数据分析实战：某电商电子产品销售数据分析

1. 项目背景

通过分析销售数据来了解在线销售业务的消费情况，分析用户消费数据来分析用户的消费行为，为用户推荐相匹配的商品。

2. 数据概况

2.1. 加载数据

data = pd.read_csv("./data/某电商电子产品销售数据分析.csv")
data.head()

2.2. 数据说明

列名	类型
下单时间	datatime
订单编号	str
产品编号	str
类别编号	str
类别	str
品牌	str
价格	float65
用户编号	str
年龄	int64
性别	str
省份	str

3. 数据清洗与整理

3.1. 数据类型转换

data['下单时间'] =  pd.to_datetime(data['下单时间'])
data[['订单编号','产品编号','类别编号','用户编号']] = data[['订单编号','产品编号','类别编号','用户编号']].astype(str)
data['年龄'] = data['年龄'].astype(int)

3.2. 空值和重复值

数据集中有空值，无重复值

# 类别为空的数据，使用类别编码填充
data['类别'] = data['类别'].fillna(data['类别编号'])
# 品牌为空的数据，填充 unknoun
data['品牌'] = data['品牌'].fillna('unknown')

3.3. 删除无用列

# 第一二列是无用列
data.drop(data.columns[[0,1]], axis=1, inplace=True)

3.4. 新增列

data['month'] = data['下单时间'].dt.month
data['hour'] = data['下单时间'].dt.hour
data['weekday'] = data['下单时间'].dt.weekday
data['weekend'] = ((data['weekday'] == 5) | (data['weekday'] == 6)).astype(int)

4. 探索性分析

4.1. 销售情况

4.1.1. 月度

经分析，数据集中包含1307条 1970 年数据，其他为2022年数据（占比99.66%）

for year in data['下单时间'].dt.