Python销售订单分析

俊红的数据分析之路

共 1799字,需浏览 4分钟

 ·

2022-05-27 10:51

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

数据获取

获取本节的案例数据:

「销售订单分析」https://www.aliyundrive.com/s/8yihmUZPhWK

研究目的

  1. 订单前十的产品都有哪些?

  2. 销售量前十的产品都有哪些?

  3. 每个分拨中心的销量占比是多少?

  4. 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 pdfrom datetime import datetimedf=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 inlineplt.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

使用dtypes函数查看数据类型,可以看到初始的订单日期为日期类型,提取后的月份字段变为字符类型。

this_year.dtypes

计算每个月的订单数,按照月份进行分组计数,其中nunique函数可以实现非重复计数功能。

this_year.groupby('月份')['订单号'].nunique()

使用plot函数绘制一个折线图,由图可以看出2018年12月的订单数最多,2018年2月份的订单数最少。

this_year.groupby('月份')['订单号'].nunique().plot(figsize=(6, 4))


END -
对比Excel系列图书累积销量达15w册,让你轻松掌握数据分析技能,可以在全网搜索书名进行了解选购
浏览 54
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报