学习目标 通过实际案例分析掌握Numpy和Pandas的数据分析语句
本文以某医院的销售数据为例按照以下步骤进行分析:
一、提出问题
1.月均消费次数
2.月均消费金额
3.客单价
二、理解数据
导入Excel数据
import
指定一列查看数据类型:
# 查看购药时间一列的数据类型
salesDf['购药时间'].dtype
Excel原文件:
三、数据清洗
数据清洗一般步骤:
(1)选择子集:
本数据不用选择子集
# 若需要选择子集,可使用切片功能选择子集
subsetsalesDf = salesDf.loc[0:4,'购药时间':'销售数量']
(2)列名重命名
# 字典:旧列名和新列名对应关系
colNameDict = {'购药时间':'销售时间'}
salesDf.rename(columns = colNameDict,inplace=True)
salesDf.head()
注:inplace=False,数据框本身不会变,而会创建一个改动后新的数据框,默认的inplace是
False,inplace=True,数据框本身会改动。
(3)缺失数据处理
Python中处理空值的方法比较灵活,可以使用 Dropna函数用来删除数据表中包含空值的数据,也可以使用fillna函数对空值进行填充。
# 删除列(销售时间,社保卡号)中为空的行
# how = 'any' 在给定的任何一列中有缺失值就删除
salesDf = salesDf.dropna(subset=['销售时间','社保卡号'],how='any')
print('删除缺失值后大小',salesDf.shape)
使用fillna函数把空值用0填充
salesDf
(4)数据类型转换
字符串转换为数值(浮点数)
日期处理--字符串转换为日期类型
因为销售时间一列只需要日期就可以,所以提取日期,并将其转换为日期类型
注:定义函数:分割销售日期,获取销售日期
输入:timeColSer 销售时间这一列,是个Series数据类型
输出:分割后的时间,返回也是个Series数据类型
字符串转换日期:
注:format 是原始数据中日期的格式
errors='coerce' 如果原始数据不符合日期的格式,转换后的值为NaN
再删除销售时间和社保卡号两列的空值行
(5)排序
按销售时间进行升序排列
重命名行名(index)
使用reset_index重命名行名,drop=True丢弃原来的索引,重新从0设置新的索引
(6)异常值处理
# 查看每一列的描述统计信息
因为销售数量、应收金额等不可能出现负数,删除异常值
删除异常值:通过条件判断筛选出数据
四、构建模型
业务指标1:月均消费次数 = 总消费次数/月份数
(同一天内,同一个人发生的所有消费算作一次消费)
计算总消费次数:删除重复数据
# Step1:删除重复数据
kpi1_Df = salesDf.drop_duplicates(subset = ['销售时间','社保卡号'])
# 有多少行
totalI = kpi1_Df.shape[0]
print('总消费次数:',totalI)
计算月份数:
# Step1:排序
# 按销售时间升序排序
kpi1_Df = kpi1_Df.sort_values(by='销售时间',ascending=True)
# 重命名行名
kpi1_Df=kpi1_Df.reset_index(drop=True)
# Step2:获取时间范围
# 获取最小时间值
startTime = kpi1_Df.loc[0,'销售时间']
# 获取最大时间值
endTime = kpi1_Df.loc[totalI - 1,'销售时间']
# Step3:计算月份数
# 天数
daysI = (endTime-startTime).days
# 月份数:运算符 “//” 表示取整除
# 返回商的整数部分,例如9//2 输出结果是 4
monthsI = daysI // 30
print('月份数',monthsI)
月均消费次数:
业务指标2:月均消费金额 = 总消费金额 / 月份数
# 总消费金额
totalMoney = salesDf.loc[:,'实收金额'].sum()
# 月均消费金额
monthMoney = totalMoney / monthsI
print('业务指标2:月均消费金额',monthMoney)
业务指标3:客单价 = 总消费金额 / 总消费次数
pct = totalMoney / totalI
print('客单价:',pct)