PYTHON实战项目之物流信息

原数据：

需求分析：

数据来源：某企业销售的6种商品所对应的送货及用户反馈数据
 解决问题：
 1、配送服务是否存在问题
 2、是否存在尚有潜力的销售区域
 3、商品是否存在质量问题

数据预处理：

import matplotlib.pyplot as plot
plot.rcParams['font.sans-serif'] = 'SimHei'  # 绘图显示设置中文显示
# 一、数据清洗 # ① 重复值、缺失值、格式调整
#读取csv文件 
data = pd.read_csv('data_wuliu.csv',encoding='gbk')# encoding='gbk'将编码定义为中文形式
#查看数据信息和基本格式
data.info()

通过info()可以看出，包括10列数据，名字，数据量，格式等，可以得出：
1.订单号，货品交货情况，数量：存在缺失值，但是确实量不大，可以删除。
2.订单行，对分析无关紧要，可以考虑删除。
3.销售金额格式不对（万元 | 元，逗号问题）, 数据类型需要转换成int | float

#删除重复行
data.drop_duplicates(keep='first', inplace=True)
data.info()

数据数变少，已经删除了重复行。

在Pandas的drop_duplicates方法中，keep参数可以设置为以下几个选项： 1. 'first': 保留第一个出现的重复行，删除后续重复行。 2. 'last': 保留最后一个出现的重复行，删除前面的重复行。 3. False: 删除所有重复行。这里inplace=True的作用是在原来的数据基础上改变数据。

# na,删除带有na的整行数据,axis=0,how='any'默认值
data.dropna(axis=0, how='any', inplace=True)
#数据量全部变成了1146，说明缺失值已经处理完毕。

在 Pandas 的 dropna 方法中，how 参数可以设置为以下几个选项： 1. 'any': 如果存在任何缺失值，则删除该行或列。 2. 'all': 只有当整行或整列都是缺失值时才删除，axis=0表示按照行来操作，axis=1表示按照列来操作。

# 删除订单行（重复运行会报错，因为第一次已经删除了订单行这一列）
data.drop(columns=['订单行'], inplace=True, axis=1)
# 更新索引(drop=True:把原来的索引index列删除，重置index)
data = data.reset_index(drop=True, inplace=True)

# 修改金额列，取出金额列，对每个数据进行清洗
# 编写自定义函数，删除逗号，转成float，如果是万元则*10000然后，否则，删除元
def data_deal(number):
    if number.find('万元')!=-1:
        number_new = float(number[:number.find('万元')].replace(',', '')) * 10000
    else:
        number_new = float(number.replace('元', '').replace(',', ''))  
    return number_new
data['销售金额']=data['销售金额'].map(data_deal)#此处data_deal后面不要加括号
#map函数会逐个对'销售金额'列中的每个元素调用 data_deal函数

data.describe()
describe() 是Pandas DataFrame 提供的一个函数，用于生成关于 DataFrame 中数值列的统计摘要信息，调用 describe() 函数会计算出每个数值列的基本统计信息，包括计数、均值、标准差、最小值、25% 分位数、中位数、75% 分位数和最大值。

# 1.销售金额为0的情况，删除
# 2.产生严重的数据左偏情况（电商领域的2/8法则很正常。）无需处理
data = data[data['销售金额']!= 0]

通常情况下我们会使用布尔条件来筛选数据，例如 data[data['column'] > 10] 表示选择DataFrame中'column'列中大于10的行

# 数据规整
data['销售时间'] = pd.to_datetime(data['销售时间'])
#新增'月份'字列
data['月份']=data['销售时间'].apply(lambda x:x.month)

至此，数据预处理完毕
在Pandas中， apply 函数用于对DataFrame或Series中的每个元素应用自定义的函数。在上面的代码中， data['销售时间'].apply(lambda x: x.month) 的作用是对'销售时间'列中的每个日期时间元素应用一个lambda函数，提取出每个日期时间元素对应的月份信息。具体来说， apply 函数会遍历Series中的每个元素，将每个元素作为参数传递给指定的函数（这里是lambda函数），并将函数的返回值存储起来。在这个例子中，lambda函数 lambda x: x.month 接收一个日期时间元素 x ，然后提取出该日期时间元素的月份信息，并将月份信息作为返回值。最终， apply 函数将所有处理后的结果组合成一个新的Series，并将其赋值给新创建的'月份'列。

