数据分析（python）

转。https://zhuanlan.zhihu.com/p/35976466

1，分析背景

   数据是药店2018年1月至2018年7月19日的药品销售数据，由购药时间，社保卡号，商品编码 ，商品名称，销售数量，应收金额，实收金额七个字段组成，共6578条数据。

2，分析框架

　　分析目的，通过对历史数据进行描述性统计分析，了解每月药品销售情况。更深入了解，用户更青睐于哪些药品，随着月份的变化，药品销量的变化，为药店进药提供支持。

　　分析思路，统计每月药品销售总额，每月药品销售数量，客单价，每月药品销售量和金额前十

3，数据清洗

　　缺失值

　　重复值

　　异常值

4，分析过程

5，总结

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import pandas as pd
import numpy as np

file_path='./朝阳医院2018年销售数据.xlsx'

#pd.read_excel(file_path,converters={'社保卡号':str,'商品编码':str})

xls =  pd.ExcelFile(file_path)
salesDf = xls.parse('Sheet1',dtype='object')

salesDf.head() #查看数据，默认显示前5行
salesDf.info() #查看数据结构，包括字段，数据类型
salesDf.shape  #查看数据形状，数据数目和列数

#列重命名
colNameDict={'购药时间':'销售时间'}
salesDf.rename(columns = colNameDict, inplace=True)
salesDf.head()

#处理缺失值
salesDf.shape
salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')

#数据类型转换
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')

#时间转换
salesDf.head()

def splitSaletime(timeColSer):
    timelist=[]
    for value in timeColSer:
        dateStr=value.split(' ')[0]
        timelist.append(dateStr)
        
    timeSer = pd.Series(timelist)
    return timeSer

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

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

#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
#salesDf.loc[:,'购药时间1'] = salesDf['购药时间'].str.split(' ').str[0] #拆分时间字段
salesDf.loc[:,'销售时间'] = pd.to_datetime(salesDf.loc[:,'销售时间'],format='%Y-%m-%d',errors='coerce')

salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')

数据排序
使用pd.sort_values方法对数据进行排序，by表示按那几列进行排序，ascending=True 表示升序排列，ascending=False表示降序排列

salesDf=salesDf.sort_values(by='销售时间',ascending=True)

重命名行号：reset_index方法生成从0到N按顺序的索引值
salesDf = salesDf.reset_index(drop=True)

异常值处理
1 查看数据框中所有数据每列的描述性统计信息 describe()

salesDf.describe()

#设置查询条件
querySer = salesDf.loc[:,'销售数量']>0

salesDf.shape
salesDf = salesDf.loc[querySer,:]

salesDf.head()

salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')
salesDf['销售时间'].min()  #Timestamp('2018-01-01 00:00:00')
salesDf['销售时间'].max()  #Timestamp('2018-07-19 00:00:00')
--------------------------------------------------------------
总销售额
salesDf[['销售数量','应收金额','实收金额']].sum()
'''
第一个指标：月均消费次数=总消费次数/月数
第二个指标：月均消费金额=总消费金额/月份数
第三个指标：客单价=平均交易金额=总消费金额/总消费次数
第四个指标：消费趋势

注意：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，使用drop_duplicates将重复的数据删除
'''
salesDf.head()

#消费次数
kpil_df = salesDf.drop_duplicates(subset=['销售时间','社保卡号'])
totalI = kpil_df.shape[0]  #总消费次数 5342

min_d=salesDf['销售时间'].min()  #Timestamp('2018-01-01 00:00:00')
max_d=salesDf['销售时间'].max()  #Timestamp('2018-07-19 00:00:00')
days1=(max_d - min_d).days
months1 = days1//30  #月份数  6

kpi1 = totalI//months1  
print('月均消费次数：',kpi1)

kpi2 = round(salesDf['实收金额'].sum()/months1,4)
print('月均消费金额：',kpi2)

kpi3 = round(kpi2/kpi1,4)
print('客单价：',kpi3)

groupdf = salesDf

groupdf.head()
groupdf.index = groupdf['销售时间']
gb = groupdf.groupby(groupdf.index.month)

monthdf = gb.sum()