数据处理2
- 1、案例1：统计爆款产品的销量
- 2、案例2：计算不同地区的销售额占比
- 3、案例3：分析畅销产品的用户画像
- 4、案例4：生成可视化报表
- 5、案例5：将报表导出为Excel文件
- 6、总结
1、案例1：统计爆款产品的销量
需要统计双十一期间各个产品的销量，找出爆款产品。
import pandas as pd# 读取Excel数据
df = pd.read_excel("双十一订单数据.xlsx")# 按照商品名称分组，统计销量
sales_by_product = df.groupby("商品名称")["数量"].sum()# 按照销量排序，找出前10名
top10_products = sales_by_product.sort_values(ascending=False).head(10)# 打印结果
print(top10_products)
输出结果：
商品名称
爆款手机 10000
网红零食大礼包 8000
时尚女装 5000
... ...
Name: 数量, dtype: int64
2、案例2：计算不同地区的销售额占比
领导还要求小王分析不同地区的销售额占比，以便制定更有针对性的地区营销策略。
# 计算销售额df["销售额"] = df["数量"] * df["单价"]# 按照地区分组，统计销售额
sales_revenue_by_region = df.groupby("地区")["销售额"].sum()# 计算销售额占比
total_revenue = sales_revenue_by_region.sum()
sales_ratio_by_region = sales_revenue_by_region / total_revenue# 打印结果
print(sales_ratio_by_region)
输出结果：
地区
华东 0.45
华南 0.30
华北 0.25
Name: 销售额, dtype: float64
3、案例3：分析畅销产品的用户画像
为了更好地了解爆款产品的用户群体，小王还需要分析购买这些产品的用户的年龄、性别等信息。
# 筛选购买爆款产品的订单
top_product_orders = df[df["商品名称"] == "爆款手机"]# 统计购买用户的年龄分布
age_distribution = top_product_orders["用户年龄"].value_counts()# 统计购买用户的性别比例
gender_ratio = top_product_orders["用户性别"].value_counts(normalize=True)# 打印结果
print(age_distribution)
print(gender_ratio)
输出结果：
25-34岁 5000
18-24岁 3000
35-44岁 2000
Name: 用户年龄, dtype: int64女 0.6
男 0.4
Name: 用户性别, dtype: float64
4、案例4：生成可视化报表
为了使报表更加直观易懂，小王可以使用Python生成各种可视化图表，例如柱状图、饼图、折线图等等。
import matplotlib.pyplot as plt# 生成柱状图展示爆款产品销量
top10_products.plot(kind="bar")
plt.title("双十一爆款产品销量Top10")
plt.xlabel("商品名称")
plt.ylabel("销量")
plt.show()# 生成饼图展示不同地区的销售额占比
sales_ratio_by_region.plot(kind="pie", autopct="%1.1f%%")
plt.title("不同地区销售额占比")
plt.show()
5、案例5：将报表导出为Excel文件
最后，小王可以将生成的报表导出为Excel文件，方便保存和分享给领导。
# 将统计结果导出到Excel
with pd.ExcelWriter("双十一销售数据分析报表.xlsx") as writer:top10_products.to_excel(writer, sheet_name="爆款产品销量")sales_ratio_by_region.to_excel(writer, sheet_name="地区销售额占比")age_distribution.to_excel(writer, sheet_name="爆款产品用户年龄分布")gender_ratio.to_excel(writer, sheet_name="爆款产品用户性别比例")
6、总结
通过以上案例，我们可以看到Python可以帮助我们轻松地处理Excel数据，进行统计分析，并生成可视化报表，极大地提高工作效率。