiāo)售時(shí)間'},inplace=True)
dataDF.head()
（3）缺失值處理
獲取的數(shù)據(jù)中很有可能存在缺失值，通過(guò)查看基本信息可以推測(cè)“購(gòu)藥時(shí)間”和“社?？ㄌ?hào)”這兩列存在缺失值，如果不處理這些缺失值會(huì)干擾后面的數(shù)據(jù)分析結(jié)果。 缺失數(shù)據(jù)常用的處理方式為刪除含有缺失數(shù)據(jù)的記錄或者利用算法去補(bǔ)全缺失數(shù)據(jù)。 在本次案例中為求方便，直接使用dropna函數(shù)刪除缺失數(shù)據(jù)，具體如下：
#缺失值處理
print('刪除缺失值前:', dataDF.shape)
# 使用info查看數(shù)據(jù)信息,
print(dataDF.info())
#刪除缺失值
dataDF = dataDF.dropna(subset=['銷(xiāo)售時(shí)間','社?？ㄌ?hào)'], how='any')
print('\n刪除缺失值后',dataDF.shape)
print(dataDF.info())
（4）數(shù)據(jù)類(lèi)型轉(zhuǎn)換
在導(dǎo)入數(shù)據(jù)時(shí)為了防止導(dǎo)入不進(jìn)來(lái)，會(huì)強(qiáng)制所有數(shù)據(jù)都是object類(lèi)型，但實(shí)際數(shù)據(jù)分析過(guò)程中“銷(xiāo)售數(shù)量”，“應(yīng)收金額”，“實(shí)收金額”，這些列需要浮點(diǎn)型（float）數(shù)據(jù)，“銷(xiāo)售時(shí)間”需要改成時(shí)間格式，因此需要對(duì)數(shù)據(jù)類(lèi)型進(jìn)行轉(zhuǎn)換。 可以使用astype()函數(shù)轉(zhuǎn)為浮點(diǎn)型數(shù)據(jù)：
#數(shù)據(jù)類(lèi)型轉(zhuǎn)換
dataDF['銷(xiāo)售數(shù)量'] = dataDF['銷(xiāo)售數(shù)量'].astype('float')
dataDF['應(yīng)收金額'] = dataDF['應(yīng)收金額'].astype('float')
dataDF['實(shí)收金額'] = dataDF['實(shí)收金額'].astype('float')
print(dataDF.dtypes)
在“銷(xiāo)售時(shí)間”這一列數(shù)據(jù)中存在星期這樣的數(shù)據(jù)，但在數(shù)據(jù)分析過(guò)程中不需要用到，因此要把銷(xiāo)售時(shí)間列中日期和星期使用split函數(shù)進(jìn)行分割，分割后的時(shí)間，返回的是Series數(shù)據(jù)類(lèi)型：
'''
定義函數(shù)：分割銷(xiāo)售日期，提取銷(xiāo)售日期
輸入：timeColSer 銷(xiāo)售時(shí)間這一列，Series數(shù)據(jù)類(lèi)型，例‘2018-01-01 星期五’
輸出：分割后的時(shí)間，返回Series數(shù)據(jù)類(lèi)型，例‘2018-01-01’
'''
def splitSaletime(timeColSer):
timeList=[]
for value in timeColSer:
dateStr=value.split(' ')[0] #用空格進(jìn)行分割
timeList.append(dateStr)
timeSer=pd.Series(timeList) #將列表轉(zhuǎn)行為一維數(shù)據(jù)Series類(lèi)型
return timeSer
#獲取“銷(xiāo)售時(shí)間”這一列
timeSer = dataDF.loc[:,'銷(xiāo)售時(shí)間']
#對(duì)字符串進(jìn)行分割，提取銷(xiāo)售日期
dateSer = splitSaletime(timeSer)
#修改銷(xiāo)售時(shí)間這一列的值
dataDF.loc[:,'銷(xiāo)售時(shí)間'] = dateSer
dataDF.head()
'''
數(shù)據(jù)類(lèi)型轉(zhuǎn)換:字符串轉(zhuǎn)換為日期
把切割后的日期轉(zhuǎn)為時(shí)間格式，方便后面的數(shù)據(jù)統(tǒng)計(jì):
'''
#errors='coerce' 如果原始數(shù)據(jù)不符合日期的格式，轉(zhuǎn)換后的值為空值NaT
dataDF.loc[:,'銷(xiāo)售時(shí)間']=pd.to_datetime(dataDF.loc[:,'銷(xiāo)售時(shí)間'],format='%Y-%m-%d', errors='coerce')
print(dataDF.dtypes)
dataDF.isnull().sum()
'''
轉(zhuǎn)換日期過(guò)程中不符合日期格式的數(shù)值會(huì)被轉(zhuǎn)換為空值
刪除含有NaT的空行
'''
dataDF = dataDF.dropna(subset=['銷(xiāo)售時(shí)間','社?？ㄌ?hào)'],how='any')
