销售数据分析

wu_jing_sheng02025-11-04 11:44
复制代码
复制代码 
import pandas as pd
复制代码 
import numpy as np
复制代码 
import matplotlib.pyplot as plt
复制代码 
import seaborn as sns
复制代码 
from datetime import datetime
复制代码 
import warnings
复制代码 
warnings.filterwarnings('ignore')
复制代码 
​
复制代码 
# 设置中文字体
复制代码 
plt.rcParams['font.sans-serif'] = ['SimHei']
复制代码 
plt.rcParams['axes.unicode_minus'] = False
复制代码 
​
复制代码 
print("✅ 环境设置完成")
复制代码 
✅ 环境设置完成
复制代码 
# 生成模拟销售数据
复制代码 
np.random.seed(42)
复制代码 
​
复制代码 
# 创建日期范围
复制代码 
dates = pd.date_range('2023-01-01', '2024-01-31', freq='D')
复制代码 
​
复制代码 
# 生成销售数据
复制代码 
data = {
复制代码 
    '订单ID': range(1, len(dates) + 1),
复制代码 
    '日期': dates,
复制代码 
    '产品类别': np.random.choice(['电子产品', '服装', '家居', '食品', '图书'], len(dates), p=[0.3, 0.25, 0.2, 0.15, 0.1]),
复制代码 
    '销售额': np.random.normal(500, 200, len(dates)).clip(50, 2000),
复制代码 
    '数量': np.random.randint(1, 20, len(dates)),
复制代码 
    '客户类型': np.random.choice(['新客户', '老客户', 'VIP客户'], len(dates), p=[0.4, 0.5, 0.1]),
复制代码 
    '地区': np.random.choice(['北京', '上海', '广州', '深圳', '杭州', '成都'], len(dates))
复制代码 
}
复制代码 
​
复制代码 
df = pd.DataFrame(data)
复制代码 
df['月份'] = df['日期'].dt.to_period('M')
复制代码 
df['季度'] = df['日期'].dt.quarter
复制代码 
df['星期'] = df['日期'].dt.day_name()
复制代码 
​
复制代码 
print("📊 数据概览:")
复制代码 
print(f"数据形状: {df.shape}")
复制代码 
print("\n前5行数据:")
复制代码 
display(df.head())
复制代码 
​
复制代码 
print("\n数据基本信息:")
复制代码 
df.info()
复制代码 
📊 数据概览:
数据形状: (396, 10)

前5行数据:

| | 订单ID | 日期 | 产品类别 | 销售额 | 数量 | 客户类型 | 地区 | 月份 | 季度 | 星期 |
| 0 | 1 | 2023-01-01 | 服装 | 456.463759 | 5 | 老客户 | 深圳 | 2023-01 | 1 | Sunday |
| 1 | 2 | 2023-01-02 | 图书 | 719.755370 | 5 | 新客户 | 北京 | 2023-01 | 1 | Monday |
| 2 | 3 | 2023-01-03 | 家居 | 665.083270 | 6 | 老客户 | 北京 | 2023-01 | 1 | Tuesday |
| 3 | 4 | 2023-01-04 | 家居 | 662.701927 | 9 | 新客户 | 成都 | 2023-01 | 1 | Wednesday |

4 5 2023-01-05 电子产品 761.095761 2 VIP客户 杭州 2023-01 1 Thursday
复制代码 
数据基本信息:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 396 entries, 0 to 395
Data columns (total 10 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   订单ID    396 non-null    int64         
 1   日期      396 non-null    datetime64[ns]
 2   产品类别    396 non-null    object        
 3   销售额     396 non-null    float64       
 4   数量      396 non-null    int32         
 5   客户类型    396 non-null    object        
 6   地区      396 non-null    object        
 7   月份      396 non-null    period[M]     
 8   季度      396 non-null    int64         
 9   星期      396 non-null    object        
dtypes: datetime64[ns](1), float64(1), int32(1), int64(2), object(4), period[M](1)
memory usage: 29.5+ KB
复制代码 
# 生成模拟销售数据
复制代码 
np.random.seed(42)
复制代码 
​
复制代码 
# 创建日期范围
复制代码 
dates = pd.date_range('2023-01-01', '2024-01-31', freq='D')
复制代码 
​
复制代码 
# 生成销售数据
复制代码 
data = {
复制代码 
    '订单ID': range(1, len(dates) + 1),
复制代码 
    '日期': dates,
复制代码 
    '产品类别': np.random.choice(['电子产品', '服装', '家居', '食品', '图书'], len(dates), p=[0.3, 0.25, 0.2, 0.15, 0.1]),
复制代码 
    '销售额': np.random.normal(500, 200, len(dates)).clip(50, 2000),
复制代码 
    '数量': np.random.randint(1, 20, len(dates)),
复制代码 
    '客户类型': np.random.choice(['新客户', '老客户', 'VIP客户'], len(dates), p=[0.4, 0.5, 0.1]),
复制代码 
    '地区': np.random.choice(['北京', '上海', '广州', '深圳', '杭州', '成都'], len(dates))
复制代码 
}
复制代码 
​
复制代码 
df = pd.DataFrame(data)
复制代码 
df['月份'] = df['日期'].dt.to_period('M')
复制代码 
df['季度'] = df['日期'].dt.quarter
复制代码 
df['星期'] = df['日期'].dt.day_name()
复制代码 
​
复制代码 
print("📊 数据概览:")
复制代码 
print(f"数据形状: {df.shape}")
复制代码 
print("\n前5行数据:")
复制代码 
display(df.head())
复制代码 
​
复制代码 
print("\n数据基本信息:")
复制代码 
df.info()
复制代码 
📊 数据概览:
数据形状: (396, 10)

