用 Python 分析某医院药品销售案例！

最新推荐文章于 2024-01-17 13:49:08 发布
最新推荐文章于 2024-01-17 13:49:08 发布
阅读量734 收藏
点赞数
原文链接：https://mp.toutiao.com/profile_v3/graphic/preview?pgc_id=6811373480194343436
版权

数据分析的基本过程一般分为以下几个部分：提出问题、理解数据、数据清洗、构建模型、数据可视化

本项目带你根据以上过程详细分析朝阳医院药品销售数据！

1.提出问题

 

在数据分析之前，我们先要明确分析目标是什么，这样可以避免我们像无头苍蝇一样拿着数据无从下手，也可以帮助我们更高效的选取数据，进行分析研究。

本次的分析目标是从销售数据中分析出以下业务指标：

1）月均消费次数

2）月均消费金额

3）客单价

4）消费趋势

有了分析目标，我们再来关注一下数据情况。

 

2.理解数据

1）导入数据包，提取数据文件

In [1]:

#导入numpy、pandas包import numpy as npimport pandas as pd#导入数据salesDf = pd.read_excel('/home/kesci/input/medical9242/朝阳医院2018年销售数据.xlsx')

 

2）查看导入数据的基本状况

In [2]:

#查看导入数据的类型type(salesDf)

Out[2]:

pandas.core.frame.DataFrame

In [3]:

salesDf.dtypes

Out[3]:

购药时间     object
社保卡号    float64
商品编码    float64
商品名称     object
销售数量    float64
应收金额    float64
实收金额    float64
dtype: object

In [4]:

salesDf.shape

Out[4]:

(6578, 7)

In [5]:

#查看列名salesDf.columns

Out[5]:

Index(['购药时间', '社保卡号', '商品编码', '商品名称', '销售数量', '应收金额', '实收金额'], dtype='object')

In [6]:

#查看每列数据的统计数目salesDf.count()

Out[6]:

购药时间    6576
社保卡号    6576
商品编码    6577
商品名称    6577
销售数量    6577
应收金额    6577
实收金额    6577
dtype: int64

In [7]:

#查看前五列salesDf.head()

Out[7]:

 

购药时间社保卡号商品编码商品名称销售数量应收金额实收金额02018-01-01 星期五1.616528e+06236701.0强力VC银翘片6.082.869.0012018-01-02 星期六1.616528e+06236701.0清热解毒口服液1.028.024.6422018-01-06 星期三1.260283e+07236701.0感康2.016.815.0032018-01-11 星期一1.007034e+10236701.0三九感冒灵1.028.028.0042018-01-15 星期五1.015543e+08236701.0三九感冒灵8.0224.0208.00

 

3.数据清洗

取得了数据，并不能马上就开始进行数据分析。我们得到的数据通常并不是完全符合我们分析要求的，而且可能存在缺失值、异常值，这些数据都会使我们的分析结果产生偏差。所以在分析之前，需要进行子集选择、缺失数据补充、异常值处理、数据类型转换等多个步骤。这些都属于数据清理的范畴。在数据分析中，通常有多达60%的时间是花在数据清洗中的。通常的清洗步骤有以下几步：• 选择子集

• 列名重命名

• 缺失数据处理

• 数据类型转换

• 数据排序

• 异常值处理

这些步骤有些不是一步就能完成的，可能需要重复操作。

现在开始对药店销售数据进行数据清洗。

1）选择子集

药店销售数据中，项目较少，选择子集可以忽略，我们从列名重命名开始。

2）列名重命名

销售数据集，购药时间显示为销售时间更为合理，我们先把这个项目名称做一下变更。

In [8]:

#购药时间->销售时间nameChangeDict = {'购药时间':'销售时间'}#参数inplace=True表示覆盖元数据集salesDf.rename(columns = nameChangeDict,inplace=True)

 

