解析医院药店销售数据，看看Python数据分析结果有什么惊人的发现

前言

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

一般来说，数据分析的基本过程包括以下几个步骤：

 

1.提出问题——即我们所想要知道的指标（平均消费额、客户的年龄分布、营业额变化趋势等等）

2.导入数据——把原始数据源导入jupyter notebook中（网络爬虫、数据读取等）

3.数据清洗——数据清洗是指发现并纠正数据文件中可识别的错误（检查数据一致性，处理无效值和缺失值等）

4.构建模型（高级的模型构建会使用机器学习的算法）

5.数据可视化——matplotib库等

 

具体的numpy库等基础知识之前的文章已经介绍了：

numy基础知识分享

pandas入门基本知识

 

我们现在来看一个实例——医院药店销售数据分析

 

 

提出问题：

我们想知道的信息有——月均消费额、月均消费次数、客单价、消费趋势

 

理解数据：

1.读取excel数据（路径中最好不要有中文，或者特殊符号啥的，不然路径会提示错误找不到。

最好将文件放到一个简单的英文路径下）

import pandas as pd
filenamestr='d:\朝阳医院2018年销售数据.xlsx'          #读取ecxcel数据
xls = pd.excelfile(filenamestr, dtype='object')
salesdf = xls.parse('sheet1',dtype='object')

 

我们可以先查看下数据的基本信息：

salesdf.head()          #打印出前5行，以确保数据运行正常

 

 

 

salesdf.shape           #有多少行，多少列

 

 

salesdf.dtypes          #查看每列的数据类型

 

 

 

数据清洗：

 

 

1.选择子集（本案例不用）：

使用loc方法选择子集

#subsalesdf=salesdf.loc[0:4,'购药时间':'销售数量']

 

2.列名重命名：

colnamedict = {'购药时间':'销售时间'}                  #将‘购药时间’改为‘销售时间’
salesdf.rename(columns = colnamedict,inplace=true)
salesdf.head()                                       #查看前五行

 

 

 

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缺失值有3种：none，na，nan

1）python内置的none值

2）在pandas中，将缺失值表示为na，表示不可用not available。

3）对于数值数据，pandas使用浮点值nan（not a number）表示缺失数据。

后面出来数据，如果遇到错误：......foloat错误，那就是有缺失值，需要处理掉

print('删除缺失值前大小',salesdf.shape)
salesdf=salesdf.dropna(subset=['销售时间','社保卡号'],how='any') #删除列（销售时间，社保卡号）中为空的行
print('删除缺失后大小',salesdf.shape)

 

 

how='any'意为在给定的任何一列中有缺失值就删除

如果缺失数据太多，我们可以建立模型，使用插入值的方法来补充数据（以后机器学习的文章中介绍）

4.数据类型转换

一开始导入时我们将所有数据都按字符串类型导入的，现在需要将销售数量、应收金额、实收金额的数据类型改为数值类型。

salesdf['销售数量'] = salesdf['销售数量'].astype('float')
salesdf['应收金额'] = salesdf['应收金额'].astype('float')
salesdf['实收金额'] = salesdf['实收金额'].astype('float')
print('转换后的数据类型：\n',salesdf.dtypes)

 

使用astype（）方法进行类型转换

 

我们再来修改日期的格式

 

 

用split()方法，用‘ ’分割字符串。返回列表的第一个元素，统一改成年-月-日格式，去掉星期几。

接下来我们分割销售时间，先定义一个分割字符串的函数：

def splitsaletime(timecolser):
    timelist=[]
    for value in timecolser:           #例如2018-01-01 星期五，分割后为：2018-01-01
        datestr=value.split(' ')[0]
        timelist.append(datestr)
 
    timeser=pd.series(timelist)        #将列表转行为一维数据series类型
    return timeser

 

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

timeser=salesdf.loc[:,'销售时间']    #获取“销售时间”这一列
dateser=splitsaletime(timeser)      #对字符串进行分割，获取销售日期

salesdf.loc[:,'销售时间']=dateser    #修改销售时间这一列的值
salesdf.head()

 

 

 

 

（注意：如果运行后报错：attributeerror: 'float' object has no attribute 'split'是因为excel中的空的cell读入pandas中是空值（nan），这个nan是个浮点类型，一般当作空值处理。所以要先去除nan在进行分隔字符串）

 

 

