1、基础知识

1）一维数据分析

Numpy－Array：# 定义 import numpy as np a = np.array([2, 3, 4, 5]) # 查询元素 a[0] # 切片访问 a[1:3] # 循环访问 for i in a: # 数据类型 dtype # 统计功能（比列表优秀的地方） mean()/std() # 向量化计算：向量相加／乘以标量 # 参数axis=0/1，分别针对列／行进行操作Pandas－Series：# 定义 import pandas as pd stockS = pd.Series([54.74, 190.9, 173.14, 1050.3, 181.86, 1139.49], index = [腾讯, 阿里巴巴, 苹果, 谷歌, Facebook, 亚马逊,]) # 描述统计 stockS.describe() # 删除缺失值 dropna() # 填充缺失值 s1 = pd.Series([1, 2, 3, 4], index = [a, b, c, d]) s2 = pd.Series([10, 20, 30, 40], index = [a, b, e, f]) s3 = s1.add(s2, fill_value = 0)图1 描述统计结果图2 填充缺失值

2）二维数据分析

Numpy－Array：# 定义 a = np.array([1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]) # 查询元素 a[0, 2] # 获取某一行 a[0, :] # 获取某一列 a[:, 0] # 参数axis=0/1，分别针对列／行进行操作Pandas－DataFrame：针对每列数据类型不一样的情况# 定义：先建立字典，再将字典放进数据框中 salesDict = {购药时间 : [2018-01-01 星期五, 2018-01-02 星期六, 2018-01-06 星期三], 社保卡号 : [001616528, 001616528, 0012602828], 商品编号 : [236701, 236701, 236701], 商品名称 : [强力VC银翘片, 清热解毒口服液, 感康], 销售数量 : [6, 1, 2], 应收金额 : [82.8, 28, 16.8], 实收金额 : [69, 24.64, 15]} from collections import OrderedDict salesOrderedDict = OrderedDict(salesDict) salesDf = pd.DataFrame(salesOrderedDict) # iloc根据位置查询 salesDf.loc[0,1]/salesDf.loc[0, :]/salesDf.loc[:, 0] # loc根据索引值查询 salesDf.loc[0, 商品名称]/salesDf.loc[0, :]/salesDf.loc[:, 商品名称] # 查询某几列 salesDf[商品名称, 销售数量] # 切片功能：指定范围 salessDf.loc[0:2, 商品名称:销售数量] # 通过条件判断筛选 querySer = salesDf.loc[销售时间]>1 salesDf.loc[querySer, :] # 描述统计分析 salesDf.describe() # 有多少行，多少列 salesDf.shape

2、销售数据分析案例

1）明确问题

月均消费次数月均消费金额客单价

2）理解数据

导入数据import pandas as pd salesDf = pd.read_excel(/Users/zsj/Desktop/医院销售数据.xlsx, dtype=str)数据集字段图3 数据集信息

共包含7个字段，分别为：

购药时间：购买药品的时间

社保卡号：顾客社保卡号，为顾客唯一标识

商品编码：药品的唯一编码

商品名称：药品名称

销售数量：顾客单次购买药品数量

应收金额：药品售价

实收金额：最终成交金额

描述统计分析图4 数据集描述统计分析

3）清洗数据

列名重命名图5 列名重命名处理缺失值数据类型转换# 将字符串转为数值 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) print(转换后的数据类型: \n, salesDf.dtype) # 将销售时间拆分 def splitSaletime(timeColSer): timeList[] for value in timeColSer: dateSer = value.split()[0] timeList.append(dateStr) timeStr = pd.Series(timeList) return timeStr timeSer = salesDf.loc[:, 销售时间] dateSer=splitSaletime(timeSer) salesDf.loc[:,销售时间]=dateSer.values # 将字符串转换为日期 salesDf.loc[:, 销售时间] = pd.to_datetime(salesDf.loc[:, 销售时间], format = %Y-%m-%d, errors = coerce)图6 将销售时间拆分数据排序# 根据销售时间对数据集进行排序 salesDf = salesDf.sort_values(by = 销售时间, ascending = True, na_position = first) print(排序后的数据) salesDf.head() # 将行号重新排列 salesDf = salesDf.reset_index(drop = True) salesDf.head()图7 排序后的数据集图8 行号重新排列处理异常值# 确认异常值情况 salesDf.describe() # 利用查询条件删除异常值 querySer = salesDf.loc[:, 销售数量]>0 print(删除异常值前：,salesDf.shape) salesDf=salesDf.loc[querySer,:] print(删除异常值后：,salesDf.shape)图9 利用描述统计分析确认异常值图10 删除异常值后的描述统计分析

4）数据分析

月均消费次数＝总消费次数／月份数# 同一人同一天多次购买均记为一次，所以先根据销售时间、社保卡号进行去重 kpi1_Df = salesDf.drop_duplicates(subset = [销售时间, 社保卡号]) # 去重后的行数值即为总消费次数 totalT = kpi1_Df.shape[0] print(总消费次数, totalT) # 将新数据框排序并将行号重新排列 kpi1_Df=kpi1_Df.sort_values(by=销售时间, ascending=True) kpi1_Df=kpi1_Df.reset_index(drop=True) # 获取最小时间值 startTime=kpi1_Df.loc[0,销售时间] # 获取最大时间值 endTime=kpi1_Df.loc[totalT-1,销售时间] # 计算月份数 daysT=(endTime-startTime).days daysT=(endTime-startTime).days month_number = daysT//30 print(月份数, month_number) # 指标计算：月均消费次数 kpi1_T = totalT/month_number print(业务指标1：月均消费次数＝, kpi1_T)图11 总消费次数图12 月份数图13 月均消费次数月均消费金额＝总消费金额／月份数# 总消费金额 totalS = salesDf.loc[:, 实收金额].sum() # 指标计算：月均消费金额 kpi2_S = totalS/month_number print(业务指标2：月均消费金额=,kpi2_S)图14 月均消费金额客单价＝总消费金额／总消费次数# 指标计算：客单价 kpi3 = totalS/totalT print(业务指标3：客单价=,kpi3)图15 客单价