3）缺失数据处理

对于缺失数据，我们可以有几种处理方法：

▪ 删除

当缺失数据占总数据量的比例很小的时候，我们通常采用删除的处理方法。

▪ 合理值填充

在某些不适合删除的场合，我们有时候也会对缺失数据进行合理值填充，如平均值，中位数，相邻数据等等。

In [9]:

#首先查看一下哪些项目存在缺失值salesDf.isnull().any()

Out[9]:

销售时间    True
社保卡号    True
商品编码    True
商品名称    True
销售数量    True
应收金额    True
实收金额    True
dtype: bool

 

好吧，每个项目都存在缺失值。在这个销售数据中，销售时间和社保卡号是必须项目，不可或缺。所以我们在这里只把销售时间和社保卡号有缺失的数据做删除处理。我们来查看一下销售时间和社保卡缺失的数据大小，然后做删除处理。

In [10]:

#查看一下缺失值的数量#通常可以用isnull函数来查找缺失值salesDf[salesDf[['销售时间','社保卡号']].isnull().values == True]

Out[10]:

 

销售时间社保卡号商品编码商品名称销售数量应收金额实收金额6570NaN11778628.02367011.0高特灵10.056.056.0065712018-04-25 星期二NaN2367011.0高特灵2.011.29.866574NaNNaNNaNNaNNaNNaNNaN6574NaNNaNNaNNaNNaNNaNNaN

In [11]:

#序号6574因为销售时间和社保卡号都缺失，所以会出现两次。所以我们要去掉一下重复数据。naDf = salesDf[salesDf[['销售时间','社保卡号']].isnull().values == True].drop_duplicates()naDf

Out[11]:

 

销售时间社保卡号商品编码商品名称销售数量应收金额实收金额6570NaN11778628.02367011.0高特灵10.056.056.0065712018-04-25 星期二NaN2367011.0高特灵2.011.29.866574NaNNaNNaNNaNNaNNaNNaN

 

从上面可以清楚看出销售时间和社保卡号缺失的数据一共有三条，当数据量大的时候我们可以只显示条数，不显示数据内容

In [12]:

#缺失数据行数naDf.shape[0]

Out[12]:

3

 

现在把这些缺失数据进行删除

In [13]:

#含有销售时间和社保卡号的缺失数据删除salesDf = salesDf.dropna(subset=['销售时间','社保卡号'],how = 'any')#删除后数据集规模显示salesDf.shape

Out[13]:

(6575, 7)

 

在数据删除后要及时更新一下最新的序号，不然可能会产生问题。

In [14]:

#重命名行名（index）：排序后的列索引值是之前的行号，需要修改成从0到N按顺序的索引值salesDf=salesDf.reset_index(drop=True)

 

4）数据类型转换

▪ 数量、金额项目:从字符串类型转换为数值（浮点型）类型

In [15]:

salesDf['销售数量'] = salesDf['销售数量'].astype('float')salesDf['应收金额'] = salesDf['应收金额'].astype('float')salesDf['实收金额'] = salesDf['实收金额'].astype('float')print('转换后的数据类型：\n',salesDf.dtypes)

 

转换后的数据类型：
 销售时间     object
社保卡号    float64
商品编码    float64
商品名称     object
销售数量    float64
应收金额    float64
实收金额    float64
dtype: object

 

▪ 日期项目:从字符串类型转换为日期类型 销售日期中包含了日期和星期，我们只要保留日期内容即可。这里用一个自定义的函数dateChange来实现这个功能。

In [16]:

#日期转换def dateChange(dateSer):
    dateList = []
    for i in dateSer:
        #例如2018-01-01 星期五，分割后为：2018-01-01
        str = i.split(' ')[0]
        dateList.append(str)
    dateChangeSer = pd.Series(dateList)
    return dateChangeSerdateChangeSer = dateChange(salesDf['销售时间'])dateChangeSer

Out[16]:

