零售商店订单数据分析

最新推荐文章于 2024-05-17 09:47:01 发布
最新推荐文章于 2024-05-17 09:47:01 发布
阅读量2.2k 收藏 35
点赞数 7
分类专栏： python数据分析 电商订单数据分析 文章标签： 数据分析 python 电子商务
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_51297533/article/details/117395514
版权

目录

 

一、项目背景

二、数据来源

三、提出问题

四、理解数据

五、数据清洗

1.导入数据

2.选择子集

3.删除重复值

4.缺失值处理

5.标准化处理

6.异常值处理

六、分析内容

1.消费情况按月分析

2.用户分布分析

3.用户分层分析

4.用户生命周期分析

5.回购率与复购率分析

6.商品关联规则挖掘

一、项目背景

通过"扫描"零售商店电子销售点个别产品的条形码而获得的消费品销售的详细数据。这些数据提供了有关所售商品的数量、特征和价值以及价格的详细信息。

二、数据来源

https://www.kaggle.com/marian447/retail-store-sales-transactions

三、提出问题

  • 消费情况分析及用户购买模式分析
  • RFM和CLV分析
  • 不同类别商品关联规则挖掘

四、理解数据

  • Date：购买日期
  • Customer_ID：用户ID
  • Transaction_ID：交易ID
  • SKU_Category：商品分类SKU编码
  • SKU：商品唯一SKU编码
  • Quantity：购买数量
  • Sales_Amount：购买金额

五、数据清洗

1.导入数据

In [1]:

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import seaborn as sns
%matplotlib inline
# 更改设计风格
plt.style.use('ggplot')
plt.rcParams['font.sans-serif'] = ['SimHei']

In [2]:

df = pd.read_csv('E:/googledownload/archive (5)/scanner_data.csv')
df.head()

Out[2]:

 Unnamed: 0DateCustomer_IDTransaction_IDSKU_CategorySKUQuantitySales_Amount
012017-01-0225471X520EM7L1.03.13
122017-01-0282222ML68BRQ1.05.46
232017-01-02368630H2CZUZX1.06.35
342017-01-02371940H2549KK1.05.59
452017-01-02920050H2K8EHH1.06.88

In [3]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 131706 entries, 0 to 131705
Data columns (total 8 columns):
 #   Column          Non-Null Count   Dtype  
---  ------          --------------   -----  
 0   Unnamed: 0      131706 non-null  int64  
 1   Date            131706 non-null  object 
 2   Customer_ID     131706 non-null  int64  
 3   Transaction_ID  131706 non-null  int64  
 4   SKU_Category    131706 non-null  object 
 5   SKU             131706 non-null  object 
 6   Quantity        131706 non-null  float64
 7   Sales_Amount    131706 non-null  float64
dtypes: float64(2), int64(3), object(3)
memory usage: 8.0+ MB

2.选择子集

第一列为数据编号，已有索引故删除

In [4]:

df.drop(columns='Unnamed: 0', inplace=True)
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 131706 entries, 0 to 131705
Data columns (total 7 columns):
 #   Column          Non-Null Count   Dtype  
---  ------          --------------   -----  
 0   Date            131706 non-null  object 
 1   Customer_ID     131706 non-null  int64  
 2   Transaction_ID  131706 non-null  int64  
 3   SKU_Category    131706 non-null  object 
 4   SKU             131706 non-null  object 
 5   Quantity        131706 non-null  float64
 6   Sales_Amount    131706 non-null  float64
dtypes: float64(2), int64(2), object(3)
memory usage: 7.0+ MB

3.删除重复值

In [5]:

df.duplicated().sum()

Out[5]:

0

数据无重复值

4.缺失值处理

In [6]:

df.isnull().sum()

Out[6]:

Date              0
Customer_ID       0
Transaction_ID    0
SKU_Category      0
SKU               0
Quantity          0
Sales_Amount      0
dtype: int64

数据无缺失值

5.标准化处理

In [7]:

df.dtypes

Out[7]:

Date               object
Customer_ID         int64
Transaction_ID      int64
SKU_Category       object
SKU                object
Quantity          float64
Sales_Amount      float64
dtype: object

Date为对象类型，需要标准化为日期类型格式

In [8]:

df.Date = pd.to_datetime(df.Date, format='%Y-%m-%d')
df.dtypes

Out[8]:

Date              datetime64[ns]
Customer_ID                int64
Transaction_ID             int64
SKU_Category              object
SKU                       object
Quantity                 float64
Sales_Amount             float64
dtype: object

6.异常值处理

In [9]:

df[['Quantity','Sales_Amount']].describe()

Out[9]:

 QuantitySales_Amount
count131706.000000131706.000000
mean1.48531111.981524
std3.87266719.359699
min0.0100000.020000
25%1.0000004.230000
50%1.0000006.920000
75%1.00000012.330000
max400.000000707.730000

购买数量存在小于1是由于称重单位不足1所致，非异常值

六、分析内容

1.消费情况按月分析

（1）每月消费总金额趋势分析

In [10]:

df['Month'] = df.Date.astype('datetime64[M]')
df.head()

Out[10]:

 DateCustomer_IDTransaction_IDSKU_CategorySKUQuantitySales_AmountMonth
02017-01-0225471X520EM7L1.03.132017-01-01
12017-01-0282222ML68BRQ1.05.462017-01-01
22017-01-02368630H2CZUZX1.06.352017-01-01
32017-01-02371940H2549KK1.05.592017-01-01
42017-01-02920050H2K8EHH1.06.882017-01-01

In [11]:

grouped_month = df.groupby('Month')

In [12]:

grouped_month.Sales_Amount.sum()

Out[12]:

Month
2017-01-01    111200.28
2017-02-01    118323.24
2017-03-01    126770.11
2017-04-01    140114.18
2017-05-01    141536.95
2017-06-01    130384.85
2017-07-01    124357.15
2017-08-01    114295.16
2017-09-01    139665.01
2017-10-01    141692.79
2017-11-01    131676.89
2017-12-01    156308.81
2018-01-01      1713.20
Name: Sales_Amount, dtype: float64

2018年1月数据可能统计不全，不纳入趋势分析

In [13]:

grouped_month.Sales_Amount.sum().head(12).plot()

Out[13]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e990450a20>

  • 由上图可知：消费金额波动较大，其中第一季度保持持续上升，后续波动较大，整体呈上升趋势

（2）每月交易次数趋势分析

In [14]:

grouped_month.Transaction_ID.nunique().head(12).plot()

Out[14]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e9905160f0>

  • 由上图可知：交易次数波动较大，前期呈上升趋势，五月之后交易次数开始下降，在八月降至最低值，后续开始波动回升，在十二月份重回峰值

（3）每月商品购买数量趋势分析

In [15]:

grouped_month.Quantity.sum().head(12).plot()

Out[15]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e990c9f9e8>

  • 由上图可知：商品购买数量波动较大，整体趋势同交易次数保持一致

（4）每月消费人数趋势分析

In [16]:

grouped_month.Customer_ID.nunique().head(12).plot()

Out[16]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e990d10048>

  • 由上图可知：每月购买人数可分简单为三个阶段，1-5月呈持续上升趋势，6—8呈持续下降趋势，9-12月呈波动上升趋势

2.用户分布分析

（1）新用户分布

In [17]:

grouped_customer = df.groupby('Customer_ID')
grouped_customer.Date.min().value_counts().plot()

Out[17]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e990fc3eb8>

  • 由上图可知：新用户获取不稳定，波动较大，整体有略微下降趋势

In [18]:

grouped_customer.Month.min().value_counts().plot()

Out[18]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e991149ef0>

  • 由上图可知：按月统计，每月新用户用户数有明显下降趋势。说明新用户获取呈大幅下降趋势，需要引起注意，适当增加营销活动提升新用户的获取

(2)一次消费及多次消费用户占比分析

In [19]:

#仅消费一次用户占比
(grouped_customer.Transaction_ID.nunique() == 1).sum()/df.Customer_ID.nunique()

Out[19]:

0.5098342541436464
  • 由计算得：存在一半的用户只进行了一次消费

In [20]:

grouped_month_customer = df.groupby(['Month', 'Customer_ID'])

In [21]:

#每个用户每月的第一次购买时间
data_month_min_date = grouped_month_customer.Date.min().reset_index()
#每个用户的第一次购买时间
data_min_date = grouped_customer.Date.min().reset_index()

In [22]:

#通过Customer_ID联立两表
merged_date = pd.merge(data_month_min_date, data_min_date, on='Customer_ID')
merged_date.head()

Out[22]:

