双十一淘宝美妆数据分析

import numpy as np
import pandas as pd
df =pd.read_csv('C:/Users/15451/双十一淘宝美妆数据.csv',sep=',')
dfdf['update_time'].uniquedf.columnsdf.isnull().sum()df.fillna(0,inplace=True)df[df.duplicated()].count()df=df.drop_duplicates()
df.reset_index(drop=True,inplace=True)
#直线索引，drop=True：把原来的索引index列去掉，丢掉
dfdf[df.duplicated()].count()df['update_time']=pd.to_datetime(df['update_time'])df.info()df['update_time']=df['update_time'].apply(lambda x:x.strftime("%Y-%m-%d"))
df['update_time']df['sale_amount']=df['price']*df['sale_count']
df[df['sale_count']>0].sort_values(by='sale_count')
#检查一下最小值，最小值最好计算sale_amount是否准确## （5）分析每日整体销售量走势并画图result1=df.groupby('update_time')['sale_count'].sum().to_dict()
result2=list(round(float(x/10e6),2) for x in result1.values())
#list(result1.keys())#import pyecharts.options as opts
#from pyecharts.charts import Line
#dayXL=(#Line()#.add_xaxis(xaxis_data=list(result1.keys()))#.add_yaxis(y_axis=list(result1.values()),series_name="销售量")#.set_global_opts(#yaxis_opts=opts.AxisOpts(#splitline_opts= opts.SplitLineOpts(#is_show=True,#),#name="销量",#),#xaxis_opts=opts.AxisOpts(#name="时间",#)#)
#)
#dayXL.render('dayXL.html')import pyecharts.options as opts
from pyecharts.charts import Line
dayXL=(Line().add_xaxis(xaxis_data=list(result1.keys())).add_yaxis(y_axis=result2,series_name="销售量(单位：千万件)",).set_global_opts(yaxis_opts=opts.AxisOpts(splitline_opts= opts.SplitLineOpts(is_show=True,),name="销量",),xaxis_opts=opts.AxisOpts(name="时间",))
)
dayXL.render('dayXL.html')## （6）按照日期统计出累计销售量排行 TOP10datetimes = list(df['update_time'].unique()) #unique()以数组的形式返回所有唯一值，并按照从小到大的顺序排列
datetimes.reverse()
datetimestemp1=df[df['update_time']<=datetimes[0]].groupby('店名').agg({'sale_count':'sum','sale_amount':'sum'})
temp2=temp1.sort_values(by='sale_count',ascending=False)[:10].sort_values(by='sale_count')
temp3=temp1.sort_values(by='sale_count',ascending=False)[:10].sort_values(by='sale_amount')
label=list(temp2.to_dict()['sale_count'].keys())
saleCount=list(temp2.to_dict()['sale_count'].values())
saleAmount=list(temp3.to_dict()['sale_amount'].values())
#saleAmount
label
#saleCountimport pyecharts.options as opts
from pyecharts.charts import Bar,Timelinetimeline=(Timeline().add_schema(is_loop_play=True, #是否循环播放play_interval=500 #播放速度)
)
for datetime in datetimes:temp1=df[df['update_time']<=datetime].groupby('店名').agg({'sale_count':'sum','sale_amount':'sum'}) #按照店名分组统计销售量销售额temp2=temp1.sort_values(by='sale_count',ascending=False)[:10].sort_values(by='sale_count') #截取销售排行TOP10的店铺并按销量从小到大排序temp3=temp1.sort_values(by='sale_count',ascending=False)[:10].sort_values(by='sale_amount') #截取销售排行TOP10的店铺并按销售额从小到大排序temp4=temp2.to_dict()['sale_count']temp5=temp3.to_dict()['sale_amount']label=list(temp2.to_dict()['sale_count'].keys()) #获取TOP10店铺名#saleCount=list(temp2.to_dict()['sale_count'].values()) #获取TOP10店铺销售量saleCount=list(round(float(x/10e5),2) for x in temp4.values())#saleAmount=list(temp3.to_dict()['sale_amount'].values()) #获取TOP10店铺销售额saleAmount=list(round(float(x/10e6),2) for x in temp5.values())bar=(Bar().add_xaxis(label).add_yaxis(series_name="销售量(单位：百万件)",y_axis=saleCount,label_opts=opts.LabelOpts(position="right")).add_yaxis(series_name="销售额(单位：千万)",y_axis=saleAmount,label_opts=opts.LabelOpts(position="right")).set_global_opts(title_opts=opts.TitleOpts(title="累计销售量排行 TOP10的店铺")).reversal_axis() #x轴和y轴转置，变成条形图)timeline.add(bar,datetime)timeline.render('timelineChart.html')## （7）按照日期统计出平均价格排行 TOP20temp1=df[df['update_time']<=datetimes[0]].groupby('店名').agg({'price':'mean','sale_amount':'mean'})
temp2=temp1.sort_values(by='price',ascending=False)[:20].sort_values(by='price')
#temp3=temp1.sort_values(by='sale_count',ascending=False)[:20].sort_values(by='sale_amount')
label=list(temp2.to_dict()['price'].keys())
salePrice=list(round(float(x),2) for x in temp2.to_dict()['price'].values())
salePriceimport pyecharts.options as opts
from pyecharts.charts import Bar,Timelinetimeline=(Timeline().add_schema(is_loop_play=True, #是否循环播放play_interval=500 #播放速度)
)
for datetime in datetimes:temp1=df[df['update_time']<=datetime].groupby('店名').agg({'price':'mean','sale_amount':'mean'})temp2=temp1.sort_values(by='price',ascending=False)[:20].sort_values(by='price')#temp3=temp1.sort_values(by='sale_count',ascending=False)[:20].sort_values(by='sale_amount')label=list(temp2.to_dict()['price'].keys())salePrice=list(round(float(x),2) for x in temp2.to_dict()['price'].values())bar=(Bar().add_xaxis(label).add_yaxis(series_name="平均价格(元/件)",y_axis=salePrice,label_opts=opts.LabelOpts(position="right")).set_global_opts(title_opts=opts.TitleOpts(title="累计平均价格排行TOP20的店铺")).reversal_axis())timeline.add(bar,datetime)timeline.render('pricelineChart.html')