0       2018-01-01
1       2018-01-02
2       2018-01-06
3       2018-01-11
4       2018-01-15
5       2018-01-20
6       2018-01-31
7       2018-02-17
8       2018-02-22
9       2018-02-24
10      2018-03-05
11      2018-03-05
12      2018-03-05
13      2018-03-07
14      2018-03-09
15      2018-03-15
16      2018-03-15
17      2018-03-15
18      2018-03-20
19      2018-03-22
20      2018-03-23
21      2018-03-24
22      2018-03-24
23      2018-03-28
24      2018-03-29
25      2018-04-05
26      2018-04-07
27      2018-04-13
28      2018-04-22
29      2018-05-01
           ...
6545    2018-04-05
6546    2018-04-05
6547    2018-04-09
6548    2018-04-10
6549    2018-04-10
6550    2018-04-10
6551    2018-04-12
6552    2018-04-13
6553    2018-04-13
6554    2018-04-14
6555    2018-04-15
6556    2018-04-15
6557    2018-04-15
6558    2018-04-15
6559    2018-04-16
6560    2018-04-17
6561    2018-04-18
6562    2018-04-21
6563    2018-04-22
6564    2018-04-24
6565    2018-04-25
6566    2018-04-25
6567    2018-04-25
6568    2018-04-26
6569    2018-04-26
6570    2018-04-27
6571    2018-04-27
6572    2018-04-27
6573    2018-04-27
6574    2018-04-28
Length: 6575, dtype: object

In [17]:

salesDf['销售时间'] = dateChangeSersalesDf.head()

Out[17]:

 

销售时间社保卡号商品编码商品名称销售数量应收金额实收金额02018-01-011.616528e+06236701.0强力VC银翘片6.082.869.0012018-01-021.616528e+06236701.0清热解毒口服液1.028.024.6422018-01-061.260283e+07236701.0感康2.016.815.0032018-01-111.007034e+10236701.0三九感冒灵1.028.028.0042018-01-151.015543e+08236701.0三九感冒灵8.0224.0208.00

 

在做完转化后再观察一下有没有产生新的缺失值

In [18]:

salesDf['销售时间'].isnull().any()

Out[18]:

False

In [19]:

salesDf.dtypes

Out[19]:

销售时间     object
社保卡号    float64
商品编码    float64
商品名称     object
销售数量    float64
应收金额    float64
实收金额    float64
dtype: object

 

数据没有产生新的缺失，我们继续向下，把销售时间的数据类型转为日期型。

In [20]:

dateSer=pd.to_datetime(salesDf['销售时间'], format = '%Y-%m-%d', errors='coerce')dateSer

Out[20]:

0      2018-01-01
1      2018-01-02
2      2018-01-06
3      2018-01-11
4      2018-01-15
5      2018-01-20
6      2018-01-31
7      2018-02-17
8      2018-02-22
9      2018-02-24
10     2018-03-05
11     2018-03-05
12     2018-03-05
13     2018-03-07
14     2018-03-09
15     2018-03-15
16     2018-03-15
17     2018-03-15
18     2018-03-20
19     2018-03-22
20     2018-03-23
21     2018-03-24
22     2018-03-24
23     2018-03-28
24     2018-03-29
25     2018-04-05
26     2018-04-07
27     2018-04-13
28     2018-04-22
29     2018-05-01
          ...
6545   2018-04-05
6546   2018-04-05
6547   2018-04-09
6548   2018-04-10
6549   2018-04-10
6550   2018-04-10
6551   2018-04-12
6552   2018-04-13
6553   2018-04-13
6554   2018-04-14
6555   2018-04-15
6556   2018-04-15
6557   2018-04-15
6558   2018-04-15
6559   2018-04-16
6560   2018-04-17
6561   2018-04-18
6562   2018-04-21
6563   2018-04-22
6564   2018-04-24
6565   2018-04-25
6566   2018-04-25
6567   2018-04-25
6568   2018-04-26
6569   2018-04-26
6570   2018-04-27
6571   2018-04-27
6572   2018-04-27
6573   2018-04-27
6574   2018-04-28
Name: 销售时间, Length: 6575, dtype: datetime64[ns]