 MonthCustomer_IDDate_xDate_y
02017-01-0112017-01-222017-01-22
12017-01-0132017-01-022017-01-02
22017-01-01112017-01-292017-01-29
32017-01-01122017-01-072017-01-07
42017-01-01132017-01-112017-01-11

In [23]:

#Date_x等于Date_y则为每月新用户
((merged_date.query('Date_x == Date_y')).groupby('Month').Customer_ID.count() / merged_date.groupby('Month').Customer_ID.count()).plot()

Out[23]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e991202cf8>

  • 由上图可知：每月新用户占比整体呈下降趋势，结合每月消费人数趋势可知，第四季度消费人数有上升趋势，故期间复购人数有所提升

3.用户分层分析

（1）RFM分层分析

In [24]:

pivot_rfm = df.pivot_table(index='Customer_ID',
              values=['Date', 'Transaction_ID', 'Sales_Amount'],
              aggfunc={'Date':'max', 'Transaction_ID':'nunique', 'Sales_Amount':'sum'})

In [25]:

pivot_rfm['R'] = (pivot_rfm.Date.max() - pivot_rfm.Date)/np.timedelta64(1, 'D')
pivot_rfm.rename(columns={'Transaction_ID':'F', 'Sales_Amount':'M'}, inplace=True)

In [26]:

def label_func(data):
    label = data.apply(lambda x:'1' if x > 0 else '0')
    label = label.R + label.F + label.M
    labels = {
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要发展客户',
        '001':'重要挽留客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般发展客户',
        '000':'一般挽留客户'
    }
    return labels[label]
pivot_rfm['label'] = pivot_rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(label_func, axis=1)

In [27]:

pivot_rfm.label.value_counts().plot.barh()

Out[27]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e9914a5f98>

In [28]:

pivot_rfm.groupby('label').M.sum().plot.pie(figsize=(6,6), autopct='%3.2f%%')

Out[28]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e991b29d30>

In [29]:

pivot_rfm.groupby('label').agg(['sum', 'count'])

Out[29]:

 MFR
 sumcountsumcountsumcount
label      
一般价值客户38702.469913653991258396.0991
一般保持客户75475.6218027161180297961.01802
一般发展客户144065.4883291008983292256955.08329
一般挽留客户119097.65631381586313443616.06313
重要价值客户192090.11102854751028270431.01028
重要保持客户860862.513069284583069120487.03069
重要发展客户81377.67600892600162986.0600
重要挽留客户66367.1249379649333989.0493

由上表及图可知：

  • 销售额主要来源重要保持客户，人数占比最高的为一般发展客户
  • 重要保持客户：销售额的主要来源，近期有消费，且消费高，消费频率不足，可以适当举行营销活动，提升此层客户的购买频率
  • 重要价值客户：销售额的第二来源，近期有消费，消费高，频率高，尽可能使该层客户保持现状
  • 重要发展客户：消费以及消费频次高，近期没有消费，可以使用适当策略召回用户，参与消费
  • 重要挽留客户：消费高，但频次低且近期未消费，处在流失的边缘，可以通过适当活动，使其参与到消费中来，防止流失
  • 一般价值客户：消费低，消费频率高且近期有消费，可以使用优惠券等形式活动刺激该层客户的消费，提升其消费额
  • 一般发展客户：人数占比最高，近期有消费，但消费额以及消费频次不高，考虑到人数占比高，可以适当举办活动提升消费频次和消费额
  • 一般保持客户：在成本与资源控制下，酌情考虑
  • 一般挽留客户：在成本与资源控制下，酌情考虑

（2）用户状态分层分析

In [30]:

pivoted_status = df.pivot_table(index='Customer_ID', columns='Month', values='Date', aggfunc='count').fillna(0)

In [31]:

def active_status(data):
    status = []
    for i in range(len(data)):     
        #若本月没有消费
        if data[i] == 0:
            if len(status) > 0:
                if status[i-1] == 'unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
            else:
                status.append('unreg')
        #若本月有消费
        else:
            if len(status) > 0:
                if status[i-1] == 'unreg':
                    status.append('new')
                elif status[i-1] == 'unactive':
                    status.append('return')
                else:
                    status.append('active')
            else:
                status.append('new')
    status = pd.Series(status, index = data.index)
    return status

In [32]:

active_status = pivoted_status.apply(active_status, axis=1)