双十一淘宝美妆数据分析相关推荐

数据分析：关于双十一淘宝美妆品牌促销的数据分析报告
关于双十一淘宝美妆品牌促销的数据分析报告 1.数据介绍 2.数据思维 2.1 按业务逻辑分类 2.1.1 计算各品牌参与活动的商品 2.2 各品牌打折力度计算 3.报告展示 1.数据介绍字段描述 ...
电商双11美妆数据分析
电商双11美妆数据分析 1.数据初步了解 import numpy as np import pandas as pd df = pd.read_csv('双十一淘宝美妆数据.csv') df.hea ...
python数据清洗--对双十一淘宝直播流量数据进行数据真实性验证
数据集: 某年双十一淘宝直播数据,共有6张表,如下: 每日场均每小时流量趋势对比.xlsx 每日总流量趋势(近30天).xlsx 行业流量趋势(近30天).xlsx 总流量排行(近30天).xlsx ...
Part8:淘宝天猫母婴产品数据分析
Part8:淘宝天猫母婴产品数据分析注明:此文章已在知乎发布,更多系列文章可以移步知乎搜索"Bella-贝拉" 1 分析背景 1.1PEST分析法政治: 2018年,中国网上零 ...
mysql 时间段内的周末_淘宝用户行为数据分析（MySQL）
利用MySQL对淘宝用户行为数据进行分析.分析步骤如下: 1 提出问题 2 理解数据 3 数据清洗 4 构建模型 5 结论 6 建议淘宝是目前国内最大的电商平台,人们网购的主要渠道之一.买家通过搜索 ...
天池-淘宝用户行为数据分析（python+Tableau)
天池-淘宝用户行为数据分析(python+Tableau) 一.背景用户行为分析可以让产品更加详细.清楚地了解用户的行为习惯,从而找出网站.app.推广渠道等产品存在的问题,有助于产品发掘高转化 ...
淘宝电商数据分析-Tableau
基于上篇文章淘宝电商数据分析-Python做的可视化. 1.分析的目标 1.1每天的PV 1.2每天的UV 1.3每小时的PV 1.4每小时的UV 1.5用户行为转化率和转化漏斗 1.6销售量前10的 ...
【增加苏宁】2020双十一淘宝领喵币+京东全名营业+支付宝+苏宁の自动化任务
2020双十一淘宝领喵币+京东全名营业+支付宝+苏宁の自动化任务淘宝+京东+支付宝+苏宁不墨迹,直接放链接: 待更新 CSDN快捷下载百度网盘提取码:5g9q 蓝奏网盘增加功能在原项目上增 ...
[Python]调用adb抢双十一淘宝喵币
原创文章,欢迎转载.转载请注明:转载自祥的博客原文链接:https://blog.csdn.net/humanking7/article/details/102800059 文章目录 @[toc] ...

双十一淘宝美妆数据分析

双十一淘宝美妆数据分析相关推荐

最新文章

热门文章