In [21]:

dateSer.isnull().any()

Out[21]:

True

In [22]:

compareDf = pd.DataFrame(dateSer[dateSer.isnull()],salesDf[dateSer.isnull()]['销售时间'])compareDf

Out[22]:

 

销售时间销售时间

 

2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT2018-02-29NaT

 

查看了下数据，产生空值的原因是因为数据中出现了'2018-02-29'这样实际不存在的日期。在实际应用中，最好能向业务部门询问一下产生的原因，看下是不是因为日期推算不正确导致了这样原因的产生，需不需要将这样的数据进行一下必要的修正。这里就简单的把数据进行删除。

In [23]:

salesDf['销售时间'] = dateSersalesDf.dtypes

Out[23]:

销售时间    datetime64[ns]
社保卡号           float64
商品编码           float64
商品名称            object
销售数量           float64
应收金额           float64
实收金额           float64
dtype: object

In [24]:

salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')salesDf.shape

Out[24]:

(6552, 7)

In [25]:

salesDf=salesDf.reset_index(drop=True)

 

5）数据排序 销售记录一般是以销售时间为顺序排列的，所以我们对数据进行一下排序

In [26]:

#按销售时间排序salesDf = salesDf.sort_values(by='销售时间')#再次更新一下序号salesDf = salesDf.reset_index(drop = True)

 

6）异常值处理

在下面数据集的描述指标中可以看出，存在销售数量为负的数据，这明显是不合理的，我们把这部分数据也进行删除

In [27]:

salesDf.describe()

Out[27]:

 

社保卡号商品编码销售数量应收金额实收金额count6.552000e+036.552000e+036552.0000006552.000006552.000000mean6.095150e+091.015031e+062.38415850.4302546.266972std4.888430e+095.119572e+052.37475487.6807581.043956min1.616528e+062.367010e+05-10.000000-374.00000-374.00000025%1.014290e+088.614560e+051.00000014.0000012.32000050%1.001650e+108.615070e+052.00000028.0000026.50000075%1.004898e+108.687840e+052.00000059.6000053.000000max1.283612e+102.367012e+0650.0000002950.000002650.000000

In [28]:

#删除异常值：通过条件判断筛选出数据#查询条件querySer=salesDf.loc[:,'销售数量']>0#应用查询条件print('删除异常值前：',salesDf.shape)salesDf=salesDf.loc[querySer,:]print('删除异常值后：',salesDf.shape)

 

删除异常值前：(6552, 7)
删除异常值后：(6509, 7)

 

数据清洗完了之后，我们终于可以来搭建我们的模型啦。当然如果在模型搭建过程中再次发现数据异常情况，我们还是要对数据进行进一步的清洗。

 

4.构建模型

1）业务指标1:月均消费次数=总消费次数 / 月份数

总消费次数：同一天内，同一个人发生的所有消费算作一次消费。这里我们根据列名（销售时间，社区卡号）结合，如果这两个列值同时相同，只保留1条，将重复的数据删除

月份数：数据已经按照销售时间进行排序，只需将最后的数据与第一条数据相减就可换算出月份数

In [29]:

#总消费次数计算kpDf = salesDf.drop_duplicates(subset=['销售时间','社保卡号'])total = kpDf.shape[0]print('总消费次数为：',total)

 

总消费次数为：5345

In [30]:

#月份数计算startDay = salesDf.loc[0,'销售时间']print('开始日期:',startDay)endDay = salesDf.loc[salesDf.shape[0]-1,'销售时间']print('结束日期:',endDay)monthCount = (endDay - startDay).days//30print('月份数:',monthCount)

 

开始日期: 2018-01-01 00:00:00
结束日期: 2018-07-18 00:00:00
月份数: 6

In [31]:

