简单的数据分析案例，使用Python做销售订单分析

显示全部楼层

我们常讲数据分析的三大作用：现状分析、原因分析、预测分析，现状分析可以表明当前的业务状况，对当前的业务状况做分析，可以给决策者提供一个数据支撑和参考。

本节使用一组销售订单明细数据，研究不同产品的订单数和销量情况，同时研究每个分拨中心的销量占比以及哪些月份订单量最多，综合数据分析的结果给业务决策热提供数据支持。

示例工具：anconda3.7
本文讲解内容：销售订单数据分析
适用范围：Python业务数据分析

研究目的

订单前十的产品都有哪些？
销售量前十的产品都有哪些？
每个分拨中心的销量占比是多少？
哪些月份订单量最多？

数据导入

使用pandas包导入数据，其中parse_dates用于解析日期。

import pandas as pd from datetime import datetime df=pd.read_excel(r'C:/Users/尚天强/Desktop/销售订单明细.xlsx',parse_dates=['发货日期']) df.head()

订单前十的产品

查看订单量前十的产品都有哪些？使用value_counts()函数进行分组计数，默认是降序排列，同时使用head函数选取前十个数据结果，其中充电宝订单数排第一位。

count_ten=df['产品名称'].value_counts().head(10) count_ten

数字不太直观，我们导入matplotlib包将订单量可视化进行展示。

import matplotlib.pyplot as plt #让图表直接在Jupyter Notebook中展示出来 %matplotlib inline plt.rcParams["font.sans-serif"] = 'SimHei' #中文乱码问题 plt.rcParams['axes.unicode_minus'] = False #负号无法显示 %config InlineBackend.figure_format = 'svg' #设置图表为数量图格式形式

value_counts函数是默认降序排列，可以使用sort_values函数升序排列后，使用plot.barh函数做一个条形图，由图可以看出订单数排前十的产品，且贴膜和数据线这两款产品之间订单数出现显著差异。

count_ten=count_ten.sort_values() count_ten.plot.barh()

销售量前十的产品

查看销售量前十的产品，按照产品名称分组求和，然后使用sort_values函数设置ascending=False参数进行降序排列。

sale_ten=df.groupby('产品名称')['销售数量'].sum().sort_values(ascending=False).head(10) sale_ten

使用条形图直观地展示数据结果，手机壳的销量排第一位，表明手机壳更新换代速度比较快，产品需求多。

sale_ten_sort=sale_ten.sort_values() sale_ten_sort.plot.barh()

每个分拨中心中心的销量占比

每款产品都是由分拨中心始发，查看每个分拨中心中心的销量占比，使用groupby函数根据发货地分组求和，同时除以总销量，即可得到每个分拨中心的销量占比。

fahuoz_count=df.groupby('发货地')['销售数量'].sum()/df['销售数量'].sum() fahuoz_count

使用plot.pie函数绘制一个饼图，由图可以看出上海分拨中心的的销量占比最高，达到37.89%，郑州分拨中心的销量占比最低，仅有11.38%。

fahuoz_count.plot.pie(figsize=(5, 5),startangle=90,autopct='%1.2f%%')

哪些月份订单量最多

查看哪些月份的订单最多，这里筛选2018年1月1日到2018年12月31日的数据，同时使用map和lambda函数提取年月，将提取的年月数据格式变化为字符类型。

#筛选2018年数据 this_year=df[(df['订单日期']>=datetime(2018,1,1))&(df['订单日期']<=datetime(2018,12,31))] this_year=this_year.copy() this_year['月份']=this_year['订单日期'].map(lambda x:str(x.strftime('%Y%m')))#提取月份数据 this_year