datasDF = dataDF.reset_index(drop = True)
dataDF.info()
（5）數(shù)據(jù)排序
此時(shí)時(shí)間是沒(méi)有按順序排列的，所以還是需要排序一下，排序之后索引會(huì)被打亂，所以也需要重置一下索引。 其中by:表示按哪一列進(jìn)行排序，ascending=True表示升序排列，ascending=False表示降序排列
#數(shù)據(jù)排序
dataDF = dataDF.sort_values(by='銷(xiāo)售時(shí)間', ascending=True)
dataDF = dataDF.reset_index(drop=True)
dataDF.head()
（6）異常值處理
先查看數(shù)據(jù)的描述統(tǒng)計(jì)信息
#查看描述統(tǒng)計(jì)信息
dataDF.describe()
通過(guò)描述統(tǒng)計(jì)信息可以看到，“銷(xiāo)售數(shù)量”、“應(yīng)收金額”、“實(shí)收金額”這三列數(shù)據(jù)的最小值出現(xiàn)了負(fù)數(shù)，這明顯不符合常理，數(shù)據(jù)中存在異常值的干擾，因此要對(duì)數(shù)據(jù)進(jìn)一步處理，以排除異常值的影響：
#將'銷(xiāo)售數(shù)量'這一列小于0的數(shù)據(jù)排除掉
pop = dataDF.loc[:,'銷(xiāo)售數(shù)量'] > 0
dataDF = dataDF.loc[pop,:]
dataDF.describe()
構(gòu)建模型及數(shù)據(jù)可視化
數(shù)據(jù)清洗完成后，需要利用數(shù)據(jù)構(gòu)建模型（就是計(jì)算相應(yīng)的業(yè)務(wù)指標(biāo)），并用可視化的方式呈現(xiàn)結(jié)果。
（1）業(yè)務(wù)指標(biāo)1:月均消費(fèi)次數(shù)
月均消費(fèi)次數(shù) = 總消費(fèi)次數(shù) / 月份數(shù)（同一天內(nèi)，同一個(gè)人所有消費(fèi)算作一次消費(fèi)）
#計(jì)算總消費(fèi)次數(shù)
#刪除重復(fù)數(shù)據(jù)
kpil_Df = dataDF.drop_duplicates(subset=['銷(xiāo)售時(shí)間','社?？ㄌ?hào)'])
totalI = kpil_Df.shape[0]
print('總消費(fèi)次數(shù)=',totalI)
#計(jì)算月份數(shù)
#按銷(xiāo)售時(shí)間升序排序
kpil_Df = kpil_Df.sort_values(by='銷(xiāo)售時(shí)間', ascending=True)
#重命名行名
kpil_Df = kpil_Df.reset_index(drop=True)
#獲取時(shí)間范圍
startTime = kpil_Df.loc[0,'銷(xiāo)售時(shí)間']
endTime = kpil_Df.loc[totalI-1,'銷(xiāo)售時(shí)間']
#計(jì)算月份
#天數(shù)
daysI = (endTime-startTime).days
mounthI = daysI//30
print('月份數(shù)=',mounthI)
#月平均消費(fèi)次數(shù)
kpil_I = totalI//mounthI
print('業(yè)務(wù)指標(biāo)1：月均消費(fèi)次數(shù)=', kpil_I)
（2）業(yè)務(wù)指標(biāo)2:月均消費(fèi)金額
月均消費(fèi)金額 = 總消費(fèi)金額 / 月份數(shù)
#消費(fèi)總金額
totalMoneyF = dataDF.loc[:,'實(shí)收金額'].sum()
mounthMoney = totalMoneyF // mounthI
print('業(yè)務(wù)指標(biāo)2：月均消費(fèi)金額=', mounthMoney)
（3）客單價(jià)
客單價(jià) = 總消費(fèi)金額 / 總消費(fèi)次數(shù)
#客單價(jià)
pct = totalMoneyF / totalI
print('業(yè)務(wù)指標(biāo)3：客單價(jià)=', pct)
（4）消費(fèi)趨勢(shì)
a. 導(dǎo)入python可視化相關(guān)的包
b. 分析每天的消費(fèi)金額
import matplotlib.pyplot as plt
import matplotlib
#畫(huà)圖時(shí)用于顯示中文字符
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # SimHei是黑體的意思
#在操作之前先復(fù)制一份
#mpl.rcParams['font.sans-serif'] = ['Songti'] # SimHei是黑體的意思
#font = FontProperties(fname='/Library/Fonts/Songti.ttc') #設(shè)置字體
#在操作之前先復(fù)制一份數(shù)據(jù)，防止影響清洗后的數(shù)據(jù)