5.字符串转换日期

我们使用pd.to_datetime方法来将字符串转换为日期格式。传入的格式是原始数据的日期格式——format='%y-%m-%d'固定写法：y表示年、m表示月、d表示日。

salesdf.loc[:,'销售时间']=pd.to_datetime(salesdf.loc[:,'销售时间'],
                                    format='%y-%m-%d',
                                    errors='coerce')
salesdf.dtypes

 

 

 

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

所以转换之后我们还要运行一次删除空值的代码，因为不符合格式的日期被转变为了空值需要删除。

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

 

6.数据排序

使用pd.sort_values方法对数据进行排序，by表示按那几列进行排序，ascending=true 表示升序排列，ascending=false表示降序排列

print('排序前的数据集')
salesdf.head()
salesdf=salesdf.sort_values(by='销售时间',     #按销售日期进行升序排列
                    ascending=true)
print('排序后的数据集')
salesdf.head(3)

 

 

 

 

 

接下来我们重命名行号：reset_index方法生成从0到n按顺序的索引值

salesdf=salesdf.reset_index(drop=true)
salesdf.head()

 

 

 

7.异常值处理

首先我们用describe()方法查看数据框中所有数据每列的描述统计信息：

salesdf.describe()

 

 

 

（count：总数，mean：平均数，std：标准差，min：最小值，25%：下四分位数，50%：中位数，75%：上四分位数，max：最大值）

我们发现最小值出现了小于0的情况，分析应该是记录过程中出现错误所致。

我们接下来删除异常值：通过条件判断筛选出销售数量大于0的数据

#设置查询条件
queryser=salesdf.loc[:,'销售数量']>0
#应用查询条件
print('删除异常值前：',salesdf.shape)
salesdf=salesdf.loc[queryser,:]
print('删除异常值后：',salesdf.shape)

 

 

这样，我们就算基本完成数据清洗的步骤了。

 

构建模型：

第一个指标：月均消费次数=总消费次数/月数

注意：同一天内，同一个人发生的所有消费算作一次消费，根据列名（销售时间，社区卡号），如果这两个列值同时相同，只保留1条，使用drop_duplicates将重复的数据删除

kpi1_df=salesdf.drop_duplicates(
    subset=['销售时间', '社保卡号']
)

totali=kpi1_df.shape[0]             #总消费次数————有多少行

print('总消费次数=',totali)

 

 

计算月份数我们要知道最早一笔消费的时间和最晚一笔消费的时间：

#第1步：按销售时间升序排序
kpi1_df=kpi1_df.sort_values(by='销售时间',
                    ascending=true)
kpi1_df=kpi1_df.reset_index(drop=true)     #重命名行名（index）

#第2步：获取时间范围
starttime=kpi1_df.loc[0,'销售时间']         #最小时间值
endtime=kpi1_df.loc[totali-1,'销售时间']    #最大时间值

#第3步：计算月份数
daysi=(endtime-starttime).days             #天数
monthsi=daysi//30                          #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
print('月份数：',monthsi)

 

 

用天数/30计算月份数（舍弃余数）

最终计算月均消费次数=总消费次数 / 月份数

kpi1_i=totali // monthsi
print('业务指标1：月均消费次数=',kpi1_i)

 

 

 

第二个指标：月均消费金额=总消费金额/月份数

总消费金额等于实收金额取和，用sum函数很快就能得出

totalmoneyf=salesdf.loc[:,'实收金额'].sum()   #总消费金额
monthmoneyf=totalmoneyf / monthsi            #月均消费金额
print('业务指标2：月均消费金额=',monthmoneyf)

 

 

 

第三个指标：客单价=平均交易金额=总消费金额/总消费次数

'''
totalmoneyf：总消费金额
totali：总消费次数
'''
pct=totalmoneyf / totali
print('客单价：',pct)

 

 

第四个指标：消费趋势

#在进行操作之前，先把数据复制到另一个数据框中，防止对之前清洗后的数据框造成影响
groupdf=salesdf

#第1步：重命名行名（index）为销售时间所在列的值
groupdf.index=groupdf['销售时间']

#第2步：分组
gb=groupdf.groupby(groupdf.index.month)

#第3步：应用函数，计算每个月的消费总额
mounthdf=gb.sum()

mounthdf

 

 

 

如果你处于想学python或者正在学习python，python的教程不少了吧，但是是最新的吗？说不定你学了可能是两年前人家就学过的内容，在这小编分享一波2020最新的python教程。获取方式，私信小编 “ 资料 ”，即可免费获取哦！