#业务指标1:月均消费次数=总消费次数 / 月份数kpi1 = total / monthCountprint('业务指标1：月均消费次数=',kpi1)

 

业务指标1：月均消费次数= 890.8333333333334

 

2）指标2：月均消费金额 = 总消费金额 / 月份数

In [32]:

totalMoney = salesDf['实收金额'].sum()kpi2 = totalMoney / monthCountprint('业务指标2：月平均消费金额=',kpi2)

 

业务指标2：月平均消费金额= 50672.494999999995

 

3）指标3：客单价=总消费金额 / 总消费次数

In [33]:

kpi3 = kpi2 / kpi1print('业务指标3：客单价=',kpi3)

 

业务指标3：客单价= 56.88212722170252

 

4）指标4：消费趋势，画图：折线图

In [34]:

#在进行操作之前，先把数据复制到另一个数据框中，防止对之前清洗后的数据框造成影响groupDf=salesDf#第1步：重命名行名（index）为销售时间所在列的值groupDf.index=groupDf['销售时间']groupDf.head()

Out[34]:

 

销售时间社保卡号商品编码商品名称销售数量应收金额实收金额销售时间

 

 

 

 

 

 

 

2018-01-012018-01-011.616528e+06236701.0强力VC银翘片6.082.869.02018-01-012018-01-011.078916e+08861456.0酒石酸美托洛尔片(倍他乐克)2.014.012.62018-01-012018-01-011.616528e+06861417.0雷米普利片(瑞素坦)1.028.528.52018-01-012018-01-011.007397e+10866634.0硝苯地平控释片(欣然)6.0111.092.52018-01-012018-01-011.001429e+10866851.0缬沙坦分散片(易达乐)1.026.023.0

In [35]:

#第2步：分组gb=groupDf.groupby(groupDf.index.month)#第3步：应用函数，计算每个月的消费总额mounthDf=gb.sum()mounthDf

Out[35]:

 

社保卡号商品编码销售数量应收金额实收金额销售时间

 

 

 

 

 

16.257155e+121.073329e+092527.053561.649461.1924.702493e+127.438598e+081858.042028.838790.3836.124761e+121.007946e+092225.045318.041597.5147.620230e+121.226705e+093010.054324.348812.7055.898556e+121.004573e+092225.051263.446925.2765.421001e+129.289637e+082328.052300.848327.7073.608900e+126.259256e+081483.032568.030120.22

In [36]:

import matplotlib.pyplot as pltimport seaborn as snsimport matplotlib as mplmpl.rcParams['font.sans-serif'] = ['SimHei']mpl.rcParams['font.serif'] = ['SimHei']sns.set_style("darkgrid",{"font.sans-serif":['simhei', 'Arial']})import matplotlib.pyplot as plt%matplotlib inline#绘制销售数量图plt.plot(mounthDf['销售数量'],color = 'b')

Out[36]:

[<matplotlib.lines.Line2D at 0x7fa6e872e550>]

 

findfont: Font family ['sans-serif'] not found. Falling back to DejaVu Sans.

 

 

四月份为最高点，二月份为前期一个最低点，而且在四月份以后销售一直处于向下的趋势，在记录的日期中，七月份达到了历史最低水平。

源码加群：850591259

 