In [33]:

active_status.replace('unreg', np.nan).apply(lambda x:x.value_counts()).fillna(0).T.apply(lambda x: x/x.sum(),axis=1).plot.area()

Out[33]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e991f66d30>

由上图可知：

  • 新用户：新用户占比呈明显下降趋势，说明拉新运营不足
  • 活跃用户：在二月占比达到最高，后续呈缓慢下降趋势，说明消费运营正在下滑
  • 不活跃用户：不活跃用户呈明显上升趋势，客户流失较为明显
  • 回流客户：有缓慢上升趋势，说明召回运营不错

4.用户生命周期分析

（1）用户生命周期分布

In [34]:

#构成用户生命周期研究的数据样本需要消费次数>=2次的用户
clv = (grouped_customer[['Sales_Amount']].sum())[grouped_customer.Transaction_ID.nunique() > 1]

In [35]:

clv['lifetime'] = (grouped_customer.Date.max() - grouped_customer.Date.min())/np.timedelta64(1,'D')

In [36]:

clv.describe()

Out[36]:

 Sales_Amountlifetime
count11090.00000011090.000000
mean121.473811116.468260
std202.73365185.985488
min2.2400000.000000
25%27.46250042.000000
50%55.63500096.000000
75%126.507500190.000000
max3985.940000364.000000
  • 由上表可知：消费一次以上的用户平均生命周期为116天，用户生命周期内平均消费金额为121.47元

In [37]:

clv['lifetime'].plot.hist(bins = 50)

Out[37]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e991ab1400>

由上图可知：

  • 生命周期在0-90天内的用户较多，说明生命周期短的客户占比较高，90天内流失率较高，此部分用户可以作为运营重点，延长这些用户的生命周期；
  • 生命周期在90-250之间的分布较为均匀，这也是大多数用户的生命周期，可以刺激这些用户的消费，使其在生命周期内提升消费金额；
  • 生命周期大于250天的人数极少，说明生命周期较长的忠诚客户占比不高。

（2）用户生命周期价值分布

In [38]:

clv['Sales_Amount'].plot.hist(bins = 50)

Out[38]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e99178d208>

由上图可知：

  • 绝大部分用户生命周期内价值在500以内，且其中大部分在100以内，存在较大极值拉高均值，数据向右偏斜。

（3）用户生命周期及其价值相关关系

In [39]:

plt.scatter(x='lifetime', y='Sales_Amount', data=clv)

Out[39]:

<matplotlib.collections.PathCollection at 0x1e991810518>

由上图可知：

  • 用户生命周期与其期间客户价值不存在线性关系，当生命周期在300天内，部分生命周期较长用户贡献的价值高于生命周期较短的用户；
  • 当生命周期大于300天，存在部分用户贡献价值较少，由于数据量不足等原因，结果仅供参考

5.回购率与复购率分析

(1)复购率分析

In [40]:

#每月消费次数大于1的用户数
customer_month_again = grouped_month_customer.nunique().query('Transaction_ID > 1').reset_index().groupby('Month').count().Customer_ID
#每月消费用户数
customer_month = grouped_month.Customer_ID.nunique()
#每月复购率
(customer_month_again/customer_month).plot()

Out[40]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e991788390>

  • 由上图可知：复购率在25%上下浮动，说明每月有25%的用户会进行多次消费；前三个月的复购率有所下降，后续有所回升，整体有上升趋势，应结合本身商务模式，决定进一步提升复购率还是注重新用户的获取。最后一月由于数据量不足，结果以真实数据为主。

(2)回购率分析

In [41]:

#  1表示前90天消费且本月回购  0表示前90天消费本月未回购  nan表示前90天未消费
def buy_back(data):
    status = [np.nan,np.nan,np.nan]
    for i in range(3,len(data)):
        #本月购买
        if data[i] == 1:
            #前90天购买
            if (data[i-1] == 1 or data[i-2] ==1 or data[i-3] == 1):
                status.append(1)
            #前90天未购买
            else:
                status.append(np.nan)
        #本月未购买
        else:
            #前90天购买
            if (data[i-1] == 1 or data[i-2] ==1 or data[i-3] == 1):
                status.append(0)
            #前90天未购买
            else:
                status.append(np.nan)
    status = pd.Series(status, index = data.index)
    return status

In [42]:

back_status = pivoted_status.apply(buy_back, axis=1)
back_status.head()

Out[42]:

Month2017-01-012017-02-012017-03-012017-04-012017-05-012017-06-012017-07-012017-08-012017-09-012017-10-012017-11-012017-12-012018-01-01
Customer_ID             
1NaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
2NaNNaNNaN0.00.01.00.00.00.0NaNNaNNaNNaN
3NaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaNNaN
4NaNNaNNaNNaNNaNNaNNaN0.00.00.0NaNNaNNaN
5NaNNaNNaN0.01.00.01.00.00.00.0NaNNaNNaN

In [43]:

(back_status.sum()/back_status.count()).plot()

Out[43]:

<matplotlib.axes._subplots.AxesSubplot at 0x1e9952a1390>

  • 由上图可知：90天内回购率，即90天内重复购买率在10%以下，说明目前商店处于用户获取模式，然而由前面分析可知，新用户获取呈下降趋势，目前商店并不健康，当前阶段应当将重心放在新用户获取上，

6.商品关联规则挖掘

(1)分析热销商品

In [44]:

#取出销量排名前10的商品类型
hot_category = df.groupby('SKU_Category').count().Sales_Amount.sort_values(ascending=False)[:10].reset_index()
plt.barh(hot_category.SKU_Category, hot_category.Sales_Amount)

Out[44]:

<BarContainer object of 10 artists>

In [45]:

#热销商品占比
hot_category['percent'] = hot_category.Sales_Amount.apply(lambda x:x/hot_category.Sales_Amount.sum())
plt.figure(figsize=(6,6))
plt.pie(hot_category.percent,labels=hot_category.SKU_Category,autopct='%1.2f%%')
plt.show()

In [46]:

category_list = df.groupby('Transaction_ID').SKU_Category.apply(list).values.tolist()

In [47]:

from apyori import apriori

In [48]:

min_support_value = 0.02
min_confidence_value = 0.3
result = list(apriori(transactions=category_list, min_support=min_support_value, min_confidence=min_confidence_value, min_left=0))

In [49]:

result

Out[49]:

[RelationRecord(items=frozenset({'FU5', 'LPF'}), support=0.02067035651340404, ordered_statistics=[OrderedStatistic(items_base=frozenset({'FU5'}), items_add=frozenset({'LPF'}), confidence=0.4946355900850906, lift=6.8819142262602355)]),
 RelationRecord(items=frozenset({'LPF', 'IEV'}), support=0.031152407161188583, ordered_statistics=[OrderedStatistic(items_base=frozenset({'IEV'}), items_add=frozenset({'LPF'}), confidence=0.4889589905362776, lift=6.802935131397615), OrderedStatistic(items_base=frozenset({'LPF'}), items_add=frozenset({'IEV'}), confidence=0.43342654334265435, lift=6.802935131397614)]),
 RelationRecord(items=frozenset({'OXH', 'LPF'}), support=0.020067406697381034, ordered_statistics=[OrderedStatistic(items_base=frozenset({'OXH'}), items_add=frozenset({'LPF'}), confidence=0.4810971089696071, lift=6.693551990185444)])]

