下载掌阅APP，畅读海量书库
立即打开
月销售趋势分析主要实现按月份统计分析销售额和销量，并通过双折线图直观地体现销售的整体趋势，如图1.13所示。
图1.13 月销售趋势分析
从运行结果中得知：销售数据呈明显上升趋势，其中6月、10月和11月是销售旺季。为了实现月销售趋势分析，首先使用pandas模块的resample()方法和to_period()方法按月统计销售数据，然后通过matplotlib模块的plot()函数绘制双 y 轴图表，其中左侧 y 轴体现“成交码洋”，右侧 y 轴体现“成交商品件数”，实现过程如下（源码位置：资源包\Code\01\data_month_sales.py）。
（1）在项目目录下新建一个Python文件，并将其命名为data_month_sales.py。
（2）导入相关模块，代码如下：
import pandas as pd # 导入pandas模块 import matplotlib.pyplot as plt # 导入matplotlib模块
（3）读取Excel文件并抽取指定的数据，代码如下：
# 读取Excel文件
df=pd.read_excel('./data/data1.xlsx')
# 抽取数据
df=df[['时间','成交商品件数','成交码洋']]
（4）按月统计数据，首先按“时间”对数据进行升序排序并将“时间”设置为索引，然后使用resample()方法和to_period()方法按月统计数据，代码如下：
# 排序并设置时间为索引
df1=df.sort_values(by=['时间']).set_index('时间')
# 按月统计数据
df2=df1.resample('M').sum().to_period('M')
print(df2)
运行程序，查看按月统计后的数据，如图1.14所示。
图1.14 按月统计数据
（5）数据处理完成后，接下来的任务是使用matplotlib模块的plot()函数绘制一个双 y 轴的图表。具体思路是：首先使用add_subplot()函数创建一个子图，然后通过twinx()函数为该子图添加一个与主 y 轴共享 x 轴的第二个 y 轴，并确保这个新 y 轴的刻度显示在子图的右侧，代码如下：
热销产品分析主要使用ABC分类法，该方法通过计算产品累计贡献率，将产品划分为A类、B类和C类，并随后进行数据可视化，以便直观地观察热销产品的分布情况，如图1.15所示。
图1.15 热销产品分析
从运行结果中得知：销售收入排名前三的产品分别是B16、B33和B18，销售收入排名后三的产品分别是B12、B10和B22。此外，各产品销售收入之间的差异巨大。
综上所述，根据ABC分类法，其中：A类产品贡献率为80%，包括B16、B33、B18、B27、B19、B30、B17、B26、B8、B25、B28和B13，这些产品属于热销产品，需要重点营销；B类产品贡献率为10%，包括B29、B14、B7、B9、B6和B5，这些产品比较重要，需要关注，并进一步挖掘增长点；C类产品贡献率为10%，包括B24、B11、B31、B32、B3等，这些产品一般重要，需要发挥潜力。
下面介绍热销产品分析的实现过程（源码位置：资源包\Code\01\data_hot_all.py）。
（1）在项目目录下新建一个Python文件，并将其命名为data_hot_all.py。
（2）导入相关模块，代码如下：
import pandas as pd # 导入pandas模块 import matplotlib.pyplot as plt # 导入matplotlib模块 import numpy as np # 导入numpy模块
（3）按照“商品名称”进行分组统计数据。首先读取Excel文件，然后抽取指定的数据，最后使用groupby()函数实现分组统计求和，代码如下：
# 读取Excel文件
df=pd.read_excel('./data/data1.xlsx')
# 抽取数据
df=df[['商品名称','成交商品件数','成交码洋','加购人数']]
# 按照商品名称进行分组统计
# 通过reset_index()函数将groupby()的分组结果重新设置索引
df1 = df.groupby("商品名称").sum().reset_index()
（4）由于“商品名称”过于冗长，可能会影响图表的可视化效果，因此我们可以为“商品名称”设置“商品ID”。这主要通过for循环和DataFrame对象的loc属性来实现，代码如下：
# 设置商品ID
row_count = df1.shape[0] # 行数
for i in range(row_count): # 遍历行数
df1.loc[i,'商品ID']='B'+str(i+1) # 为商品ID赋值
（5）计算累计贡献率。首先将“商品ID”设置为DataFrame的索引，然后按照“成交码洋”的降序对数据进行排序，最后使用cumsum()函数和sum()函数计算累计贡献率，代码如下：
df1 = df1.set_index('商品ID').sort_values(by='成交码洋',ascending=False) # 设置索引并降序排序
df1['累计贡献率']=(df1['成交码洋'].cumsum()/df1['成交码洋'].sum()).round(2) # 计算累计贡献率
print(df1.head()) # 输出前5条数据
运行程序，输出前5条数据，以检验计算结果，如图1.16所示。
图1.16 累计贡献率
