ai完成案例数据分析和可视化_ai数据分析试例-CSDN博客

本文链接：https://blog.csdn.net/enmmhey/article/details/147049213

通过向ai提问“使用python完成一个案例的数据分析和可视化”

ai给出详细步骤如下：

当然可以！我们来做一个Python数据分析与可视化的完整案例，从数据读取、清洗、分析到可视化一步步来。

下面是一个常见的案例：分析超市销售数据。

🛒 案例说明：超市销售数据分析

我们将分析一个超市的销售记录数据集，了解：

哪些城市销售额高？
各产品类别的销售情况？
不同时间段销售趋势？
客户类型对销售的影响？

第一步：准备数据

你可以使用下面的CSV格式数据保存为 supermarket_sales.csv：

Invoice ID,Branch,City,Customer type,Gender,Product line,Unit price,Quantity,Tax 5%,Total,Date,Time,Payment,cogs,Gross margin percentage,Gross income,Rating
750-67-8428,A,Yangon,Member,Female,Health and beauty,74.69,7,26.1415,548.9715,1/5/2019,13:08,Ewallet,522.83,4.761905,26.1415,9.1
226-31-3081,C,Naypyitaw,Normal,Female,Fashion accessories,15.28,5,3.82,80.22,3/8/2019,10:29,Cash,76.4,4.761905,3.82,9.6
...

你可以使用完整的数据集（共1000条）在Kaggle找到：Supermarket sales | Kaggle

第二步：Python代码（分析 + 可视化）

确保你安装好下面的包：

pip install pandas matplotlib seaborn

然后运行下面的 Python 代码：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 读取数据
df = pd.read_csv('supermarket_sales.csv')

# 解析日期
df['Date'] = pd.to_datetime(df['Date'])
df['Month'] = df['Date'].dt.month
df['Day'] = df['Date'].dt.day
df['Weekday'] = df['Date'].dt.day_name()

# 基础统计
print("数据概况：\n", df.describe())
print("字段缺失情况：\n", df.isnull().sum())

# 🟢 分析1：不同城市的销售额
city_sales = df.groupby('City')['Total'].sum().sort_values(ascending=False)
plt.figure(figsize=(8,5))
sns.barplot(x=city_sales.index, y=city_sales.values, palette='viridis')
plt.title("不同城市销售额比较")
plt.ylabel("总销售额")
plt.xlabel("城市")
plt.tight_layout()
plt.show()

# 🟢 分析2：产品线销售额
product_sales = df.groupby('Product line')['Total'].sum().sort_values()
plt.figure(figsize=(10,6))
sns.barplot(x=product_sales.values, y=product_sales.index, palette='magma')
plt.title("各产品线销售额")
plt.xlabel("总销售额")
plt.ylabel("产品线")
plt.tight_layout()
plt.show()

# 🟢 分析3：每天销售趋势
daily_sales = df.groupby('Date')['Total'].sum()
plt.figure(figsize=(12,5))
daily_sales.plot()
plt.title("每日销售趋势")
plt.ylabel("销售额")
plt.xlabel("日期")
plt.grid(True)
plt.tight_layout()
plt.show()

# 🟢 分析4：不同顾客类型销售对比
plt.figure(figsize=(8,6))
sns.boxplot(data=df, x='Customer type', y='Total', palette='pastel')
plt.title("不同顾客类型的消费分布")
plt.tight_layout()
plt.show()

第三步：你会看到以下可视化图表

各城市销售额柱状图
产品线销售柱状图（例如：Health and Beauty，Fashion，...）
每日销售趋势折线图
顾客类型消费分布箱线图

🔧 后续可做扩展：

计算每个产品线的平均客单价
分析支付方式占比
找出最高评分与最低评分的销售记录
用plotly做交互图

你想我帮你用这个案例做一个可执行的 .py 脚本、Jupyter Notebook 或者图形界面应用（GUI）吗？我可以继续帮你细化

注意：若出现中文乱码可以使用


# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

此时ai所绘制的表格默认使用的是英文，我们可以让他使用中文格式

好的，下面是修改后的中文格式版本。我们会对数据进行分析并生成相应的可视化图表。请确保你使用的是中文数据集。

然后运行以下代码：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 读取数据
df = pd.read_csv('supermarket_sales.csv')

# 解析日期
df['Date'] = pd.to_datetime(df['Date'])
df['Month'] = df['Date'].dt.month
df['Day'] = df['Date'].dt.day
df['Weekday'] = df['Date'].dt.day_name()

# 基础统计
print("数据概况：\n", df.describe())
print("字段缺失情况：\n", df.isnull().sum())

# 🟢 分析1：不同城市的销售额
city_sales = df.groupby('City')['Total'].sum().sort_values(ascending=False)
plt.figure(figsize=(8,5))
sns.barplot(x=city_sales.index, y=city_sales.values, palette='viridis')
plt.title("不同城市销售额比较")
plt.ylabel("总销售额")
plt.xlabel("城市")
plt.tight_layout()
plt.show()

# 🟢 分析2：产品线销售额
product_sales = df.groupby('Product line')['Total'].sum().sort_values()
plt.figure(figsize=(10,6))
sns.barplot(x=product_sales.values, y=product_sales.index, palette='magma')
plt.title("各产品线销售额")
plt.xlabel("总销售额")
plt.ylabel("产品线")
plt.tight_layout()
plt.show()

# 🟢 分析3：每天销售趋势
daily_sales = df.groupby('Date')['Total'].sum()
plt.figure(figsize=(12,5))
daily_sales.plot()
plt.title("每日销售趋势")
plt.ylabel("销售额")
plt.xlabel("日期")
plt.grid(True)
plt.tight_layout()
plt.show()

# 🟢 分析4：不同顾客类型销售对比
plt.figure(figsize=(8,6))
sns.boxplot(data=df, x='Customer type', y='Total', palette='pastel')
plt.title("不同顾客类型的消费分布")
plt.tight_layout()
plt.show()