图中展示的是在Jupyter Notebook环境下的Python代码及运行结果。代码利用 seaborn 和 matplotlib 库，以 datal 数据集为基础，绘制上下两个子图。上方子图呈现各店铺中各大类的销售量，下方子图展示各店铺中各大类的销售额，通过条形图展示不同店铺和商品大类组合下的销售数量与金额情况 ，并注释了 estimator 参数作用（用于指定聚合函数，这里是求和） 。
在 sns.barplot （ seaborn 库中的函数，用于绘制柱状图）中， estimator 参数用于指定对 y 轴数据进行何种聚合操作 。
这里 estimator = np.sum ， np 是 numpy 库的常用别名， np.sum 表示求和函数。所以当 estimator = np.sum 时，它表示对 y 轴对应列（在第一个 barplot 中是 sale count 列，第二个 barplot 中是 销售额 列）的数据按照 x 轴（ 店名 ）和 hue （ sub_type ）分组后进行求和操作。
总结： estimator = np.sum 表示对 y 轴对应列的数据按照 x 和 hue 分组后取总和值。
图中展示的是Jupyter Notebook里的Python代码及运行结果。代码使用 matplotlib 和 seaborn 库，创建一个两行一列的子图布局，分别绘制各小类中各店铺的销售量和销售额条形图 ，其中 sns.barplot 函数里的 estimator=np.sum 用于按店铺和小类分组对销售量、销售额求和聚合。同时，代码对图表的字体、标题等样式进行设置，还配有文字说明，阐述比较不同类别商品在各店铺销售量更有价值的原因 。
图中是Jupyter Notebook界面，代码位于单元格 In [23] 。代码使用 matplotlib 库绘制饼图，通过 plt.figure 设置图形大小为 (16, 16) ，以 plt.subplot 构建2行2列的子图布局。代码根据数据集中"是否男士专用"字段，分别统计男士专用和非男士专用产品中各小类的销售量占比，以及男士专用产品的销售量、销售额占总销售量、总销售额的比例，并绘制对应的饼图展示，饼图添加了百分比标注，最后用 plt.tight_layout 调整布局。
图中是Jupyter Notebook界面，单元格 In [119] 中的Python代码，利用 matplotlib 和 seaborn 库进行数据可视化。代码先筛选出"是否男士专用"为"是"的数据存于 male_data ，随后设置图形大小为 (12, 8) ，绘制柱状图。柱状图以"店名"为 x 轴，"sale_count"（销售量）为 y 轴 ，"main_type"（商品大类）作为色调区分 ，通过 estimator=np.sum 对销售量求和聚合，展示各店男士专用商品销量情况 。图表标题为"各店男士专用商品销量" ，并设置了字体大小，还调整了布局防止元素重叠。图表下方文字说明男士专用护肤品销量前三是妮维雅、欧莱雅、相宜本草，且男士商品主要销量来自护肤品 。
图中是Jupyter Notebook界面，呈现了关于电商美妆数据中男士专用商品的分析内容。文字说明指出男士专用护肤品销量前三是妮维雅、欧莱雅、相宜本草，且男士商品销量主要来自护肤品，其他类因分类集不完善暂不分析。
代码 In [209] 使用 head() 方法展示 male_data 中 main_type 为"化妆品"的前几条数据，涉及产品更新时间、编号、名称、价格、销量、评论数、店名等信息，发现多为男用唇膏。代码 In [127] 开始构建图形，设置大小为 (16, 12) ，准备绘制子图，计划按店名对男士专用商品销量求和并绘制条形图，以展示各店男士专用商品销量情况。
图中是Jupyter Notebook界面，展示了用于电商美妆数据分析的Python代码及部分运行结果。代码主要利用 matplotlib 库进行绘图：
-
首先设置图形大小为 (16, 12) ，构建2×2的子图布局。
-
针对男士专用商品，分别按店名对销售量（ sale_count ）和销售额进行求和，再按升序排序并绘制条形图，展示各店男士专用商品的销量和销售额情况。
-
接着筛选出非男士专用商品数据，同样按店名对销售量和销售额求和、排序后绘制条形图，呈现各店非男士专用商品的销量和销售额情况。最后使用 plt.tight_layout() 调整子图布局，避免元素重叠。已展示的运行结果为各店男士专用商品销量和销售额的条形图。
图中是Jupyter Notebook界面，单元格 In [130] 的Python代码利用 matplotlib 库进行电商美妆数据可视化。代码从 datetime 模块导入 datetime 类，设置图形大小为 (12, 12) 。先按 update_time 对销售数据求和，将 update_time 转换为 datetime 格式后绘图，绘制每日销售量折线图，添加网格线，设置标题为"每日销售量" 、 y 轴标签为"销量" 。接着按 update_time 对销售额求和，同样转换时间格式后绘制每日销售额折线图，添加网格线，设置标题为"每日销售额" 、 y 轴标签为"销售额" ，最后用 plt.tight_layout 调整布局。界面还展示了"每日销售量"折线图的绘制结果。
图中是Jupyter Notebook界面，展示了电商双11美妆数据分析的代码及图表。代码 In [31] 利用 matplotlib 库，设置图形大小为 (16, 6) ，创建1行2列的子图布局。第一个子图按"店名"对 data 数据分组，统计各店铺总评论数并绘制升序柱状图，标题为"每个店铺总评论数"；第二个子图对 datal 数据，用各店铺销售单数总和除以评论数总和，计算平均多少单一条评论，排序后绘制柱状图，标题为"每个店铺平均多少单一条评论"，最后调整布局。下方文字分析悦诗风吟评论数高但销量排名不符，相宜本草销量高评论数低，探讨平均多少单一条评论指标与水军刷单问题的关联。
总结分析
- 平均每单价格低的店铺的总销量、销售额都高于均价更高的。价格便宜是消费者考虑的最多的一个点。销量最高的相宜本草的均价就很低，同时它的销售额也是最高额的。而均价较高的类中，只有雅诗兰黛的销售额相对客观。对于一些中高端商品，可以考虑适当降价来吸引更多消费者。而一些低端商品可以考虑多推广来提高知名度获取销量。
- 所有大类中，护肤品类的销量最高，其次是化妆品类。所有小类中，清洁类、补水类分别是销量的前二名。
- 男士专用的商品中，护肤品销量最高，而化妆品类中主要是唇膏。并且妮维雅占据了男士专用的大部分市场。
- 平均每多少单一条评论这个指标，相宜本草过高了，是评论数最多的悦诗风吟的4倍。可能存在刷单等现象。
- 不同的日期销量也不同。在双11销量反而有一个剧烈的下滑。原因可能是预热活动导致了消费者提前消费，并且由于消费者往往会主观的考虑到双11当天的网络、平台会卡顿，一般都会提前下单来避免"高峰"，虽然这个高峰并不存在。而在双11之后销量又有了小幅度的增长，可能跟商家的持续优惠等各种活动有关。所以商家应该把目光放在双11之前，尽量的吸引消费者消费来增加销量，不要局限于双11当天。在双11之后可以通过类似双11购物返满减卷，来刺激二次消费。