（6）按照ABC分类法进行分类。首先使用cut()函数切分数据并标记类别，代码如下：
# 使用cut()函数标记类别 df1['类别']=pd.cut(df1['累计贡献率'], [0,0.8,0.9,1], labels=[u"A类",u"B类",u"C类"])
运行程序，输出前5条和最后5条数据，以便查看分类后的数据，如图1.17所示。
图1.17 分类后的数据
（7）将分类数据保存为Excel文件，以方便日后使用，代码如下：
# 导出为Excel文件
df1.to_excel('data/data1_hot.xlsx')
（8）数据可视化。我们绘制双 y 轴图表，主要使用pandas模块提供的内置绘图函数。其中，柱形图用于展示“销售收入”，而曲线图用于展示“收入比例”。在曲线图上，我们添加累计贡献率的文本标签，同时绘制两条水平线，分别作为累计贡献率80%和90%的分界线，从而使得累计贡献率在图表中一目了然，代码如下：
通过1.6.2节内容，我们了解到热销产品中第一位的是B16。接下来，我们将分析该产品的环比增长情况，并通过双 y 轴图表来展示。在图表中，柱形图将展示“成交商品件数”，而折线图则展示“环比增长率”。具体如图1.18所示。
图1.18 热销单品环比增长情况分析
下面介绍热销单品环比增长情况分析的实现过程（源码位置：资源包\Code\01\data_hot_one.py）。
（1）在项目目录下新建一个Python文件，并将其命名为data_hot_one.py。
（2）导入相关模块，代码如下：
import pandas as pd # 导入pandas模块 import matplotlib.pyplot as plt # 导入matplotlib的pyplot子模块 import matplotlib.ticker as mtick # 导入matplotlib的ticker子模块
（3）筛选指定数据，然后按月统计数据，代码如下：
df=pd.read_excel('./data/data1.xlsx') # 读取Excel文件
df1=df[df['商品名称']=='Python从入门到项目实践（全彩版）'] # 筛选数据
df1=df1[['时间','成交商品件数']] # 抽取数据
df1=df1.set_index('时间').sort_values(by=['时间']) # 将时间设置为索引并进行升序排序
df2=df1.resample('M').sum().to_period('M') # 按月统计数据
print(df2)
（4）计算环比增长率。环比增长率反映本月比上个月增长了多少，公式如下：
在pandas中，我们可以使用shift()方法将数据移至上一条，从而得到上个月的数据，然后通过上述计算公式得到环比增长率，代码如下：
df2['成交商品件数']=df2.sum(axis=1) # 求和运算 df2['rate']=((df2['成交商品件数']-df2['成交商品件数'].shift())/df2['成交商品件数'])*100 # 环比增长率 print(df2.head()) # 输出前5条数据
运行程序，输出前5条数据，看一下环比增长率，如图1.19所示。
图1.19 环比增长率
说明
在运行结果中出现了NaN，NaN是“Not a Number”的缩写，即不是一个数，表示空值。之所以会出现空值，是因为没有上月数，也就是上一年12月份的数据。
（5）数据可视化。绘制双 y 轴图表，其中：使用matplotlib模块的bar()函数绘制柱形图，以展示“成交商品件数”；使用matplotlib模块的plot()函数绘制折线图，以展示环比增长率，代码如下：
说明
matplotlib.ticker模块主要用于设置坐标轴刻度的格式和位置。它提供了一些常用的刻度格式，如科学记数法、百分比和日期等，并允许用户自定义刻度格式。此外，它还可以设置刻度的位置、间隔和标签等，以满足不同用户的需求。常用的刻度和格式化如下：
AutoLocator：自动选择刻度间隔。
FixedLocator：指定固定的刻度位置。
MultipleLocator：指定刻度间隔。
NullLocator：不显示刻度。
FormatStrFormatter：指定格式化字符串。
加购人数和购买数量分析主要分析热销产品中A类产品的加入购物车人数和实际成交商品件数的对比情况，并通过结合柱形图和折线图来展示分析结果，如图1.20所示。
图1.20 加购人数和购买数量分析
从运行结果中得知：不同产品的购买数量及加购人数呈现基本同步变化的趋势。排名前三的产品分别是B33、B16和B27，其中B33和B16的购买数量差异不大，但它们与其他产品的购买数量相比，却有着显著的差异，是其他产品的三倍或更多。
下面介绍加购人数和购买数量分析的实现过程（源码位置：资源包\Code\01\data_addcart.py）。
（1）在项目目录下新建一个Python文件，并将其命名为data_addcart.py。
（2）导入相关模块，代码如下：
import pandas as pd # 导入pandas模块 import matplotlib.pyplot as plt # 导入matplotlib模块
（3）在热销产品中筛选A类产品，代码如下：
# 读取Excel文件
df=pd.read_excel('./data/data1_hot.xlsx')
# 筛选A类产品
df=df[df['类别']=='A类']
