2018年销售汇总表-pandas数据分析

最新推荐文章于 2024-08-07 14:06:49 发布
最新推荐文章于 2024-08-07 14:06:49 发布
阅读量1.3k 收藏 4
点赞数
原文链接：https://www.itcodemonkey.com/article/15554.html
版权 
import numpy as np
import pandas as pd
from sparklines import sparklines
df = pd.read_csv('2018年销售汇总表.csv',parse_dates = ['日期'],encoding="gbk")
df.head()# 查看前五条数据
t姓名单品数量单价金额日期
0740150Barton LLCB1-200003986.693380.912018-01-01 07:21:00
1714466Trantow-BarrowsS2-77896-163.16-63.162018-01-01 10:00:00
2218895Kulas IncB1-699242390.702086.102018-01-01 13:24:00
3307599Kassulke, Ondricka and MetzS1-654814121.05863.052018-01-01 15:05:00
4412290Jerde-HilpertS2-34077683.21499.262018-01-01 23:26:00
df.info()#显示数据基础信息

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1500 entries, 0 to 1499
Data columns (total 7 columns):
t     1500 non-null int64
姓名    1500 non-null object
单品    1500 non-null object
数量    1500 non-null int64
单价    1500 non-null float64
金额    1500 non-null float64
日期    1500 non-null datetime64[ns]
dtypes: datetime64[ns](1), float64(2), int64(2), object(2)
memory usage: 82.2+ KB

# 讲解：按《姓名》分组，聚合《金额》的均值和总和
# 用法：按客人姓名查看消费金额的平均值与总金额
df.groupby("姓名")["金额"].agg(["mean","sum"])
meansum
姓名
Barton LLC1334.615854109438.50
Cronin, Oberbrunner and Spencer1339.32164289734.55
Frami, Hills and Schmidt1438.466528103569.59
Fritsch, Russel and Anderson1385.366790112214.71
Halvorson, Crona and Champlin1206.97172470004.36
Herman LLC1336.53225882865.00
Jerde-Hilpert1265.072247112591.43
Kassulke, Ondricka and Metz1350.79796986451.07
Keeling LLC1363.977027100934.30
Kiehn-Spinka1260.87050699608.77
Koepp Ltd1264.152927103660.54
Kuhn-Gusikowski1247.86684991094.28
Kulas Inc1461.191064137351.96
Pollich LLC1196.53671287347.18
Purdy-Kunde1469.77754777898.21
Sanford and Sons1391.87295898822.98
Stokes LLC1271.33222291535.92
Trantow-Barrows1312.567872123381.38
White-Trantow1579.558023135841.99
Will LLC1411.318919104437.60
# 讲解：在上一条命令中，并设置平均值与总金额的显示风格
# 用法：格式化数值，在前面添加美元符号，包括2位小数点
(
    df.groupby("姓名")["金额"]
    .agg(["mean","sum"])
    .style.format("${0:,.2f}")
)
meansum
姓名
Barton LLC$1,334.62$109,438.50
Cronin, Oberbrunner and Spencer$1,339.32$89,734.55
Frami, Hills and Schmidt$1,438.47$103,569.59
Fritsch, Russel and Anderson$1,385.37$112,214.71
Halvorson, Crona and Champlin$1,206.97$70,004.36
Herman LLC$1,336.53$82,865.00
Jerde-Hilpert$1,265.07$112,591.43
Kassulke, Ondricka and Metz$1,350.80$86,451.07
Keeling LLC$1,363.98$100,934.30
Kiehn-Spinka$1,260.87$99,608.77
Koepp Ltd$1,264.15$103,660.54
Kuhn-Gusikowski$1,247.87$91,094.28