由上结果可得：

  • ‘FU5’-->‘LPF’:支持度为约2.1%，置信度约为49.5%。说明同时购买这两类商品发生的可能性为约2.1%，先购买FU5类型产品后，同时购买LPF类型产品的概率为49.5%
  • ‘IEV’-->‘LPF’：支持度约为3.1%，置信度约为48.9%。说明同时购买这两类商品发生的可能性约为3.1%，先购买IEV类型产品后，同时购买LPF类型产品的概率约为48.9%
    ‘LPF’-->‘IEV’：支持度约为3.1%，置信度约为43.3%。说明同时购买这两类商品发生的可能性约为3.1%，先购买LPF类型产品后，同时购买IEV类型产品的概率约为43.3%
  • ‘OXH’-->‘LPF’：支持度约为2.0%，置信度约为48.1%。说明同时购买这两类商品发生的可能性约为2.0%，先购买IEV类型产品后，同时购买LPF类型产品的概率约为48.1%
分析鬼才
关注
  • 7
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
超市零售数据分析-大数据项目.pdf
12-24
超市零售数据分析-⼤数据项⽬ [实验数据] 本实验所⽤数据为国内某超市从2012年8⽉1⽇到2013年8⽉1⽇共⼀年的交易数据，包含了812,847条交易、2,893,385件单个商品以 及20,154名顾客。 该数据包含了3个数据集。 1. ...
用Python分析下购物数据，看看大家过年的年货都买了哪些东西
Python案例分享，B站视频教程：https://space.bilibili.com/523606542
02-20 565
前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。 以下文章来源于杰哥的IT之旅，作者：Cherich_sun Python爬虫、数据分析、网站开发等案例教程视频免费在线观看 https://space.bilibili.com/523606542 今年不知道有多少小伙伴留在原地过年，虽然今年过年不能回老家，但这个年也得过，也得买年货，给家人长辈送礼。于是我出于好奇心的想法利用爬虫获取某宝数据，并结合 Python 数据分析和第三方可视
便利店
LLer_Dagu的博客
08-18 1845
题目描述 天宝来到便利店想买些饮料。便利店有各种型号的瓶装饮料售卖，不同型号的饮料卖不同的价格。1瓶0.25升的卖A元，1瓶0.5升的饮料卖B元，1瓶1升的卖C元，1瓶2升的卖D元。便利店里每种饮料都是无限供应。 天宝要买N升的饮料，最少需要花多少钱呢？聪明的你写个程序帮她算算吧。 已知  1）  1≤A,B,C,D≤108 ，1≤N≤109    2）   输入的数据都是整数  输入...
基于python技术的电商母婴购物数据分析
xff123456_的博客
03-17 968
电商数据分析
python数据分析实例_Python数据分析实例－统计学在解决奶茶店问题中的应用
weixin_39624429的博客
11-27 1278
作为数据分析师，除了熟练各种分析工具外，更重要的是分析、解决问题的能力以及扎实的数学功底，尤其是统计学。本文将用一个例子，一步一步展示1)分析问题的步骤，2)更具需求选择合适工具和数据获取，3)和统计学知识在实例中的运用。本文涉及例子和数据纯属虚构，如有雷同纯属巧合。商业问题：是否需要多招一个奶茶工？我的朋友小文在大学城开了一个奶茶店。由于开在大学城，奶茶店生意稳定，从周一到周日生意都差不多。现在...
计算机毕业设计Python+uniapp社区便利店销售小程序(小程序+源码+LW)
Python毕设源码程序高学长
12-22 192
订单信息，在订单信息页面可以查看订单编号、商品名称、商品分类、商品图片、价格、数量、总价格、商家编号、商家编号、商家名称、联系电话、下单时间、下单备注、用户名、姓名、手机、地址、审核回复等信息，根据需要进行支付操作，如图5-5所示。订单评价，在订单评价页面可以查看订单编号、商品名称、商品分类、商品图片、商家编号、联系电话、备注、配送时间、商品评分、用户名、姓名等信息进行操作，如图5-6所示。用户信息，在用户信息页面可以填写用户名、密码、姓名、性别、头像、手机、邮箱等详细信息进行保存操作，如图5-9所示。
边缘计算-零售业IT基础设施解决方案
06-01
消费者对于实时访问商品、订单信息以及随时随地获取服务的期望让零售商的压力渐增。与此同时，商店必须优化在线社交渠道，以弥补店内客流。施耐德电气的零售IT解决方案可简化基础设施供应链，减少新店部署的时间和...
软件工程课程设计-网上书店管理系统分析-设计及实现.doc
06-01
网上书店管理系统分析,设计及实现 一、需求分析 网上书店是指利用互联网络来实现图书销售业务的一种新型图书零售渠道。网上书店 订单处理速度快，服务范围宽，存书量大，读者坐在家里就可以"逛书店"。 1.1开发该系统...
asp.net 商业版连锁店进销存管理系统源码 多店进销存系统
11-11
零售毛利分析 营业员提成 营业员提成明细 零售类别汇总 3、 促销管理 促销计划 当前促销查询 促销销售汇总 促销销售明细 4、会员管理 会员类别 会员资料 积分设置 礼品管理 积分兑换 会员消费明细...
慧博商城系统(HuiboShop-Net) 1.3.rar
05-25