# 抽取数据并按照“加购人数”进行降序排序
df1=df[['商品ID','成交商品件数','加购人数']].sort_values(by='加购人数',ascending=False)
（4）分别绘制折线图和柱形图，以便对实际成交商品件数和加购人数进行对比分析。其中：使用matplotlib模块的plot()函数绘制折线图，用于展示成交商品件数；使用matplotlib模块的bar()函数绘制柱形图，用于展示加购人数，代码如下：
接下来，我们对热销产品中不同种类产品的销量占比情况进行分析。我们首先为每种产品打上标签，然后按照这些标签对产品进行分组并统计每一组的销量，最后通过饼形图展示不同种类产品的销量占比情况，如图1.21所示。
从运行结果中得知：在热销产品中，Python的占比达到了44.5%，几乎占到总数的一半。因此，建议对这些产品实施重点营销策略，并继续拓展其周边产品，以增加产品种类的多样化。
下面介绍不同种类产品销量占比情况分析的实现过程（源码位置：资源包\Code\01\data_type.py）。
（1）在项目目录下新建一个Python文件，并将其命名为data_type.py。
（2）导入相关模块，代码如下：
import pandas as pd # 导入pandas模块 import matplotlib.pyplot as plt # 导入matplotlib模块
图1.21 不同种类产品的销量占比情况分析
（3）为产品打标签。我们通过“商品名称”字符串中包含的关键字为产品打标签。我们首先定义标签函数add_tag()，在该函数中使用if语句判断“商品名称”字符串中包含的关键字，然后应用该函数为产品打标签，代码如下：
运行程序，输出前5条数据，查看打标签后的结果，如图1.22所示。
图1.22 打标签后的数据
（4）分组统计数据。按照tag标签对数据进行分组统计求和，并根据“成交商品件数”进行降序排序，代码如下：
# 抽取数据
df=df[['tag','成交商品件数']]
# 按照tag标签分组统计并进行降序排序
df1=df.groupby('tag').sum().sort_values('成交商品件数',ascending=False)
（5）数据可视化。使用matplotlib模块的pie()函数绘制饼形图，以便分析不同种类产品的销量占比情况，代码如下：
下面进行工作日与周末销量对比分析。我们首先对“日期”进行处理，从日期中找到工作日和周末，并对它们进行标记，然后对工作日5天和周末两天的数据进行分组统计求和，最后绘制双折线图以对这些数据进行对比分析，如图1.23所示。
从运行结果中得知：我们虽然凭直觉认为周末休息时购买的人数可能会更多，但经过实际对比分析发现，工作日的销量高于周末的销量。这种差异可能是由于工作日有5天，而周末只有两天。
下面介绍工作日与周末销量对比分析的实现过程（源码位置：资源包\Code\01\data_workday_weekend.py）。
（1）在项目目录下新建一个Python文件，并将其命名为data_workday_weekend.py。
（2）导入相关模块，代码如下：
import pandas as pd # 导入pandas模块 import matplotlib.pyplot as plt # 导入matplotlib模块
图1.23 工作日与周末销量对比分析
（3）对日期数据进行处理。我们主要使用dt对象的month属性和dayofweek属性获取月份和星期。通过dayofweek属性获取的星期是以数字形式表示的，其中0表示星期一，以此类推。然后，我们依据星期进行判断，将数字小于5的标记为工作日，将数字大于5的标记为周末，代码如下：
# 读取Excel文件
df=pd.read_excel('./data/data1.xlsx')
# 获取并添加月份和星期（星期一=0, 星期日=6）
df['月份'],df['星期']=df['时间'].dt.month,df['时间'].dt.dayofweek
# 标记工作日和周末
df.loc[df[df['星期']<5].index,'标记']='工作日'
df.loc[df[df['星期']>=5].index,'标记']='周末'
运行程序，查看标记后的数据，如图1.24所示。
（4）数据分组统计。首先抽取指定的数据，然后按照月份和标记分组统计求和，代码如下：
# 抽取数据 df=df[['月份','成交商品件数','标记']] # 按月份和标记分组统计求和 df1=df.groupby(['月份','标记']).sum() print(df1.head(6)) # 输出前6条数据
运行程序，看一下分组统计后前3个月的数据，如图1.25所示。
图1.24 标记后的数据
图1.25 分组统计后前3个月的数据
（5）绘制双折线图，主要使用DataFrame对象自带的绘图函数plot()直接对处理后的数据进行绘图，方便快捷，代码如下：
# 设置月份 month=['1月','2月','3月','4月','5月','6月','7月','8月','9月','10月','11月','12月'] # 解决中文乱码问题 plt.rcParams['font.sans-serif']=['SimHei'] # 将最内层的行索引转换为列索引然后绘制折线图 df1.unstack().plot(stacked=True) plt.xticks(range(1,13,1),month) # 设置x轴刻度及标签 plt.legend() # 显示图例 plt.show() # 显示图表