Kulas Inc$1,461.19$137,351.96
Pollich LLC$1,196.54$87,347.18
Purdy-Kunde$1,469.78$77,898.21
Sanford and Sons$1,391.87$98,822.98
Stokes LLC$1,271.33$91,535.92
Trantow-Barrows$1,312.57$123,381.38
White-Trantow$1,579.56$135,841.99
Will LLC$1,411.32$104,437.60
# 平均值与总金额显示为不带小数点
(
    df.groupby("姓名")["金额"]
    .agg(["mean","sum"])
    .style.format("${0:,.0f}")
)
meansum
姓名
Barton LLC$1,335$109,438
Cronin, Oberbrunner and Spencer$1,339$89,735
Frami, Hills and Schmidt$1,438$103,570
Fritsch, Russel and Anderson$1,385$112,215
Halvorson, Crona and Champlin$1,207$70,004
Herman LLC$1,337$82,865
Jerde-Hilpert$1,265$112,591
Kassulke, Ondricka and Metz$1,351$86,451
Keeling LLC$1,364$100,934
Kiehn-Spinka$1,261$99,609
Koepp Ltd$1,264$103,661
Kuhn-Gusikowski$1,248$91,094
Kulas Inc$1,461$137,352
Pollich LLC$1,197$87,347
Purdy-Kunde$1,470$77,898
Sanford and Sons$1,392$98,823
Stokes LLC$1,271$91,536
Trantow-Barrows$1,313$123,381
White-Trantow$1,580$135,842
Will LLC$1,411$104,438
# 按月分析销售金额，并显示每月销售额占年度销售总额比例
by=[pd.Grouper(key='日期', freq='M')]#自定义字段的格式
monthly_sales=df.groupby(by)["金额"].agg(["sum"]).reset_index()
monthly_sales["月占比"]=monthly_sales["sum"]/df["金额"].sum()

format_dict = {'sum': '${0:,.0f}', '日期': '{:%Y-%m-%d}', '月占比': '{:.4%}'}
# 1.使用普通格式字典控制每列的格式
(
    monthly_sales
    .style
    .format(format_dict)
    .hide_index()
)
日期sum月占比
2018-01-31$185,3629.1818%
2018-02-28$146,2127.2426%
2018-03-31$203,92110.1012%
2018-04-30$174,5748.6475%
2018-05-31$165,4198.1940%
2018-06-30$174,0898.6235%
2018-07-31$191,6629.4939%
2018-08-31$153,7797.6174%
2018-09-30$168,4438.3438%
2018-10-31$171,4958.4950%
2018-11-30$119,9615.9423%
2018-12-31$163,8678.1171%
# 按月分析销售金额，并显示每月销售额占年度销售总额比例
by=[pd.Grouper(key='日期', freq='M')]#自定义字段的格式
monthly_sales=df.groupby(by)["金额"].agg(["sum"]).reset_index()
monthly_sales["月占比"]=monthly_sales["sum"]/df["金额"].sum()

# 2.使用条件格式字典控制每列的格式
format_dict = {'sum': '${0:,.0f}', '日期': '{:%Y-%m-%d}', '月占比': '{:.4%}'}
(
    monthly_sales
    .style
    .format(format_dict)
    .hide_index()
    .highlight_max(color="lightgreen")
    .highlight_min(color="red")
)
日期sum月占比
2018-01-31$185,3629.1818%
2018-02-28$146,2127.2426%
2018-03-31$203,92110.1012%
2018-04-30$174,5748.6475%
2018-05-31$165,4198.1940%
2018-06-30$174,0898.6235%
2018-07-31$191,6629.4939%
2018-08-31$153,7797.6174%
2018-09-30$168,4438.3438%
2018-10-31$171,4958.4950%
2018-11-30$119,9615.9423%
2018-12-31$163,8678.1171%
# 按月分析销售金额，并显示每月销售额占年度销售总额比例
by=[pd.Grouper(key='日期', freq='M')]#自定义字段的格式
