python与tableau结合_Python与Tableau相结合，万字长文搞定传统线下连锁店数据分析...

1 分析背景：

这是kaggle上的一份巴西传统线下汽车服务类连锁店的实际销售数据，大小约3.43G，包含了从2017年3月31日到2020年4月1日大约2600万多的销售数据。

分析该数据集可以探究该连锁店的销售情况，产品的分布，可以对客户进行细分，精细化销售，对员工的生产力进行分析。

这里是利用Python结合Tableau来进行分析，可视化用的Tableau，部分分析用的Python。

数据解读：

2 分析框架

3 数据清洗 3.1 读取数据，看看总体情况

这里的数据集比较大，Anaconda加载的数据都暂时存在内存里，笔者刚开始用的8G内存，一下子就满了，这里建议8-12G的内存左右，或者关闭一些暂时不用先的软件。

# 导入相关包

import numpy as np

import pandas as pd

# 读取数据，设置分割符号

file_path = r'F:\ales Report.csv\Sales Report.csv'

df = pd.read_csv(file_path, iterator=True, sep=';')

data = df.get_chunk(30000000)

data.info()

输出：

这里的销售时间是object类型，要转换成datetime类型，先记录下。

# 查看NULL的数据：

data.isnull().sum()

输出：

这里的数据比较干净，都没有NULL值这些。

查看数据的标准差，最大，最下值这些：

data.describe()

输出：

这里的数据量比较多，数据相对比较大，这里很明显可以看出的Product Cost这里有个负数，查看这些数据：

data[data['Product Cost'] <= 0]

输出：

len(data[data['Product Cost'] < 0])

输出：

这里按照字面的意思理解是每销售出一个该产品的成本，这里为负数，暂且这里当异常数据去处理，这里的数据量也不多，只有20条，直接删除处理。实际，得和业务进行沟通，查看该指标的具体意思，和该负数情况的发生是出于什么情况来进行分析。

删除这些数据：

data.drop(index=data[data['Product Cost'] < 0].index, inplace=True)3.2 删除重复的数据# 数据清洗，这里有489567条数据是重复的，删除这些数据

data[data.duplicated()]

输出：

# 删除重复的数据

# 这里的重复的数据是完全重复的，所有的值都是相同的，

# 这里只能判断为异常数据，直接删除掉

data.drop(index=data[data.duplicated()].index, inplace=True)3.3 日期转换格式data['Sale Date Time'] = pd.to_datetime(data['Sale Date Time'])

data.info()

输出：

至此，数据清洗完毕，可以进行分析。

4 分析 4.1 总体情况

4.2 时间角度 4.2.1 年销售额情况

2017年只有前9个月的销售额，2020年只有前4个月的销售额。

2019年总销售额达到718306933，环比2018年的680191151，增长5.6%。

4.2.2 季度的销售额情况

2017第二季度开始到2018年底订单量成直线式上涨，2019年较平稳。

2017年该连锁店出于疯狂生长期，订单量、销售额均呈现直线上升趋势。

2019年第四季度订单量：208548，销售额达到206513981，订单量、销售金额均达到历史峰值。

4.2.3 月的销售情况

2017年各月份的销售金额，呈上涨趋势，其中17年下半年上涨趋势较明显，18、19年呈现较稳定的状态；结合各月份，连锁店的数量。

可以得出结论：2017年下半年连锁店数量的增加带动销售金额明显的上涨。

结合2018、2019年对比，该连锁店的销售额不受季节的影响，12月为了冲业绩，销售额会上涨一些。

4.2.4 周的销售情况

周的销售金额总体上先呈现上升，然后趋向于较稳定的状态。

周的订单量处于动态的平衡当中，可以看出随着时间的增长，每张订单的购买金额逐渐增加。

4.2.5 日的销售情况

总体来说，这里只有2018年6月1日左右时间段的销售金额有异常，这段时间既有极大值，也有极小值。具体原因可以深入查明一下。

这里的日销售额呈现周期性规律，也就是有6天销售额处于较高的，有一天的销售额是处于最低的，结合工作日权重，可以看出，巴西人民再周日的购买欲望较低，或者该商圈处于写字楼附近。