数据分析可视化学习总结（美妆2）

数据分析与可视化学习总结

在本次数据分析学习中，我围绕商品销售数据展开了一系列分析与可视化操作，通过 Python 的 matplotlib、seaborn 等库实现了数据的筛选、分组统计及图表绘制，深入理解了数据可视化在业务分析中的应用价值。以下是具体学习总结：

一、数据筛选与预处理

1. 数据子集提取

   通过布尔索引筛选特定条件的数据，例如从原始数据集data1中提取男士专用商品数据：

   python

   male_data = data1.loc[data['是否男士专用'] == '是']

   同理可筛选非男士专用商品数据，为后续对比分析奠定基础。

4. 

5. 

6. 

7. 数据格式转换

   针对日期类数据（如update_time），需将字符串格式转换为datetime格式，确保时间序列的正确排序：

   python

   sale_day.index = [datetime.strptime(i, '%Y/%m/%d') for i in sale_day.index]

   这一步是时间序列可视化的关键，避免了因字符串排序导致的时间逻辑混乱。

二、核心分析维度与可视化方法

1. 按商品属性的分类分析

• 男士专用商品细分

  使用seaborn.barplot绘制分组柱状图，按 "店名" 和 "商品类型（main_type）" 展示销量分布，通过hue参数实现多维度对比，estimator=np.sum指定按总和统计，清晰呈现不同店铺各类型男士商品的销售表现。

• 男女专用商品对比

  构建 2×2 网格子图，分别展示男士 / 非男士专用商品的销量与销售额，通过groupby分组求和后排序绘图，直观对比两类商品在各店铺的销售差异。

2. 时间趋势分析

以 "日期（update_time）" 为维度，通过groupby计算每日销量与销售额，绘制折线图展示时间趋势。添加网格线（linestyle='-.'）增强可读性，清晰呈现销售数据随时间的波动规律，便于发现季节性或周期性特征。

3. 用户评论行为分析

从两个角度分析评论数据：

• 各店铺总评论数：反映用户参与度；
• 销量与评论数的比值（平均多少单一条评论）：衡量评论转化率，比值越高说明用户评论意愿越低。
  通过并排子图对比，可关联销售表现与用户反馈活跃度。

三、可视化技巧与工具应用

1. 子图布局设计

   使用plt.subplot创建网格布局（如 2×2、2×1、1×2），将多个相关图表整合在同一画布，便于对比分析。通过figsize设置画布大小，tight_layout()自动调整布局避免元素重叠。

2. 图表美化与参数设置

   • 调整标题（title）、坐标轴标签（xlabel/ylabel）及字体大小，提升可读性；
   • 对柱状图使用sort_values(ascending=True)按升序排列，突出数据差异；
   • 折线图添加网格线，柱状图通过hue参数实现分组着色，增强信息层次感。

3. 库的协同使用

   结合pandas进行数据分组与聚合（groupby、sum），matplotlib与seaborn实现可视化，datetime处理时间格式，各工具各司其职，高效完成从数据处理到图表输出的全流程。

四、学习收获与应用场景

通过本次实践，我掌握了从数据筛选、分组统计到可视化呈现的完整分析思路，理解了不同图表类型（柱状图、折线图）的适用场景：

• 柱状图适合对比类别数据（如不同店铺、不同商品类型的销量）；
• 折线图适合展示时间序列趋势（如每日销售波动）。

这些技能可应用于电商运营分析、商品品类管理、用户行为研究等场景，帮助通过数据洞察业务问题，为决策提供支持。未来可进一步学习更复杂的可视化工具（如 Plotly）或统计分析方法，深化数据分析能力。