慧博商城系统(HuiboShop-Net)，为您打造优秀的网上商店及商城系统平台,是您网上开店、免费网上开店、免费开店的首选购物程序!现分销系统免费申请中，可入住YLFF.COM批发平台! 【系统特色】 1、上百套模板随意...
Python-Django毕业设计社区便利店销售小程序（程序+Lw)
Python计算机毕设程序源码_
03-06 112
该项目含有源码、文档、程序数据库、配套开发软件、软件安装教程项目运行环境配置：Pychram社区版py项目技术：django + python+ Vue 等等组成，B/S模式 +pychram管理等等。环境需要1.运行环境：最好是python3.7.7，我们在这个版本上开发的。其他版本理论上也可以。2.pycharm环境：pycharm都可以。推荐pycharm社区版;3.mysql环境：建议是用5.7版本均可。
（附源码）计算机毕业设计SSM连锁便民超市前端系统
ssm毕设程序设计
10-24 787
（附源码）计算机毕业设计SSM连锁便民超市前端系统项目运行环境配置：（Webstorm也行）+ Eclispe（IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持）。项目技术：等等组成，B/S模式 + Maven管理等等。环境需要1.运行环境：最好是java jdk 1.8，我们在这个平台上运行的。其他版本理论上也可以。2.IDE环境：IDEA，Eclipse,Myeclipse都可以。推荐IDEA;3.tomcat。
【python数据分析】—练习01商铺数据清洗
J358935的博客
07-10 3358
【项目01】 商铺数据加载及存储 作业要求： 1、成功读取“商铺数据.csv”文件 2、解析数据，存成列表字典格式：[{‘var1’:value1,‘var2’:value2,‘var3’:values,…},…,{}] 3、数据清洗： ① comment，price两个字段清洗成数字 ② 清除字段缺失的数据 ③ commentlist拆分成三个字段，并且清洗成数字 4、结果存为.pkl文件 源数据格式 1、读取数据 # 设置路径，方式，编码 f=open('C:/Users/Away/Desktop/
Python进行零售商品数据分析
zheng____的博客
04-26 5911
一、主要内容： 1、清洗数据。将列名统一修改、处理缺失数据和异常数据、转换日期等数据类型 2、查看总体销售情况 3、商品维度进行分析。主要分析内容有：商品价格分析，商品销售量、销售额情况分析，商品关 联分析 4、店铺维度进行分析。主要分析内容有：店铺销售量、销售额法分析，店铺促销情况分析，店铺 销售时间分析，周均消费次数分析，客单价分析等 5、相关性分析：用关联关系表、相关矩阵图和密度图初步对变量之间的关系进行分析。 6、用户维度进行分析。主要分析内容有：分析用户基本购买情况，按时间（周）对用户购买情况 进
超市销售数据分析python_超市销售数据库（python与MySQL）
weixin_39790760的博客
12-05 697
from PyQt5.QtWidgets importQPushButton, QWidget, QHBoxLayout, QLabel, QLineEdit, QVBoxLayout, QMessageBox, QHeaderViewfrom PyQt5.QtGui importQIcon, QStandardItemModel, QStandardItemfrom PyQt5 importQt...
每天一个数据分析题（三百二十六）
shiguangre的博客
05-14 208
公司想要了解上半年到下半年忠诚用户人数的变化情况，如上半年忠诚用户到下半年转变为了哪些其他类别用户，适合用什么图表展示？A. 簇状柱形图。B. 簇状条形图。C. 折线图。D. 瀑布图。
每天一个数据分析题（三百二十八）
最新发布
shiguangre的博客
05-17 291
表格结构数据是数据分析中常用的数据结构之一，以下属于表格结构数据分析工具的是。
数据分析——对比思维、A/B test
star_and_sun的博客
05-14 282
A/B测试
新书速览|MATLAB科技绘图与数据分析
quanzhankaifaqua的博客
05-14 418
的加入，为读者提供了一个直观的学习途径，尤其是对于那些希望快速掌握关键技能的读者来说，视频教程可以提供即时的指导和帮助。而上机练习资源文件的存在，使得读者可以在阅读理论之后，立即动手实践，这种学以致用的方式，能够极大地提升学习效果。总之，无论你是科研人员、工程师，还是学生，只要你需要使用MATLAB进行数据处理和分析，这本书都将是你宝贵的参考资料。《MATLAB科技绘图与数据分析》结合作者多年的数据分析与科研绘图经验，详细讲解MATLAB在科技图表制作与数据分析中的使用方法与技巧。
连锁零售超市经营数据分析实战
08-02
回答: 连锁零售超市经营数据分析实战是指通过对零售超市的经营数据进行分析，以获取有关销售、库存、客户等方面的信息，并根据这些信息提供决策支持和运营建议。在这个实战中，数据分析师可以利用数据分析工具和技术...

“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