某家具店差评数据分析

某家具店差评售后数据分析

近日得到了一份某家具店的差评数据，本着锻炼自己的数据分析实战能力，我分析该数据集，下面是分析内容和步骤。
由于该数据集是内部数据，故不展示具体数据。

1.数据预处理和基本思路

该数据集是一份excel文件，通过pandas中info，head，describe等函数查看可发现，该数据集结构化完整，无缺失数据。不愧是一份宝贝啊。
检查数据的整体结构和大致内容发现。该数据集值得关注的维度为三级分类，客户问题描述和计数。
具体是什么意思呢。三级分类指商品类别，如桌子，椅子，凳子等。客户问题描述是一段可变长的字符串，内容为客户对商品问题的描述和退换货的理由，计数则是订单数量。

通过对以上维度的了解，我想到这样一些基本的分析思路。
1.出现问题的商品数量排序
分析哪些家具的差评和售后问题最多。当然要明确的一点是不同商品的销量不同，所以这个数据并不一定准确反映商品的实际情况。
2.商品问题描述的文本分析
通过文本分析判断具体是哪些方面的问题最多，从而针对性的改善，减少差评，提升用户体验。

df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 17827 entries, 0 to 17826
Data columns (total 13 columns):
SKU编码          17827 non-null int64
品牌名称           17827 non-null object
三级分类           17827 non-null object
销售姓名           17827 non-null object
服务单号           17827 non-null int64
订单编号           17827 non-null int64
售后服务单申请时间_日    17827 non-null datetime64[ns]
客户问题描述         17805 non-null object
申请一级类型描述       17768 non-null object
是否通过           17827 non-null object
主供应商名称         17827 non-null object
用户pin          17808 non-null object
服务单号_去重计数      17827 non-null int64
dtypes: datetime64[ns](1), int64(4), object(8)
memory usage: 1.8+ MB
df.head()

2.数据可视化和数据分析

针对提出的想法的思路，进行具体的代码实操

2.1商品分类及数量统计

一行代码实现分类及数量统计

df2 = df.groupby('三级分类')['服务单号_去重计数'].sum().reset_index(<