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