学习目标 通过实际案例分析掌握Numpy和Pandas的数据分析语句

本文以某医院的销售数据为例按照以下步骤进行分析：

一、提出问题

1.月均消费次数

2.月均消费金额

3.客单价

二、理解数据

导入Excel数据

import pandas as pd

# 导入Excel数据，统一先按照str读入，之后转换

fileNameStr = 'D:\\python\\朝阳医院2018年销售数据.xlsx'

xls = pd.ExcelFile(fileNameStr,dtype='object')

salesDf = xls.parse('Sheet1',dtype='object')

# 打印前几行数据验证

salesDf.head()

指定一列查看数据类型：

# 查看购药时间一列的数据类型

salesDf['购药时间'].dtype

Excel原文件：

三、数据清洗

数据清洗一般步骤：

(1)选择子集：

本数据不用选择子集

# 若需要选择子集，可使用切片功能选择子集

subsetsalesDf = salesDf.loc[0:4,'购药时间':'销售数量']

(2)列名重命名

# 字典：旧列名和新列名对应关系

colNameDict = {'购药时间':'销售时间'}

salesDf.rename(columns = colNameDict,inplace=True)

salesDf.head()

注：inplace=False，数据框本身不会变，而会创建一个改动后新的数据框，默认的inplace是

False，inplace=True，数据框本身会改动。

(3)缺失数据处理

Python中处理空值的方法比较灵活，可以使用 Dropna函数用来删除数据表中包含空值的数据，也可以使用fillna函数对空值进行填充。

# 删除列(销售时间，社保卡号)中为空的行

# how = 'any' 在给定的任何一列中有缺失值就删除

salesDf = salesDf.dropna(subset=['销售时间','社保卡号'],how='any')

print('删除缺失值后大小',salesDf.shape)

使用fillna函数把空值用0填充

salesDf = salesDf.fillna( value=0 )

(4)数据类型转换

字符串转换为数值(浮点数)

日期处理--字符串转换为日期类型

因为销售时间一列只需要日期就可以，所以提取日期，并将其转换为日期类型

注：定义函数：分割销售日期，获取销售日期

输入：timeColSer 销售时间这一列，是个Series数据类型

输出：分割后的时间，返回也是个Series数据类型

字符串转换日期：

注：format 是原始数据中日期的格式

errors='coerce' 如果原始数据不符合日期的格式，转换后的值为NaN

再删除销售时间和社保卡号两列的空值行

(5)排序

按销售时间进行升序排列

重命名行名(index)

使用reset_index重命名行名，drop=True丢弃原来的索引，重新从0设置新的索引

(6)异常值处理

# 查看每一列的描述统计信息

salesDf.describe()

因为销售数量、应收金额等不可能出现负数，删除异常值

删除异常值：通过条件判断筛选出数据

四、构建模型

业务指标1：月均消费次数 = 总消费次数/月份数

(同一天内，同一个人发生的所有消费算作一次消费)

计算总消费次数：删除重复数据

# Step1:删除重复数据

kpi1_Df = salesDf.drop_duplicates(subset = ['销售时间','社保卡号'])

# 有多少行

totalI = kpi1_Df.shape[0]

print('总消费次数:',totalI)

计算月份数：

# Step1：排序

# 按销售时间升序排序

kpi1_Df = kpi1_Df.sort_values(by='销售时间',ascending=True)

# 重命名行名

kpi1_Df=kpi1_Df.reset_index(drop=True)

# Step2：获取时间范围

# 获取最小时间值

startTime = kpi1_Df.loc[0,'销售时间']

# 获取最大时间值

endTime = kpi1_Df.loc[totalI - 1,'销售时间']

# Step3：计算月份数

# 天数

daysI = (endTime-startTime).days

# 月份数：运算符 “//” 表示取整除

# 返回商的整数部分，例如9//2 输出结果是 4

monthsI = daysI // 30

print('月份数',monthsI)

月均消费次数：

业务指标2：月均消费金额 = 总消费金额 / 月份数

# 总消费金额

totalMoney = salesDf.loc[:,'实收金额'].sum()

# 月均消费金额

monthMoney = totalMoney / monthsI

print('业务指标2：月均消费金额',monthMoney)

业务指标3：客单价 = 总消费金额 / 总消费次数

pct = totalMoney / totalI

print('客单价：',pct)