Python銷售訂單分析

我們常講數(shù)據(jù)分析的三大作用：現(xiàn)狀分析、原因分析、預(yù)測分析，現(xiàn)狀分析可以表明當(dāng)前的業(yè)務(wù)狀況，對當(dāng)前的業(yè)務(wù)狀況做分析，可以給決策者提供一個數(shù)據(jù)支撐和參考。

本節(jié)使用一組銷售訂單明細(xì)數(shù)據(jù)，研究不同產(chǎn)品的訂單數(shù)和銷量情況，同時研究每個分撥中心的銷量占比以及哪些月份訂單量最多，綜合數(shù)據(jù)分析的結(jié)果給業(yè)務(wù)決策熱提供數(shù)據(jù)支持。

示例工具：anconda3.7

本文講解內(nèi)容：銷售訂單數(shù)據(jù)分析

適用范圍：Python業(yè)務(wù)數(shù)據(jù)分析

「銷售訂單分析」https://www.aliyundrive.com/s/8yihmUZPhWK

1. 訂單前十的產(chǎn)品都有哪些？
   

2. 銷售量前十的產(chǎn)品都有哪些？
   

3. 每個分撥中心的銷量占比是多少？

4. 哪些月份訂單量最多？

使用pandas包導(dǎo)入數(shù)據(jù)，其中parse_dates用于解析日期。

import pandas as pdfrom datetime import datetimedf=pd.read_excel(r'C:/Users/尚天強(qiáng)/Desktop/銷售訂單明細(xì).xlsx',parse_dates=['發(fā)貨日期'])df.head()

查看訂單量前十的產(chǎn)品都有哪些？使用value_counts()函數(shù)進(jìn)行分組計數(shù)，默認(rèn)是降序排列，同時使用head函數(shù)選取前十個數(shù)據(jù)結(jié)果，其中充電寶訂單數(shù)排第一位。

count_ten=df['產(chǎn)品名稱'].value_counts().head(10)count_ten

數(shù)字不太直觀，我們導(dǎo)入matplotlib包將訂單量可視化進(jìn)行展示。

import matplotlib.pyplot as plt#讓圖表直接在Jupyter Notebook中展示出來%matplotlib inlineplt.rcParams["font.sans-serif"] = 'SimHei'  #中文亂碼問題plt.rcParams['axes.unicode_minus']?=?False???#負(fù)號無法顯示%config?InlineBackend.figure_format?=?'svg'??#設(shè)置圖表為數(shù)量圖格式形式

value_counts函數(shù)是默認(rèn)降序排列，可以使用sort_values函數(shù)升序排列后，使用plot.barh函數(shù)做一個條形圖，由圖可以看出訂單數(shù)排前十的產(chǎn)品，且貼膜和數(shù)據(jù)線這兩款產(chǎn)品之間訂單數(shù)出現(xiàn)顯著差異。

count_ten=count_ten.sort_values()count_ten.plot.barh()

查看銷售量前十的產(chǎn)品，按照產(chǎn)品名稱分組求和，然后使用sort_values函數(shù)設(shè)置ascending=False參數(shù)進(jìn)行降序排列。

sale_ten=df.groupby('產(chǎn)品名稱')['銷售數(shù)量'].sum().sort_values(ascending=False).head(10)sale_ten

使用條形圖直觀地展示數(shù)據(jù)結(jié)果，手機(jī)殼的銷量排第一位，表明手機(jī)殼更新?lián)Q代速度比較快，產(chǎn)品需求多。

sale_ten_sort=sale_ten.sort_values()sale_ten_sort.plot.barh()

每款產(chǎn)品都是由分撥中心始發(fā)，查看每個分撥中心中心的銷量占比，使用groupby函數(shù)根據(jù)發(fā)貨地分組求和，同時除以總銷量，即可得到每個分撥中心的銷量占比。

fahuoz_count=df.groupby('發(fā)貨地')['銷售數(shù)量'].sum()/df['銷售數(shù)量'].sum()fahuoz_count

使用plot.pie函數(shù)繪制一個餅圖，由圖可以看出上海分撥中心的的銷量占比最高，達(dá)到37.89%，鄭州分撥中心的銷量占比最低，僅有11.38%。

fahuoz_count.plot.pie(figsize=(5, 5),startangle=90,autopct='%1.2f%%')

查看哪些月份的訂單最多，這里篩選2018年1月1日到2018年12月31日的數(shù)據(jù)，同時使用map和lambda函數(shù)提取年月，將提取的年月數(shù)據(jù)格式變化為字符類型。

#篩選2018年數(shù)據(jù)this_year=df[(df['訂單日期']>=datetime(2018,1,1))&(df['訂單日期']<=datetime(2018,12,31))]this_year=this_year.copy()this_year['月份']=this_year['訂單日期'].map(lambda x:str(x.strftime('%Y%m')))#提取月份數(shù)據(jù)this_year

使用dtypes函數(shù)查看數(shù)據(jù)類型，可以看到初始的訂單日期為日期類型，提取后的月份字段變?yōu)樽址愋汀?br>

this_year.dtypes

計算每個月的訂單數(shù)，按照月份進(jìn)行分組計數(shù)，其中nunique函數(shù)可以實現(xiàn)非重復(fù)計數(shù)功能。

this_year.groupby('月份')['訂單號'].nunique()

使用plot函數(shù)繪制一個折線圖，由圖可以看出2018年12月的訂單數(shù)最多，2018年2月份的訂單數(shù)最少。

this_year.groupby('月份')['訂單號'].nunique().plot(figsize=(6, 4))

對比Excel系列圖書累積銷量達(dá)15w冊，讓你輕松掌握數(shù)據(jù)分析技能，可以在全網(wǎng)搜索書名進(jìn)行了解選購：