解决常见问题：

1. 微信公众号中阅读量最高的前10篇文章是哪些？
2. 药店中每个月的销售金额是多少？

数据分析过程分为以下步骤：

（1）提出问题：数据分析首先要有个明确的问题。是所有数据分析开始的第一步。

（2）理解数据：采集数据（根据定义的问题来采集数据）、导入数据（excel、sql）譬如，读取excel到python二维框中、了解数据

（3）对数据进行清洗（对数据进行预处理）

（4）构建模型（对清洗后的数据进行数据分析，得出业务指标，复杂的要用机器模型的训练）

（5）数据可视化（与他人交流你的展示结果）

例：朝阳医院 销售数据

希望知道如下几个指标：月均消费次数、月均消费金额、客单价、消费趋势。首先自己必须搞清楚各个指标代表什么。和业务部门讨论清楚。

1. 解决问题之前，首先需要看数据集的基本信息，先用ExcelFile方法将数据读取到数据框中，我们加入了dtype方法，是希望所有数据都按字符串的方式读取出来。以保证数据的正确性。

打印出前几行，以保证数据正确读取了，也了解有哪些列以及他们的特点。

用descript方法来看数据的基本信息。

2. 数据清洗步骤

（1）选择子集；使用切片的冒号，使用loc属性可以获取指定范围

好多列，那么有时候我们只需要几列；

（2）列名重命名；首先建立一个旧新列名的对应关系，然后用rename方法来重命名，参数inplace，true:表示会改变数据框本身，false：会复制一个新的数据框出来，改变他的列名。

如果列名不方便数据分析，那么我们要对列名进行重命名

（3）缺失数据处理；记录缺失错误，直接删除缺失数据，如果缺失值太多，那么我们可以通过建立模型的方式来补充这些数据。不能有缺失值的列，可以用dropna来删除空数据，参数subset用于存放删除指定列的列表，第二个参数how，用于指定如何删除数据，how="any"表示任何一列有缺失值，都直接删除。可以看前后数据，saleDf.shape，行数差了多少。

（4）数据类型转换，字符串类型转换为数字类型。.astype('float');，例如日期只需要日期，不需要星期几，那么用.split分割字符串就可以。定义函数，可以将一列数据的每行数据都处理。字符串转换为日期类型，pd.to_datetime(列，格式，errors='coerce');如果不符合格式，会被转化为空值。因为日期不合理，会被置空，所以要执行一遍缺失处理数据。

（5）数据排序；按指定列名排序，默认排序算法快排序。by=列名，ascending=true:降序；false:生序。重命名行号，df.reset_index()

（6）异常值处理，有些数据超出了范围；用df.describe()来获取整体数据。使用条件判断，筛选出 销售数量>0的数据。

3. 分析数据

1⃣️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。但发生在同一天的，虽然有两次消费，但也算1次数据。

所以要根据日期和社保卡号来去重。只保留一条。

kpi1_df=df.drop_duplicates(subset=['销售时间','社保卡号']); // 删除重复数据

totalI = kpi1_df.shape[0]; // 有多少行，即总消费次数

（1）排序，df.sort_values(by='消费时间',ascending=true) // 按销售时间生序排序

kpi1df = kpi1df.reset_index(drop=true) // 重命名行名 index

（2）获取时间范围：第一行是最小时间，第二行是最大时间

（3）计算月份数，（结束时间-开始时间）.days得出天数。 /30得出一共几个月。

总消费次数/月份数=月均消费次数。

2⃣️月均消费金额 = 总消费金额/月份数

totalMoneyF = df.loc[:,'实收金额'].sum();

monthMoneyF = totalMoneyF / monthsI;

3⃣️客单价 = 总消费金额/总消费次数

4⃣️趋势分析，之后再来。

距离上篇文章，已经过去9个月了。重新拾起来。

2019.2.28（12:29）