问题一：

# 1、配送服务是否存在问题

# 月份维度
data['货品交货状况'] = data['货品交货状况'].str.strip()#将本列数据转换成字符串类型，去除空格
data1=data.groupby(['月份','货品交货状况']).size().unstack()#unstack()函数将数据行转列

size()统计按组统计个数

# 按时交货率
data1['按时交货率'] =  data1['按时交货']/(data1['按时交货']+data1['晚交货'])

#从按时交货率来看，第四季度低于第三季度，猜测可能是气候原因造成

# 销售区域维度
data2=data.groupby(['销售区域','货品交货状况']).size().unstack()
data2['按时交货率'] =  data2['按时交货']/(data2['按时交货']+data2['晚交货'])
data2['按时交货率'] =  data2['按时交货']/(data2['按时交货']+data2['晚交货'])
print(data2.sort_values(by='按时交货率',ascending=False))
# 西北存在突出的延时交货问题，急需解决

# 货品维度分析配送服务问题
data3=data.groupby(['货品','货品交货状况']).size().unstack()
data3['按时交货率'] =  data3['按时交货']/(data3['按时交货']+data3['晚交货'])
print(data3.sort_values(by='按时交货率',ascending=False))
# 货品4晚交货情况非常严重，其余相对交货率高

# 货品和销售区域结合
data4=data.groupby(['货品','销售区域','货品交货状况']).size().unstack()
data4['按时交货率'] =  data4['按时交货']/(data4['按时交货']+data4['晚交货'])
print(data4.sort_values(by='按时交货率',ascending=False))

# 销售区域：最差在西北地区，货品有1和4，主要是货品4送过较晚导致
# 货品：最差的货品2，主要送往华东和马来西亚，主要是马来西亚的送货较晚导致

# 2、是否存在尚有潜力的销售区域
# 月份维度
data5=data.groupby(['月份','货品'])['数量'].sum().unstack()
# unstack()行转列方式
# stack()列转行
print(data5)

# 货品2在10月和12月份，销量猛增
# 原因猜测有二：1.公司加大营销力度  2.开发了新的市场(后续有结论)

# 不同的区域
data6 = data.groupby(['销售区域','货品'])['数量'].sum().unstack()
print(data6)

#月份和区域的销售情况
data7 = data.groupby(['月份','销售区域','货品'])['数量'].sum().unstack()
print(data7['货品2'])
# 货品2在10，12月份销量猛增，原因主要发生在原有销售区域（华东）
# 同样，分析出在7，8，9，11月份销售数量还有很大提升空间，可以适当加大营销力度

# 3、商品是否存在质量问题
data['货品用户反馈'] = data['货品用户反馈'].str.strip()
data8 = data.groupby(['货品','销售区域'])['货品用户反馈'].value_counts().unstack()
data8['拒货率'] = data8['拒货']/data8.sum(axis = 1) #按行求和
data8['返修率'] = data8['返修']/data8.sum(axis = 1)
data8['合格率'] = data8['质量合格']/data8.sum(axis = 1)
data8.sort_values(['合格率','返修率','合格率'],ascending=False)
print(data8)

# 货品3.6.5合格率均较高，返修率比较低，说明质量还可以,
# 货品1.2.4合格率较低，返修率较高，质量存在一定的问题，需要改善,
# 货品2在马拉西亚的拒货率最高，同时，在货品2在马拉西亚的按时交货率也非常低。猜测：马来西亚人对送货的时效性要求较高
# 如果达不到，则往往考虑拒货。,
# 考虑到货品2主要在华东地区销售量大，可以考虑增大在华东的投资，适当较小马来西亚的投入。

先放结论：
 1、货品4→西北，货品2→马来西亚两条线路存在较大问题，急需提升时效
 2、货品2在华东地区还有较大市场空间，适合加大投入，同时货品2在西北配送时效长，用户拒收率高，从成本角度考虑，应该减少投入
 3、货品1、2、4质量存在问题，建议扩大抽检范围，增大质检力度
 
 分析过程如下
 一、数据清洗
 ① 重复值、缺失值、格式调整
 ② 异常值处理（比如：销售金额存在等于0的，数量和销售金额的标准差都在均值的8倍以上等）
 二、数据规整
 比如：增加一项辅助列：月份
 三、数据分析并可视化