Python数据分析实战：零基础玩转Pandas数据可视化

本文链接：https://blog.csdn.net/m0_75067629/article/details/145301449

包含编程资料、学习路线图、源代码、软件安装包等！【[点击这里]】！

在这个数据驱动的时代，掌握数据可视化技能已经成为一项必备技能。

不知道你是否曾经遇到过这样的困扰：手上有一堆Excel数据，却不知道如何让它们"说话"？或者被领导要求做数据分析报告，却只会制作最基础的图表？今天，我就要带大家一起学习如何使用Python中的Pandas库，轻松实现数据可视化，让枯燥的数据变得生动有趣。

准备工作

在开始之前，我们需要安装以下Python库：

pip install pandas numpy matplotlib seaborn

导入必要的库：

import pandas as pd   
import numpy as np   
import matplotlib.pyplot as plt   
import seaborn as sns   
# 设置中文字体显示   
plt.rcParams['font.sans-serif'] = ['SimHei']   
plt.rcParams['axes.unicode_minus'] = False

案例一：网店销售分析

场景描述

小王经营着一家网店，想要分析店铺近期的销售情况，找出销售旺季和淡季。

# 生成180天的销售数据   
dates = pd.date_range('2023-07-01', '2023-12-31')   
daily_sales = np.random.normal(5000, 1000, len(dates))   
seasonal_effect = np.sin(np.linspace(0, 2*np.pi, len(dates))) * 1000      
df_sales = pd.DataFrame({'日期': dates,'销售额': daily_sales + seasonal_effect})      
# 按周统计平均销售额   
weekly_sales = df_sales.set_index('日期').resample('W')['销售额'].mean()      
plt.figure(figsize=(12, 6))   
weekly_sales.plot(kind='line', marker='o', linewidth=2)   
plt.title('网店周度销售趋势图')   
plt.xlabel('日期')   
plt.ylabel('平均日销售额（元）')   
plt.grid(True, linestyle='--', alpha=0.7)   
plt.show()

小贴士：使用resample()函数可以轻松实现数据重采样，比如将日数据转换为周数据或月数据，使趋势更清晰。

案例二：顾客画像分析

场景描述

分析不同年龄段顾客的消费习惯，帮助制定精准营销策略。

# 生成顾客年龄和消费数据   
age_groups = ['18-25岁', '26-35岁', '36-45岁', '46-55岁', '56岁以上']   
customer_data = pd.DataFrame({'年龄段': 
np.repeat(age_groups, 100),'消费金额': 
np.random.normal(1000, 200, 100),  
# 18-25岁
np.random.normal(2000, 400, 100),  # 26-35岁           
np.random.normal(2500, 500, 100),  # 36-45岁           
np.random.normal(2200, 450, 100),  # 46-55岁           
np.random.normal(1500, 300, 100)   # 56岁以上]})      
plt.figure(figsize=(10, 6))   
sns.boxplot(x='年龄段', y='消费金额', data=customer_data)   
plt.title('不同年龄段顾客消费分布')   
plt.xticks(rotation=45)   
plt.show()

小贴士：箱型图能直观显示数据的分布情况，包括中位数、四分位数和异常值，特别适合比较不同组别的数据分布特征。

案例三：商品退货分析

场景描述

分析各类商品的退货率，找出问题商品并优化库存

# 创建商品退货数据   
categories = ['服装', '电子产品', '食品', '美妆', '家居']   
orders = pd.Series([1200, 800, 1500, 1000, 900])   
returns = pd.Series([120, 40, 45, 80, 27])      
return_data = pd.DataFrame({'商品类别': categories,'订单量': orders,'退货量': returns})   
return_data['退货率'] = (return_data['退货量'] / return_data['订单量'] * 100).round(1)      
# 创建组合图表   
fig, ax1 = plt.subplots(figsize=(10, 6))      
# 绘制订单量柱状图   
ax1.bar(categories, return_data['订单量'], color='skyblue', alpha=0.5)   
ax1.set_ylabel('订单量', color='skyblue')     
# 绘制退货率折线图   
ax2 = ax1.twinx()   
ax2.plot(categories, return_data['退货率'], color='red', marker='o', linewidth=2)   
ax2.set_ylabel('退货率(%)', color='red')      
plt.title('各品类订单量与退货率分析')   
plt.show()

小贴士：使用twinx()可以创建双坐标轴图表，同时展示不同量级的数据，使图表更加信息丰富。

案例四：促销效果分析

场景描述

分析不同促销方式对销售的影响，优化促销策略。

# 创建促销数据   
promotion_data = 
pd.DataFrame
({'促销类型': ['满减', '折扣', '优惠券', '限时秒杀', '赠品'], '参与人数': [5000, 4500, 3800, 6000, 2500],       
转化率': [0.25, 0.2, 0.15, 0.3, 0.1],       
'平均客单价': [200, 180, 150, 250, 120]})      
# 计算气泡大小   
promotion_data['销售额'] = (promotion_data['参与人数'] *                               
promotion_data['转化率'] *                               
promotion_data['平均客单价'])      
plt.figure(figsize=(10, 6))   
plt.scatter(promotion_data['转化率'],               
promotion_data['平均客单价'],              
s=promotion_data['参与人数']/30,              
alpha=0.6)      
# 添加标签   
for i, txt in enumerate(promotion_data['促销类型']):       
plt.annotate(txt,                    
(promotion_data['转化率'][i],                     
promotion_data['平均客单价'][i]))      
plt.title('促销方式效果分析')   
plt.xlabel('转化率')   
plt.ylabel('平均客单价（元）')   
plt.grid(True, linestyle='--', alpha=0.3)   
plt.show()

小贴士：气泡图可以同时展示三个维度的数据，气泡大小可以表示数据的第三个维度，使用`annotate()`函数可以为气泡添加标签。

动手练习

下面是一些练习题，帮助你巩固所学内容：

基础练习：分析某产品一年的月度销量数据，创建柱状图并添加同比增长率折线图。
进阶练习：分析不同时段（早、中、晚）的销售分布，创建堆叠柱状图展示各品类在不同时段的销售占比。
挑战练习：创建一个交互式的销售分析面板，包含：

销售趋势图
品类占比饼图
地区分布热力图

示例代码框架：

# 创建示例数据   
time_periods = ['早上', '中午', '晚上']   
categories = ['食品', '饮料', '零食']   
sales_data = np.random.randint(100, 1000, size=(3, 3))      
# 创建DataFrame   
df = pd.DataFrame(sales_data,                     
index=time_periods,                    
columns=categories)     
 # 在这里添加你的可视化代码