本文利用pandas对医院销售数据进行分析，里面知识点繁多，未来可能还会经常复习。

一般的数据分析由如下的步骤组成：

导入数据分析包：

import pandas as pd

1.提出问题

从销售数据中分析出以下业务指标： 1）月均消费次数2）月均消费金额3）客单价4）消费趋势

2.理解数据

导入数据，dtype=‘object’按照字符串类型读取数据。

fileNameStr=J:\da\数据分析入门（Python）\第4关数据分析的基本过程\朝阳医院2018年销售数据.xlsx xls = pd.ExcelFile(fileNameStr,dtype=object) salesDf = xls.parse(Sheet1,dtype=object)

查看数据前5行

salesDf.head()

查看数据有多少行，多少列

salesDf.shape

(6578, 7)

查看每一列数据类型

salesDf.dtypes

购药时间 object

社保卡号 object

商品编码 object

商品名称 object

销售数量 object

应收金额 object

实收金额 object

dtype: object

4.数据清洗

一个数据分析有大约60%的时间花在数据清洗过程。原始数据并不完全符合数据分析的需要，这时要对数据进行清洗，改成需要的样子。

a）选择子集，这里并不需要选择子集：

#注释掉 #subSalesDf=salesDf.loc[0:4,购药时间:销售数量]

b）列名重命名：

colNameDict = {购药时间:销售时间} inplace=False，数据框本身不会变，而会创建一个改动后新的数据框， 默认的inplace是False inplace=True，数据框本身会改动 salesDf.rename(columns = colNameDict,inplace=True) salesDf.head()

c）缺失数据处理：

#删除列（销售时间，社保卡号）中为空的行 #how=any 在给定的任何一列中有缺失值就删除 salesDf=salesDf.dropna(subset=[销售时间,社保卡号],how=any) print(删除缺失后大小,salesDf.shape)

删除缺失后大小 (6575, 7)

d）数据类型转换：

把字符串转化为数值：

#字符串转换为数值（浮点型） 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.dtypes)

字符串转换为日期数据类型：

字符串分割：

testList=2018-06-03 星期五.split( )

输出结果：

testList

[2018-06-03, 星期五]

用函数将销售日期分割：

def splitSaletime(timeColSer): timeList=[] for value in timeColSer: #例如2018-01-01 星期五，分割后为：2018-01-01 dateStr=value.split( )[0] timeList.append(dateStr) #将列表转行为一维数据Series类型 timeSer=pd.Series(timeList) return timeSer #获取“销售时间”这一列 timeSer=salesDf.loc[:,销售时间] #对字符串进行分割，获取销售日期 dateSer=splitSaletime(timeSer)

输出结果：

dateSer[0:3]

0 2018-01-01

1 2018-01-02

2 2018-01-06

dtype: object

导入数据中

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

用to_datetime把销售时间转化为日期格式

salesDf.loc[:,销售时间]=pd.to_datetime(salesDf.loc[:,销售时间], format=%Y-%m-%d, errors=coerce) salesDf.dtypes

e）数据排序：

排序前：

salesDf.head()#按销售日期进行升序排列 salesDf=salesDf.sort_values(by=销售时间, ascending=True) print(排序后的数据集) salesDf.head()

对行号重命名

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

f）异常值处理：

salesDf.describe()querySer=salesDf.loc[:,销售数量]>0 #应用查询条件 print(删除异常值前：,salesDf.shape) salesDf=salesDf.loc[querySer,:] print(删除异常值后：,salesDf.shape)

5.构建模型

a）指标1:月均消费次数=总消费次数 / 月份数

总消费次数：同一天内，同一个人发生的所有消费算作一次；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，将重复的数据删除

kpi1_Df=salesDf.drop_duplicates( subset=[销售时间, 社保卡号] ) totalI=kpi1_Df.shape[0] print(总消费次数=,totalI)

总消费次数= 5342

计算月份数

#第1步：按销售时间升序排序 kpi1_Df=kpi1_Df.sort_values(by=销售时间, ascending=True) #重命名行名（index） kpi1_Df=kpi1_Df.reset_index(drop=True) kpi1_Df.head()#最小时间值 startTime=kpi1_Df.loc[0,销售时间] #最大时间值 endTime=kpi1_Df.loc[totalI-1,销售时间] #第3步：计算月份数 #天数 daysI=(endTime-startTime).days #月份数: 运算符“//”表示取整除 #返回商的整数部分，例如9//2 输出结果是4 monthsI=daysI//30 print(月份数：,monthsI)

月份数： 6

kpi1_I=totalI // monthsI print(业务指标1：月均消费次数=,kpi1

业务指标1：月均消费次数= 890

b）指标2：月均消费金额 = 总消费金额 / 月份数

totalMoneyF=salesDf.loc[:,实收金额].sum() #月均消费金额 monthMoneyF=totalMoneyF / monthsI print(业务指标2：月均消费金额=,monthMoneyF)

业务指标2：月均消费金额= 50668.351666666305

c）指标3：客单价=总消费金额 / 总消费次数

pct=totalMoneyF / totalI print(客单价：,pct)

客单价： 56.9094178210404