monthly_sales=df.groupby(by)["金额"].agg(["sum"]).reset_index()
monthly_sales["月占比"]=monthly_sales["sum"]/df["金额"].sum()

# 3.使用渐变色格式字典控制每列的格式
format_dict = {'sum': '${0:,.0f}', '日期': '{:%Y-%m-%d}', '月占比': '{:.4%}'}
(
    monthly_sales
    .style
    .format(format_dict)
    .background_gradient(subset=["sum"],cmap="PRGn")
)
日期sum月占比
02018-01-31$185,3629.1818%
12018-02-28$146,2127.2426%
22018-03-31$203,92110.1012%
32018-04-30$174,5748.6475%
42018-05-31$165,4198.1940%
52018-06-30$174,0898.6235%
62018-07-31$191,6629.4939%
72018-08-31$153,7797.6174%
82018-09-30$168,4438.3438%
92018-10-31$171,4958.4950%
102018-11-30$119,9615.9423%
112018-12-31$163,8678.1171%
# 按月分析销售金额，并显示每月销售额占年度销售总额比例
by=[pd.Grouper(key='日期', freq='M')]#自定义字段的格式
monthly_sales=df.groupby(by)["金额"].agg(["sum"]).reset_index()
monthly_sales["月占比"]=monthly_sales["sum"]/df["金额"].sum()

# 4.使用单元格柱形格式字典控制每列的格式
format_dict = {'sum': '${0:,.0f}', '日期': '{:%Y-%m-%d}', '月占比': '{:.4%}'}
(
    monthly_sales
    .style
    .format(format_dict)
    .hide_index()
    .bar(color="#FFA07A",vmin=100_000,subset=["sum"],align="zero")
    .bar(color='lightblue', vmin=0, subset=['月占比'], align='zero')
    .set_caption("2018年销售一览表")
)
2018年销售一览表
日期sum月占比
2018-01-31$185,3629.1818%
2018-02-28$146,2127.2426%
2018-03-31$203,92110.1012%
2018-04-30$174,5748.6475%
2018-05-31$165,4198.1940%
2018-06-30$174,0898.6235%
2018-07-31$191,6629.4939%
2018-08-31$153,7797.6174%
2018-09-30$168,4438.3438%
2018-10-31$171,4958.4950%
2018-11-30$119,9615.9423%
2018-12-31$163,8678.1171%
def sparkline_str(x):
    bins=np.histogram(x)[0]#直方图
    s1="".join(sparklines(bins))
    return s1
sparkline_str.__name__ = "走势图"
df.groupby("姓名")["数量","金额"].agg(["mean",sparkline_str])
数量金额
mean走势图mean走势图
姓名
Barton LLC24.890244▄▄▃▂▃▆▄█▁▄1334.615854█▄▃▆▄▄▁▁▁▁
Cronin, Oberbrunner and Spencer24.970149█▄▁▄▄▇▅▁▄▄1339.321642█▅▅▃▃▃▂▂▁▁
Frami, Hills and Schmidt26.430556▄▄▁▂▇█▂▂▅▅1438.466528█▅▄▇▅▃▄▁▁▁
Fritsch, Russel and Anderson26.074074▁▄▇▃▂▂█▃▄▄1385.366790▇█▃▄▂▂▁▂▁▁
Halvorson, Crona and Champlin22.137931▇▆▆▇█▁▄▂▄▃1206.971724██▆▅▁▃▂▂▂▂
Herman LLC24.806452▄▃▅▁▆▄▂▆▃█1336.532258█▅▇▄▅▄▁▃▂▂
Jerde-Hilpert22.460674▄▄█▁▂▅▃▂▄▃1265.072247█▄▅▂▁▂▃▂▂▁
Kassulke, Ondricka and Metz25.734375▂▂▁▁▂▂▁▅▄█1350.797969█▆▆▄▄▃▂▁▁▂
Keeling LLC24.405405▁▄▇▃▅█▃▄▃▆1363.977027▅█▆▃▄▂▂▁▁▁
Kiehn-Spinka22.227848▃▂█▂▃▅▄▁▄▁1260.870506█▇▄▃▃▂▁▂▁▁
Koepp Ltd21.829268▅▇█▆▄▇▅▁▅▇1264.152927█▇▅▂▄▂▂▂▁▁
Kuhn-Gusikowski22.808219▂▄█▄▃▁█▄▂▄1247.866849▆█▄▃▃▃▃▁▁▁
Kulas Inc24.095745▇▃▇▂▇▁▅▆█▆1461.191064█▅█▂▄▄▄▂▁▁
