Python超市电商数据分析项目

目录

1.项目数据集

2.项目代码

3.总结

---

        Python超市电商数据分析项目涉及到数据的收集、清洗、处理、分析和可视化，以帮助超市电商了解业务状况、优化运营策略和提高销售效率。

本案例将对某大型超市的零售数据进行数据分析，通过了 解运营状况，做出合理的决策。详细字段是：

• Row ID:行编号；
• Order ID:订单ID；
• Order Date:订单日期；
• Ship Date:发货日期；
• Ship Mode:发货模式；
• Customer ID:客户ID；
• Customer Name:客户姓名；
• Segment:客户类别；
• City:客户所在城市；
• State:客户城市所在州；
• Country:客户所在国家；
• Postal Code:邮编；Market:商店所属区域；
• Region:商店所属州；
• Product ID:产品ID；
• Category:产品类别；
• Sub-Category:产品子类别；
• Product Name:产品名称；
• Sales:销售额；
• Quantity:销售量；
• Discount:折扣；
• Profit:利润；
• Shipping Cost:发货成本；
• Order Priority:订单优先级；

1.项目数据集

2.项目代码

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
plt.rcParams['font.sans-serif'] = ['SimHei']
warnings.filterwarnings('ignore')
#数据加载和整合
# 加载零售数据集，使用'ISO-8859-1'编码方式
df = pd.read_csv("C:/Users/DELL/Desktop/project3/market.csv",encoding='ISO-8859-1')
df.head()
#数据大小
df.shape
#数据分布情况
df.describe()

#将Order Date订单日期字段的数据修改为datetime类型
df["Order_Date"] = pd.to_datetime(df["Order_Date"])
df

#新增加年份列和月份列
df['year'] = df['Order_Date'].dt.year
df['month'] = df['Order_Date'].dt.month
df

# 创建一个字典来存储每年的客单价
year_unit_price = {}
for i in range(2011, 2015):
    data = df[df['year'] == i]
    price = data[['Order_Date', 'Customer_ID', 'Sales']]
    #删除重复数据
    price_dr = price.drop_duplicates(subset=['Order_Date', 'Customer_ID'])
    #得到pprice_dr的总行数
    total_num = price_dr.shape[0]   
    unit_price = price['Sales'].sum() / total_num
    year_unit_price[i] = unit_price
    print('{}年总消费次数='.format(i), total_num)
    print('{}年客单价='.format(i), unit_price, '\n')
#展示每年的客单价数据
# 使用matplotlib绘制柱状图展示每年的客单价
plt.figure(figsize=(10, 6))
plt.bar(year_unit_price.keys(), year_unit_price.values(), color='skyblue')
plt.xlabel('Year')
plt.ylabel('客单价')
plt.title('每年客单价分布')
plt.xticks(range(2011, 2015))
plt.show()

#计算每年的销售总额及增长率并绘图显示：
sales_sum=sales.sum()
# 计算每年增长率
rise_12=sales_sum[1]/sales_sum[0]-1
rise_13=sales_sum[2]/sales_sum[1]-1
rise_14=sales_sum[3]/sales_sum[2]-1
rise_rate=[0,rise_12,rise_13,rise_14]

fig, ax1 = plt.subplots()
ax1.bar(sales.columns[:], sales_sum.values[:], color='b', alpha=0.6, label='Sales')
ax1.set_xlabel('Year')  
ax1.set_ylabel('Sales', color='b')  
ax1.tick_params(axis='y', labelcolor='b')  
ax2 = ax1.twinx() 
ax2.tick_params(axis='y', labelcolor='r')  
ax2.plot(sales.columns[:], rise_rate[:], marker='o', linestyle='-', color='g') 
ax2.set_ylabel('Growth Rate (%)', color='r')
plt.show

#分别对各个区域每年销售额分析
Market_Year_Sales = df.groupby(['Market', 'year']).agg({'Sales':'sum'}).reset_index().rename(columns={'Sales':'Sales_amounts'})
Market_Year_Sales.head()
sns.barplot(x='Market', y='Sales_amounts', hue='year', data = Market_Year_Sales)
plt.title('各个区域每年销售额')
plt.show

#绘制饼状图
labels =['APAC', 'Africa', 'Canada', 'EMEA', 'EU', 'LATAM', 'US']
sizes=[0.28362615, 0.0619951 , 0.0052939 , 0.06376596, 0.23239776,
       0.17121652, 0.18170461]
colors = ['Red', 'Orange', 'Yellow', 'Green', 'Blue', 'Indigo', 'Violet']  
explode = (0,0,0,0,0,0,0) 
plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)
plt.axis('equal')
plt.show

#发货时间与发货成本分析
df['Ship_Date'] = pd.to_datetime(df['Ship_Date'])
df['Year'] = df['Ship_Date'].dt.year
df['Month'] = df['Ship_Date'].dt.month
# 整理发货年、发货月的销售总额
sales_summary = df.groupby(['Year', 'Month'])['Sales'].sum().reset_index()
# 分析发货成本
shipping_cost_summary = df.groupby(['Year', 'Month'])['Shipping_Cost'].sum().reset_index()

shipping_cost_pivot = shipping_cost_summary.pivot(index='Month', columns='Year', values='Shipping_Cost')  
# 绘制折线图  
plt.figure(figsize=(10, 6))  
for year, data in shipping_cost_pivot.iteritems():  
    plt.plot(data.index, data.values, marker='o', label=f'Year {year}')  
plt.xlabel('Ship Month')  
plt.ylabel('Shipping Cost')  
plt.title('发货时间与发货成本的关系')  
plt.legend()  
plt.grid(True)  
plt.show()

3.总结

        这里列出了项目部分代码及结果。由上面的透视表和折线图可以看出，2011-2014年的发货成本 逐年上升，而且每年的各个月份的发货成本也呈上升趋势；但 是，2015年出现了新的情况！2015年只有7个月的统计数据， 但是这7个月的发货成本逐月降低，而且远远小于前4年的发货 成本，这很可能是由于2015年物流业的飞速发展使得发货成本 大大降低，所以，之后的进货成本也极有可能大大降低！