爬遍天下无敌手
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
26个数据分析案例——第三站：基于python的药店销售数据分析
u014552259的博客
08-08 1万+
目录26个数据分析案例——第三站：基于python的药店销售数据分析实验环境数据说明必备知识1、数据获取2、数据信息查看3、数据清洗4、数据变换5、数据过滤6、数据保存实验步骤第一步：加载数据并查看数据详情1、导入数据：需要用到Python中的xlrd包，代码如下所示。2、查看数据类型，代码如下所示。第二步：数据清洗1、选择子集：目的是选择需要分析的列，方法为切片法(loc)，代码如下所示。2、列名重命名：把'购药时间'改为'销售时间’，代码如下所示。3、缺失数据处理,用dropna 法处理缺失值，处理前数
朝阳医院数据处理分析实例
lumugua的博客
05-11 5284
数据分析的步骤：提出问题→理解数据→数据清洗→构建模型→数据可视化 目标数据：2018年朝阳医院销售数据.xlsx 业务部门下发了一项业务分析目标，把数据发给我的时候就在思考该怎么分析，接下来一起探讨怎么进行简单的数据分析 一、提出业务指标问题 从销售数据中分析下面的业务指标问题： （1）月均消费次数 （2）月均消费金额 （3）客单价 （4）消费趋势 导入所需要的包 impo...
Python数据分析案例-药店销售数据分析.pdf
12-23
Python数据分析案例-药店销售数据分析.pdf
学python处理数据_python学习 基于数据的简单处理
weixin_39845220的博客
11-27 80
import pandas as pddf = pd.read_excel('E://data//朝阳医院2018年销售数据.xlsx')df.head() #打印前五行df.shape #有多少行，多少列df.dtypes #查看每列的数据类型colNameDict = {'购药时间':'销售时间'}#列名重命名df.rename(columns = colNameDict,...
用python分析处理药店销售数据：得到以下三个指标：月消费次数，即总消费次数除以月份数，往往是销售部门重要的指标值之一。月均消费金额，总的消费金额除以月份数，主要作为部门收益的一个指标。（3
yushibing717的博客
01-16 1437
图 1 数据探索具体流程图抽取数据：在获取到数据集后根据需求筛选出部分所需数据。数据预处理：数据预处理是指对数据进行数据合并、数据清洗、数据标准化和数据变换,并直接用于分析建模的这一过程的总称。本案例应用到了数据清洗和数据转换。数据清洗可以去掉重复、缺失、异常、不一致的数据;数据变换可以通过离散化、哑变量处理等技术满足后期分析与建模的数据要求。在数据分析的过程中,数据预处理的各个过程互相交叉,并没有明确的先后顺序。建模。
pandas的个人笔记输入
m0_74196680的博客
11-05 208
pandas
Python基于Django医院挂号诊疗系统源码案例设计.zip
最新发布
04-19
【Python基于Django医院挂号诊疗系统源码案例设计】 在当今信息化时代，医疗系统的数字化建设变得至关重要。Python作为一门易学且功能强大的编程语言，搭配Django这个高级Web框架，可以快速开发出高效、安全的在线...
Python基于Django超市进销存销售管理系统设计毕业源码案例设计.zip
01-21
医院管理系统： 用于管理医院或医疗机构的患者信息、医生排班、药品库存等。这种系统可以提高医疗服务的质量和效率。 财务管理系统： 用于记录和管理组织的财务信息，包括会计凭证、财务报表、预算管理等。财务管理...
基于python实现的医院信息管理系统-源码
10-02
在这个案例中，"基于Python实现的医院信息管理系统"是一个利用Python语言编写的软件，旨在帮助医院进行信息化管理，提高工作效率，减少人为错误。这个系统通常会包含患者信息管理、预约挂号、医生排班、药品库存管理...
MySQL数据库课程设计：Python医院管理系统源码.zip
11-01
在这个“MySQL数据库课程设计：Python医院管理系统源码.zip”压缩包中，我们主要涉及两个关键领域：MySQL数据库管理和Python编程。这个项目是一个基于Python的医院管理系统，它利用MySQL作为后端存储数据的主要...
用python做数据分析教程_python数据分析项目实例
weixin_39934302的博客
11-24 1177