Pollich LLC23.383562█▂▅▂▃▆▁▂▄▇1196.536712█▆▆▃▃▃▂▂▁▁
Purdy-Kunde27.358491▄▅█▁▄▇▅█▇█1469.777547█▅▄▃▄▃▃▂▁▂
Sanford and Sons24.000000▂▂▂▆▁█▂▂▁▅1391.872958▅▇█▃▃▄▁▃▁▂
Stokes LLC24.527778▄▄▄▁▃▂▄█▄▄1271.332222█▇▆▆▄▂▂▃▁▂
Trantow-Barrows24.159574▅▄▅▂▃▃▄▄▁█1312.567872█▇▅▆▃▂▂▁▁▁
White-Trantow26.255814▃▂▆▆▃██▁██1579.558023▄█▆▅▄▃▄▂▁▃
Will LLC24.702703▂█▁▄▄▄▂▅▅▄1411.318919▆█▄▅▄▂▁▂▁▂
迷心兔
关注
专栏目录
pandas基本数据统计分析
MachineLearner的博客
03-03 1834
本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。 pandas提供了一些数据统计分析的函数，这些函数使用于Series和DataFrame类型。 函数名 函数定义 .sum() 计算数据的总和，按照0轴计算，下同 .count() 非NaN的数量 .mean() .median() 计算数据的算术平均值，算数中位数 ...
python 销售数据分析输出表格_Python处理Excel数据实例--销售数据分析
weixin_31993501的博客
01-28 1305
数据分析笼统来说，大概分为五个步骤：提出问题、理解数据、数据清洗、构建模型、数据可视化。在数据分析中，很基础又关键的一步就是数据清洗，对原始数据的处理会花掉整个分析过程的很大一部分时间，这是因为如果前期数据没有处理好，会影响后续的分析以及建模。那么当我们拿到一份数据，该如何对数据进行处理和分析呢？下面以药店销售数据为例，进行如下分析：导入pandas、numpy包及excel原始数据：import...
Pandas-SalesData-Tasks：将销售数据与Pandas一起使用的数据分析任务
02-14
熊猫销售数据任务 使用Python Pandas库完成的一组现实世界数据科学任务。 设置 安装Jupyter Notebook： ://jupyter.readthedocs.io/en/latest/install.html 安装熊猫库： : 信息： 我们使用Python Pandas和Python Matplotlib分析和回答有关12个月销售数据的业务问题。 该数据包含按月，产品类型，成本，购买地址等细分的数十万个电子商店购买。 我们首先清理数据。 本节中的任务包括： 从DataFrame删除NaN值 根据条件删除行 更改列的类型（to_numeric，to_datetime，astype） 稍微整理一下数据后，我们将移动数据浏览部分。 在本节中，我们探讨与数据相关的5个高级业务问题： 最佳销售月份是哪一天？ 该月赚了多少钱？ 哪个城市的产品销量最高？ 我们应该在
基于pandas对药品销售情况进行简单统计分析
qq_45458304的博客
06-27 1045
一、实验步骤 1)导入需要用到的库 importpandasaspd importmatplotlib.pyplotasplt 2）从电脑读取文件 dataDF=pd.ExcelFile("C:\\Users\\dell、\\Desktop\\药品销售情况.xlsx") dataDF=dataDF.parse("Sheet1") 3)”购药时间“改为”销售时间“ changeName={"购药时间":"销售时间"} dataDF.rename(columns=changeName,inplace
《Python数据分析实战：从零开始构建销售预测模型》
最新发布
Envyᥫᩣ的博客
08-07 550
希望这篇博文能够为你提供一个实用的Python数据分析指南。如果你有任何问题或建议，请随时留言！
6. 每个商品销售首年的年份、销售数量和销售金额
doing a 责任心 dataer
06-30 367
从订单明细表(order_detail)统计每个商品销售首年的年份，销售数量和销售总额。订单明细表：order_detail。
Hive SQL 每日场景题
weixin_43859562的博客
01-05 1115
HIve sql每日场景题训练
Pandas数据分析库
Java/Python大数据成长之路
08-06 2121
Pandas是一个用于数据分析和处理的强大库，它基于NumPy构建，并提供了更高级的数据结构和分析工具。数据透视表（Pivot Table）是数据分析中常见的工具之一，根据一个或多个键值对数据进行聚合，根据列或行的分组键将数据划分到各个区域。在Pandas中，除了使用groupby对数据分组聚合实现透视功能外，还可以使用pivot_table函数实现。Pandas提供了多种方法来加载和处理数据，以便进行后续的分析和处理。使用DataFrame对象的plot()方法可以方便的进行图表可视化。
[工作必备]pandas数据分析处理52个常用技巧
python技巧分享
04-22 4386
pandas工具包类似于python中的excel, 在excel中的筛选、排序、计算、透视、vlookup、分类汇总等操作用python如何实现呢? 本文精心整理的pandas数据处理与分析的51个技巧, 100多个知识点 这么多技巧除了收藏, 如何掌握呢, 请看文末! 技巧1: 导入工具包 # pandas 和numpy是两个基础的工具包 import numpy as np import pandas as pd # matplotlib seaborn是作图工具包 import matplo.