groupDF = dataDF
#將'銷(xiāo)售時(shí)間'設(shè)置為index
groupDF.index = groupDF['銷(xiāo)售時(shí)間']
print(groupDF.head())
gb = groupDF.groupby(groupDF.index)
print(gb)
dayDF = gb.sum()
print(dayDF)
#畫(huà)圖
plt.plot(dayDF['實(shí)收金額'])
plt.title('按天消費(fèi)金額')
plt.xlabel('時(shí)間')
plt.ylabel('實(shí)收金額')
plt.show()
從結(jié)果可以看出，每天消費(fèi)總額差異較大，除了個(gè)別天出現(xiàn)比較大筆的消費(fèi)，大部分人消費(fèi)情況維持在1000-2000元以?xún)?nèi)。
c. 分析每月的消費(fèi)金額
接下來(lái)，我銷(xiāo)售時(shí)間先聚合再按月分組進(jìn)行分析：
#將銷(xiāo)售時(shí)間聚合按月分組
gb = groupDF.groupby(groupDF.index.month)
print(gb)
monthDF = gb.sum()
print(monthDF)
plt.plot(monthDF['實(shí)收金額'])
plt.title('按月消費(fèi)金額')
plt.xlabel('時(shí)間')
plt.ylabel('實(shí)收金額')
plt.show()
結(jié)果顯示，7月消費(fèi)金額最少，這是因?yàn)?月份的數(shù)據(jù)不完整，所以不具參考價(jià)值。1月、4月、5月和6月的月消費(fèi)金額差異不大. 2月和3月的消費(fèi)金額迅速降低，這可能是2月和3月處于春節(jié)期間，大部分人都回家過(guò)年的原因。
d. 分析藥品銷(xiāo)售情況
對(duì)“商品名稱(chēng)”和“銷(xiāo)售數(shù)量”這兩列數(shù)據(jù)進(jìn)行聚合為Series形式，方便后面統(tǒng)計(jì)，并按降序排序：
#聚合統(tǒng)計(jì)各種藥品數(shù)量
medicine = groupDF[['商品名稱(chēng)','銷(xiāo)售數(shù)量']]
bk = medicine.groupby('商品名稱(chēng)')[['銷(xiāo)售數(shù)量']]
re_medicine = bk.sum()
#對(duì)銷(xiāo)售藥品數(shù)量按將序排序
re_medicine = re_medicine.sort_values(by='銷(xiāo)售數(shù)量', ascending=False)
re_medicine.head()
截取銷(xiāo)售數(shù)量最多的前十種藥品，并用條形圖展示結(jié)果：
top_medicine = re_medicine.iloc[:10,:]
top_medicine
# 數(shù)據(jù)可視化，用條形圖展示前十的藥品
top_medicine.plot(kind = 'bar')
plt.title('銷(xiāo)售前十的藥品')
plt.xlabel('藥品')
plt.ylabel('數(shù)量')
plt.show()
結(jié)論：對(duì)于銷(xiāo)售量排在前幾位的藥品，醫(yī)院應(yīng)該時(shí)刻關(guān)注，保證藥品不會(huì)短缺而影響患者。得到銷(xiāo)售數(shù)量最多的前十種藥品的信息，這些信息也會(huì)有助于加強(qiáng)醫(yī)院對(duì)藥房的管理。
e. 每天的消費(fèi)金額分布情況
每天的消費(fèi)金額分布情況：一橫軸為時(shí)間，縱軸為實(shí)收金額畫(huà)散點(diǎn)圖。
# 每天消售金額 -- 散點(diǎn)圖
plt.scatter(dataDF['銷(xiāo)售時(shí)間'],dataDF['實(shí)收金額'])
plt.title('每天銷(xiāo)售金額')
plt.xlabel('時(shí)間')
plt.ylabel('實(shí)收金額')
plt.show()
結(jié)論：從散點(diǎn)圖可以看出，每天消費(fèi)金額在500以下的占絕大多數(shù)，個(gè)別天存在消費(fèi)金額很大的情況。
參考文章：https://www.jianshu.com/p/1becc1e5dbea
Python“寶藏級(jí)”公眾號(hào)【Python之王】專(zhuān)注于Python領(lǐng)域，會(huì)爬蟲(chóng)，數(shù)分，C++，tensorflow和Pytorch等等。
近 2年共原創(chuàng) 100+ 篇技術(shù)文章。創(chuàng)作的精品文章系列有：
日常收集整理了一批不錯(cuò)的 Python 學(xué)習(xí)資料，有需要的小伙可以自行免費(fèi)領(lǐng)取。
獲取方式如下：公眾號(hào)回復(fù)資料。領(lǐng)取Python等系列筆記，項(xiàng)目，書(shū)籍，直接套上模板就可以用了。資料包含算法、python、算法小抄、力扣刷題手冊(cè)和 C++ 等學(xué)習(xí)資料！