Python实现供应链数据分析

一、前言

A市客户有意加盟380开设连锁门店，请根据A市已有销售点的销售数据分析，给予该客户铺货支持和经营策略建议。通过对部门的运营情况、财务状况、物流管理等不同维度的分析，评估该部门健康状况和发展趋势，指导平台发现问题并进行优化。

二、任务分析

1. 分析销售数据基本信息。
2. 比较CBD店和社区店，确定新店铺的选址。
3. 比较各商品确定新销售店的主要铺货产品。
4. 分析销售数据的季节性特点，安排店员休假或培训时间以及订货量。
5. 分析社区店有哪些季节性很强的产品。

三、完整代码实现

（一）预处理供应链商品销售数据

1. 导入相关库及读入数据

导入pandas、numpy、seaborn、matplotlib等库，并用pandas读入Excel文件，保存备份数据。

import pandas as pd 
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')

plt.style.use('ggplot')  # 设置plt绘图风格
plt.rcParams['font.family'] = 'SimHei'  # 设置字体

data = pd.read_excel('供应链商品销售数据.xlsx', skiprows=1, usecols='B:E')
# 数据备份
data_copy = data.copy(deep=False)

2. 添加季度列

构造月份对应季度的字典，然后将数据中月份转化为季度并存入源数据。

# 增加季度列
data_month = {
   'January': '第一季度', 'February': '第一季度', 'March': '第一季度',
                'April': '第二季度', 'May': '第二季度', 'June': '第二季度', 
                'July': '第三季度', 'August': '第三季度', 'September': '第三季度',
                'October': '第四季度', 'November': '第四季度', 'December': '第四季度'}
data_copy['销售季度'] = data_copy['销售月份'].map(data_month)
# 前五行数据
data_copy.head() 

3. 缺失值检测

用Dataframe的isnull()方法检测缺失值，结果显示为无缺失值。

# 缺失值检测
data.isnull().sum()

4. 数据集信息描述

用Dataframe的describe()方法获得销售额的特征信息，Dataframe.info（）查看数据集各列的相关信息。

# 数据集基本描述信息
data_copy.describe().T

# 数据集信息
data_copy.info()

（二）分析新开拓销售点选址

1. 绘制CBD店及社区店销售点数量柱状图

对销售店址进行汇总，发现CBD店有680家，社区店有646家。

data_address = data_copy['销售点类型'].value_counts()
data_address

plt.bar(data_address.index, data_address.values, width=0.3)
plt.xlabel('选址')
plt.ylabel('数量')
plt.title('新开拓销售点的选址情况')
for i, j in zip(data_address.index, data_address.values):
    plt.text(i,