基于Python的超市零售数据分析

分析框架：

一、明确需求和目的

• 对一家全球超市的四年（2012-2015）销售数据进行“人、货、场”分析，并给出提升销量的针对性建议。
• 场：整体运营情况分析，包括销售额、销量、利润、客单价、市场布局等具体情况分析。
• 货：商品结构、优势/畅销商品、劣势/待优化商品等情况分析。
• 人：客户数量、新老客户、RFM模型、复购率、回购率等用户行为分析。

二、数据介绍

• 数据来源于Kaggle平台，这是一份全球大型超市五年的零售数据集，数据信息详尽。
• 数据集为"全球超市订单数据.xlsx"，共51290条数据记录，每条记录共24个特征。

三、数据预处理

3.1 导入相关库并读取数据

import pandas as pd 
import numpy as np 
import matplotlib.pyplot as plt 
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文显示 
plt.rcParams['axes.unicode_minus'] = False # 设置坐标轴负数显示

pd.set_option('display.width', 300) # 设置字符显示宽度
pd.set_option('display.max_rows', None) # 设置显示最大行 
pd.set_option('display.max_columns', None) # 设置显示最大列

data = pd.read_excel('全球超市订单数据.xlsx')
data.sample(5)

	行 ID	订单 ID	订购日期	装运日期	装运方式	客户 ID	客户名称	细分市场	邮政编码	城市	省市	国家	地区	市场	产品 ID	类别	子类别	产品名称	销售额	数量	折扣	利润	装运成本	订单优先级
21696	22861	IN-2013-BM117857-41593	2013-11-15	2013-11-17	二级	BM-117857	Bryan Mills	消费者	NaN	Nowra	新南威尔士	澳大利亚	大洋洲	亚太地区	OFF-AR-3453	办公用品	艺术	BIC Highlighters, Fluorescent	54.513	3	0.1	1.773	10.82	高
5749	12597	ES-2015-IM1505545-42098	2015-04-04	2015-04-08	标准级	IM-1505545	Ionia McGrath	消费者	NaN	Tourcoing	北部-加来海峡-庇卡底	法国	西欧	欧洲	OFF-ST-5702	办公用品	存储	Rogers Lockers, Single Width	380.970	2	0.1	143.910	58.64	高
20879	51267	MG-2015-DK289584-42210	2015-07-25	2015-07-28	一级	DK-289584	Dana Kaydos	消费者	NaN	Ulan Bator	乌兰巴托	蒙古	东亚	亚太地区	FUR-FU-3027	家具	用具	Advantus Door Stop, Black	45.030	1	0.0	9.450	11.58	高
23683	30075	IN-2015-TN2104027-42136	2015-05-12	2015-05-15	一级	TN-2104027	Tanja Norvell	家庭办公室	NaN	Shangqiu	河南省	中国	东亚	亚太地区	OFF-AR-3502	办公用品	艺术	Binney & Smith Sketch Pad, Water Color	99.000	2	0.0	13.860	9.15	高
46704	12192	ES-2014-AG10675120-41731	2014-04-02	2014-04-07	标准级	AG-10675120	Anna Gayman	消费者	NaN	Barcelona	加泰罗尼亚	西班牙	南欧	欧洲	OFF-BI-3290	办公用品	装订机	Avery Hole Reinforcements, Durable	23.640	4	0.0	8.400	1.51	媒介

# 查看数据行列数
data.shape
>(51290, 24)

# 查看数据的分布概况 
data.describe()

	行 ID	邮政编码	销售额	数量	折扣	利润	装运成本
count	51290.00000	9994.000000	51290.000000	51290.000000	51290.000000	51290.000000	51290.000000
mean	25645.50000	55190.379428	246.490581	3.476545	0.142908	28.610982	26.478567
std	14806.29199	32063.693350	487.565361	2.278766	0.212280	174.340972	57.251373
min	1.00000	1040.000000	0.444000	1.000000	0.000000	-6599.978000	1.002000
25%	12823.25000	23223.000000	30.758625	2.000000	0.000000	0.000000	2.610000
50%	25645.50000	56430.500000	85.053000	3.000000	0.000000	9.240000	7.790000
75%	38467.75000	90008.000000	251.053200	5.000000	0.200000	36.810000	24.450000
max	51290.00000	99301.000000	22638.480000	14.000000	0.850000	8399.976000	933.570000