python如何进行数据分析？一般来说，数据分析的基本过程包括以下几个步骤：1.提出问题——即我们所想要知道的指标(平均消费额、客户的年龄分布、营业额变化趋势等等)2.导入数据——把原始数据源导入Jupyter Notebook中(网络爬虫、数据读取等)3.数据清洗——数据清洗是指发现并纠正数据文件中可识别的错误(检查数据一致性，处理无效值和缺失值等)4.构建模型(高级的模型构建会使用机器学习的算...
用python分析处理药店销售数据.rar
07-14
用python数据分析技术对某药店一年销售数据进行处理与分析，内涵数据集，源码及说明文档，完美应对python课设及大作业
《利用python进行数据分析》数据集.rar
03-25
《利用python进行数据分析》中所用的CSV文件，用于各种python pandas以及其他第三方包的功能的展示。
用python分析处理药店销售数据
yushibing717的博客
01-17 182
图 1 数据探索具体流程图抽取数据：在获取到数据集后根据需求筛选出部分所需数据。数据预处理：数据预处理是指对数据进行数据合并、数据清洗、数据标准化和数据变换,并直接用于分析建模的这一过程的总称。本案例应用到了数据清洗和数据转换。数据清洗可以去掉重复、缺失、异常、不一致的数据;数据变换可以通过离散化、哑变量处理等技术满足后期分析与建模的数据要求。在数据分析的过程中,数据预处理的各个过程互相交叉,并没有明确的先后顺序。建模。
python数据分析实例_Python数据分析实例－药品销售分析
weixin_39597399的博客
11-20 807
学习了Python的各种基础语法和常用包后，你是否对如何使用Python在实际工作中进行数据分析一头雾水？如果是，今天这篇文章一定能带给你一些用数据分析解决实际问题的思路。数据分析的目的决定了你的分析步骤，比如你的分析的目标是提供商业可视化方案，或者是建立模型进行预测，再或者是通过数据挖掘发现并改善现有流程等。今天我们介绍一个简单的数据分析例子－根据销售记录创建可视化报表。我是一名药品销售公司的分...
python药店销售数据分析_python数据分析案列——药店销售数据分析
weixin_36368715的博客
02-04 875
import pandas as pdfileNameStr='./朝阳医院2018年销售数据.xlsx'xls = pd.ExcelFile(fileNameStr, dtype='object')salesDf = xls.parse('Sheet1',dtype='object')print(salesDf.head())print(salesDf.shape)#字典：旧列名和新列名对应关系...
Python datetime指南：教你如何处理日期和时间（附试题+答案）
热门推荐
Python大本营的博客
05-03 1万+
译者 | Tianyu出品 |Python大本营（ID：pythonnews）datetime 是 Python 中处理日期的标准模块，它提供了 4 种对日期和时间进行...
Python连锁药店营业额数据分析实验
叶绿体不忘呼吸
08-03 2092
对于Excel文件的处理，常见的就是pandas库，我们引入pandas库之后通过read_excel方法就可以读取到指定的Excel文件，注意就是要指定sheet的名称。然后我们计算所有分店的总销售额，只需要遍历所有分店，然后用那一行的销量乘以那一行的单价，然后每次相加就可以得出结果，然后通过print进行输出。然后添加列，其实有一种简单的方法，就是当你df[‘销售额’]的时候，系统检测到Excel文件中并没有销售额这一列，那么就会自动添加上去，然后只需要指定它的值为对应的价格乘以销量即可。......
python药店销售数据分析_Python数据分析实例一：医院药品销售数据
weixin_39856208的博客
12-05 1833
前面已经分享过python的基础语法，以及数据分析领域最常用的两个包：Numpy和Pandas(戳下面的链接)，下面将用一个实际案例：《朝阳医院2018年销售数据.xlsx》和大家分享一下数据分析的基本流程。赵小娟儿Lyric：【科学计算工具一】初识Numpy​zhuanlan.zhihu.com赵小娟儿Lyric：【科学计算工具二】初识Pandas​zhuanlan.zhihu.com在此之前，...
python数据分析案例 药店销售数据分析
11-26
首先，我们可以通过Python的数据采集库来将药店销售数据从不同来源（比如Excel表格、数据库、API等）中提取出来，然后利用Python的数据清洗和处理库来清洗和整理数据，以便后续分析使用。 其次，我们可以利用Python...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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