pandas数据分析库
喻白苏
06-18 463
Python-pandas.md Pandas Pandas基本介绍 Python在数据处理和准备⽅⾯⼀直做得很好，但在数据分析和建模⽅⾯就差⼀些。pandas帮助填补了这⼀空⽩，使您能够在Python中执⾏整个数据分析⼯作流程，⽽不必切换到更特定于领域的语⾔，如R。 pandas是 Python 的核⼼数据分析⽀持库，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。pandas是Python进⾏数据分析的必备⾼级⼯具。 pandas的主要数据结构是 Series(⼀维数据)与 D
数据分析Pandas
weixin_45814742的博客
03-04 3041
文章目录前言一、pandas是什么？二、Panda的安装和引入1.安装2引入pandas三、Series(Pandas的基本对象)1.Series的创建1.使用默认索引的示例：2.带索引参数的示例：2.常用的属性与方法A.获取数据，索引的值，以及每对索引和值键值对。B.根据索引获取单个数据，多个连续，不连续的数据3.遍历Series四、DataFrame(相当于多个Series)1.DataFrame的创建1.默认索引示例：2.带索引参数示例：3.使用字典创建示例(==最好用==)：2.DataFrame.
PythonPandas_SalesAnalysis:使用Python Pandas进行销售分析
03-14
PythonPandas_SalesAnalysis 使用Python Pandas进行销售分析
2020年728信息管理学基础——SQL语句题
weixin_46376703的博客
03-02 539
2020年华中师范大学信息管理学院728考研专业课SQL题目详解
8.实现各售货机销售金额统计
akina1的博客
12-02 1180
实现各售货机销售金额统计
kettle案例-计算各商品销售金额
wt_125的博客
11-23 942
数据清洗
数据分析实战 - 超市销售数据分析，csv输入输出（附带样本集）
热门推荐
爱意随风起，风止意难平
04-29 2万+
使用python读取表格数据，处理数据，分析数据，可视化展示
saless.csv数据的导入，清洗，分析，导出，可视化（利用hive，sqoop，mysql工具）
人工智能方向，计算机视觉
07-14 2011
saless.csv数据的导入，清洗，分析，导出，可视化（利用hive，sqoop，mysql工具）
python-pandas数据分析+案例分析
weixin_57194935的博客
03-29 1575
plt.rcParams['font.sans-serif']=['SimHei']#解决中文乱码plt.rcParams['axes.unicode_minus'] = False #解决负号乱码parse_dates=['时间'],#提取年sale_data['年份']=sale_data['时间'].dt.year#计算各年总销量sale_year=sale_data.groupby('年份')[['销量']].sum()销量年份#计算环比数。
第6关：手机销售统计
m0_67749751的博客
06-02 1727
1.输入'1'时，以列表形式在两行中分别输出2019年和2018年上榜品牌。3.输入'3'时，以列表形式输出2019年和2018年上榜的所有品牌。2.输入'2'时，以列表形式输出2019年和2018年都上榜的品牌。5.输入'5'时，以列表形式输出2019年新上榜和落榜品牌。4.输入'4'时，以列表形式输出2019年新上榜品牌。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值