本文案例取自猴子社群药店销售数据分析案例，因个人习惯。和原案例代码有所不同，但终究殊途同归，希望能给初学者以思考。此外，本文增加了可视化部分。

数据分析步骤可分为5部分：

1、提出问题

2、理解数据

3、数据清洗

4、构建模型

5、数据可视化

一、提出问题

所有的数据分析首先必须得有一个目标，得知道你需要啥，才能有针对性的去做分析工作。

这里应业务部门需求，要求得知以下几个指标：月均消费次数，月均消费金额，客单价和消费趋势。

二、理解数据

现业务部门提供了一份Excel销售数据，我们首先创建分析环境，并把数据导入进来。

import numpy as np

import pandas as pd

from datetime import datetime

导入Excel数据有两种方法，read_excel和Excelfile，前者是导入路径后者是创建对象，建议使用后者，以免数据复杂时出错。

xls=pd.ExcelFile(r'C:\Users\hubiao1\Desktop\朝阳医院2018年销售数据.xlsx',dtype='object')

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

导入后，查看下数据的大致情况，head看头，tail看尾巴。

saldf.tail()

有七个字段，6000多行数据。

继续查看三连击：

saldf.info()可以看到购药时间和社保卡号有空值

saldf.dtypes #注意这里不需要加括号可以看到时间不是日期格式，金额也不是数值格式，需要转换

saldf.shape

(6578, 7)

通过上边的操作，基本知道数据长啥样了。我们发现有空值和数据类型需要处理。

三、数据清洗

数据分析中，清洗是最花时间的一步，往往我们得到的数据有各种问题，类型不对，空值，异常值等等。这往往是数据分析师最常见的工作。通过清洗，数据分析师会对数据有更深刻的认识，也能对数据的可靠性有一个评估。事实上数据清洗做到位，下边的工作就比较明朗了。

首先我们需要选取子集，去掉我们不需要部分。这里数据量本身就比较小，不做子集处理。选取子集可参考numpy和pandas的切片。

对本数据集我们首先把购药时间换成销售时间，看着比较顺畅。

saldf.rename(columns={'购药时间':'销售时间'},inplace=True)

删除空值，参数any表示只要有一个字段有空值，整行全删掉：

saldf=saldf.dropna(how='any')

查看下：

saldf.info()

接下来进行类型转换，把时间改成日期格式，数量和金额变成数值格式。

转日期格式，首先用split把‘2018-01-24 星期三‘分开，只取2018-01-24。然后用to_excel转换成日期。我这里图方便两步嵌套写在一起了，要易懂的话可以分开写。

errors参数对转换失败的数据返回NaT。

saldf['销售时间']=pd.to_datetime(saldf['销售时间'].map(lambda x: x.split(' ')[0]),

format='%Y-%m-%d',

errors='coerce')

数量和金额的转换：

saldf[['销售数量','应收金额','实收金额']]=saldf[['销售数量','应收金额','实收金额']].astype('float')

丢掉转换失败的NaT值。实际工作中可能要去分析NaT值的原因，这里主要是二月份的29日超出了日历范围。

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

接下来按照我们正常思维，也为之后方便，把数据按日期排序，然后重设索引。

saldf=saldf.sort_values('销售时间')

saldf=saldf.reset_index(drop=True) #注意与reindex的区别

然后，看下数据清洗的咋样了，有无异常值：

saldf.describe()

数量和金额有负数，这不可能的事情，去掉。

saldf=saldf.loc[saldf['应收金额']>0]

到这里，数据清洗基本就完成了，接下来构建模型。

四、构建模型

首先对于指标一：月均消费次数。我们可以知道它等于：总消费次数/月份数。可见数据分析师也是要懂业务的。

首先求月份数，最后一天减去第一天。这里我用的numpy的timedelta，代码上和原案例的写法会有稍许差距。

daysi=(saldf['销售时间'].values[-1]-saldf['销售时间'].values[0])

daynum=daysi.astype('timedelta64[M]').astype('float')

然后取社保卡和日期唯一值个数除以月份数daynum。

saldf.drop_duplicates(subset=['销售时间','社保卡号']).shape[0]/daynum

得出为：890.8333。因月份数的求法和原案例不同所以有细微差别。依次求出其他指标：

月均消费额=总消费金额/月份数：

saldf['实收金额'].sum()/daynum #月均消费金额

为50672.4949。

客单价=总消费金额/总消费次数

saldf['实收金额'].sum()/saldf.drop_duplicates(subset=['销售时间','社保卡号']).shape[0]

为56.8821。

最后，我们画出消费趋势图。

导入包

import matplotlib.pyplot as plt

%matplotlib inline

from pylab import *

mpl.rcParams['font.sans-serif'] = ['SimHei'] #中文显示

plt.rcParams['axes.unicode_minus']=False #坐标轴负号的显示

首先把数据按时间聚合，聚合方式为求和。

saldfgroud=saldf.groupby('销售时间').sum()

然后画图

saldfgroud.plot()

发现这图片完全没法看，变化太剧烈了。同时销售数量的值太小了。

为此，我们首先进行移动平均重采样，把趋势显现出来。然后把销售数量放到右边次坐标轴。

saldfgroud.rolling(window=10).mean().plot(figsize=(10,5),secondary_y=['销售数量'])

好了，这样趋势就出来了。可见有几个月的销售情况十分突出。有兴趣的可以深入解读。