3.2 对列名格式进行规范

根据上面展示的数据可以发现数据的列名不符合Python的命名规范，列名不应该包含空格，应去除或用下划线连接，这里采用去除空格对列名进行重命名。

data.rename(columns=lambda x:x.replace(' ',''),inplace=True)
data.columns

Index(['行ID', '订单ID', '订购日期', '装运日期', '装运方式', '客户ID', '客户名称', '细分市场', '邮政编码', '城市', '省市', '国家', '地区', '市场', '产品ID', '类别', '子类别', '产品名称', '销售额', '数量', '折扣', '利润', '装运成本', '订单优先级'], dtype='object')

3.3 数据类型处理

# 查看各列数据类型 
# data.info() 
data.dtypes

行ID               int64
订单ID             object
订购日期     datetime64[ns]
装运日期     datetime64[ns]
装运方式             object
客户ID             object
客户名称             object
细分市场             object
邮政编码            float64
城市               object
省市               object
国家               object
地区               object
市场               object
产品ID             object
类别               object
子类别              object
产品名称             object
销售额             float64
数量                int64
折扣              float64
利润              float64
装运成本            float64
订单优先级            object
dtype: object

可以看到各列数据类型与其字段数据值相符，因此不需要进行数据类型转换。

为了 方便分析每年和每月的销售情况，增加“Year”和“Month”列：

data['Year'] = data['订购日期'].dt.year
data['Month'] = data['订购日期'].values.astype('datetime64[M]')
data[['Year','Month']].head()

	Year	Month
0	2014	2014-11-01
1	2014	2014-02-01
2	2014	2014-10-01
3	2014	2014-01-01
4	2014	2014-11-01

3.4 缺失值处理

# 查看各字段的数据是否存在缺失 
data.isnull().any()

行ID      False
订单ID     False
订购日期     False
装运日期     False
装运方式     False
客户ID     False
客户名称     False
细分市场     False
邮政编码      True
城市       False
省市       False
国家       False
地区       False
市场       False
产品ID     False
类别       False
子类别      False
产品名称     False
销售额      False
数量       False
折扣       False
利润       False
装运成本     False
订单优先级    False
Year     False
Month    False
dtype: bool

# 发现只有邮政编码存在缺失值，统计查看一下存在多少缺失值（行数是51290）
data['邮政编码'].isnull().sum()

41296

发现邮政编码列几乎80%都是缺失值，显然该列已经对我们的分析没有太大作用，因此进行删除。

data.drop('邮政编码', axis=1, inplace=True) 

3.5 异常值处理

data.describe()

	行ID	销售额	数量	折扣	利润	装运成本	Year
count	51290.00000	51290.000000	51290.000000	51290.000000	51290.000000	51290.000000	51290.000000
mean	25645.50000	246.490581	3.476545	0.142908	28.610982	26.478567	2013.777208
std	14806.29199	487.565361	2.278766	0.212280	174.340972	57.251373	1.098931
min	1.00000	0.444000	1.000000	0.000000	-6599.978000	1.002000	2012.000000
25%	12823.25000	30.758625	2.000000	0.000000	0.000000	2.610000	2013.000000
50%	25645.50000	85.053000	3.000000	0.000000	9.240000	7.790000	2014.000000
75%	38467.75000	251.053200	5.000000	0.200000	36.810000	24.450000	2015.000000
max	51290.00000	22638.480000	14.000000	0.850000	8399.976000	933.570000	2015.000000

从上面展示的结果可以确定没有明显的异常值，因此不需要进行处理。

3.6 重复值处理

# 查看是否存在完全重复的行：
data.duplicated().sum()

0

0说明没有完全重复的记录，因此不需要进行处理

四、数据分析

4.1 整体销售情况分析

首先构造整体销售情况的数据子集：

• 包含：订购日期、年份、月份、销售额、销量、利润

sales_data = data[['订购日期','Year','Month','销售额','数量','利润']]
sales_data.head()

	订购日期	Year	Month	销售额	数量	利润
0	2014-11-11	2014	2014-11-01	221.980	2	62.1544
1	2014-02-05	2014	2014-02-01	3709.395	9	-288.7650
2	2014-10-17	2014	2014-10-01	5175.171	9	919.9710
3	2014-01-28	2014	2014-01-01	2892.510	5	-96.5400
4	2014-11-05	2014	2014-11-01	2832.960	8	311.5200

按照年、月对销售数据子集进行分组求和统计：

sales_year_grouped = sales_data.groupby(by=['Month']).agg('sum')
sales_year_grouped.sample(5)

	Year	销售额	数量	利润
Month
2014-10-01	2215400	293406.64288	3883	42433.22258
2012-01-01	871196	98898.48886	1463	8321.80096
2014-04-01	1580990	177821.31684	2688	19462.03844
2012-08-01	1740380	208063.28372	3020	26452.99742
2014-12-01	3226428	405454.37802	5694	50202.87112

对上面进行分组求和后的数据进行拆分，将每一年的数据分配一张独立的表：

year_2012 = sales_year_grouped['2012':'2012'].reset_index()
year_2013 = sales_year_grouped['2013':'2013'].reset_index() 
year_2014 = sales_year_grouped['2014':'2014'].reset_index() 
year_2015 = sales_year_grouped['2015':'2015'].reset_index()
year_2015

	Month	Year	销售额	数量	利润
0	2015-01-01	1849770	241268.55566	3122	28001.38626
1	2015-02-01	1523340	184837.35556	2482	19751.69996
2	2015-03-01	2152020	263100.77262	3722	37357.26052
3	2015-04-01	2117765	242771.86130	3594	23782.30120
4	2015-05-01	2587260	288401.04614	4300	33953.55774
5	2015-06-01	3522220	401814.06310	6009	43778.60280
6	2015-07-01	2190305	258705.68048	3637	28035.87258
7	2015-08-01	3375125	456619.94236	5824	53542.89496
8	2015-09-01	4066270	481157.24370	6837	67979.45110
9	2015-10-01	3276390	422766.62916	5876	58209.83476
10	2015-11-01	4326205	555279.02700	7706	62856.58790
11	2015-12-01	4338295	503143.69348	7513	46916.52068

4.1.1 销售额分析（按月）

# 构建销售额表 
sales = pd.concat([year_2012['销售额'],year_2013['销售额'],
                   year_2014['销售额'],year_2015['销售额']],axis=1)
# 重构行列名 
sales.index = [str(i+1)+'月' for i in range(12)]
sales.columns = ['sales_2012','sales_2013','sales_2014','sales_2015']

# 绘制热力图，颜色越深表示销售额越高
plt.figure(figsize=(8,6))
sns.heatmap(sales,cmap='RdPu',annot=True,fmt='.2f',linewidths=0.5)
# plt.yticks(rotation=90)
plt.show()

从上图可以看出，基本每年的下半年的销售额都比上半年要高，而且随着年份的增长，销售额也在逐年增加，可以说明该超市的发展还是比较好的。

肉眼可以看见每一年的销售额都比前一年要好，那么现在来实际计算一下每年的销售总额和具体的增长率：

# 每年的总销售额 
sales_sum = sales.sum()
# 计算销售额增长率 
rise_rates = [0]
for i in range(len(sales_sum)-1):
    rise_rate = round((sales_sum[i+1]-sales_sum[i])/sales_sum[i]