前5行数据:

| | 订单ID | 日期 | 产品类别 | 销售额 | 数量 | 客户类型 | 地区 | 月份 | 季度 | 星期 |
| 0 | 1 | 2023-01-01 | 服装 | 456.463759 | 5 | 老客户 | 深圳 | 2023-01 | 1 | Sunday |
| 1 | 2 | 2023-01-02 | 图书 | 719.755370 | 5 | 新客户 | 北京 | 2023-01 | 1 | Monday |
| 2 | 3 | 2023-01-03 | 家居 | 665.083270 | 6 | 老客户 | 北京 | 2023-01 | 1 | Tuesday |
| 3 | 4 | 2023-01-04 | 家居 | 662.701927 | 9 | 新客户 | 成都 | 2023-01 | 1 | Wednesday |

4 5 2023-01-05 电子产品 761.095761 2 VIP客户 杭州 2023-01 1 Thursday
复制代码 
数据基本信息:
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 396 entries, 0 to 395
Data columns (total 10 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   订单ID    396 non-null    int64         
 1   日期      396 non-null    datetime64[ns]
 2   产品类别    396 non-null    object        
 3   销售额     396 non-null    float64       
 4   数量      396 non-null    int32         
 5   客户类型    396 non-null    object        
 6   地区      396 non-null    object        
 7   月份      396 non-null    period[M]     
 8   季度      396 non-null    int64         
 9   星期      396 non-null    object        
dtypes: datetime64[ns](1), float64(1), int32(1), int64(2), object(4), period[M](1)
memory usage: 29.5+ KB
复制代码 
print("📈 基础统计分析")
复制代码 
print("=" * 50)
复制代码 
​
复制代码 
# 总体统计
复制代码 
print("总体销售统计:")
复制代码 
print(f"总销售额: {df['销售额'].sum():,.2f}元")
复制代码 
print(f"平均订单额: {df['销售额'].mean():.2f}元")
复制代码 
print(f"总订单数: {df.shape[0]:,}笔")
复制代码 
print(f"平均每单数量: {df['数量'].mean():.1f}件")
复制代码 
​
复制代码 
print("\n月度销售趋势:")
复制代码 
monthly_sales = df.groupby('月份')['销售额'].agg(['sum', 'count', 'mean']).round(2)
复制代码 
display(monthly_sales)
复制代码 
📈 基础统计分析
==================================================
总体销售统计:
总销售额: 196,690.15元
平均订单额: 496.69元
总订单数: 396笔
平均每单数量: 10.1件

月度销售趋势:

| | sum | count | mean |
| 月份 | | | |
| 2023-01 | 16411.57 | 31 | 529.41 |
| 2023-02 | 13914.87 | 28 | 496.96 |
| 2023-03 | 16591.17 | 31 | 535.20 |
| 2023-04 | 15971.49 | 30 | 532.38 |
| 2023-05 | 13672.78 | 31 | 441.06 |
| 2023-06 | 14891.61 | 30 | 496.39 |
| 2023-07 | 14779.17 | 31 | 476.75 |
| 2023-08 | 13753.22 | 31 | 443.65 |
| 2023-09 | 14863.39 | 30 | 495.45 |
| 2023-10 | 16057.34 | 31 | 517.98 |
| 2023-11 | 15521.43 | 30 | 517.38 |
| 2023-12 | 14851.44 | 31 | 479.08 |

2024-01 15410.67 31 497.12
复制代码 
# 创建可视化图表
复制代码 
fig, axes = plt.subplots(2, 3, figsize=(18, 12))
复制代码 
fig.suptitle('销售数据多维度分析', fontsize=16, fontweight='bold')
复制代码 
​
复制代码 
# 1. 月度销售趋势
复制代码 
monthly_trend = df.groupby(df['日期'].dt.to_period('M'))['销售额'].sum()
复制代码 
monthly_trend.plot(kind='line', ax=axes[0,0], marker='o', color='#2E86AB')
复制代码 
axes[0,0].set_title('月度销售趋势')
复制代码 
axes[0,0].set_ylabel('销售额(元)')
复制代码 
axes[0,0].tick_params(axis='x', rotation=45)
复制代码 
​
复制代码 
# 2. 产品类别销售分布
复制代码 
category_sales = df.groupby('产品类别')['销售额'].sum().sort_values(ascending=True)
复制代码 
category_sales.plot(kind='barh', ax=axes[0,1], color='#A23B72')
复制代码 
axes[0,1].set_title('各产品类别销售额')
复制代码 
axes[0,1].set_xlabel('销售额(元)')
复制代码 
​
复制代码 
# 3. 地区销售分布
复制代码 
region_sales = df.groupby('地区')['销售额'].sum().sort_values(ascending=True)
复制代码 
region_sales.plot(kind='barh', ax=axes[0,2], color='#F18F01')
复制代码 
axes[0,2].set_title('各地区销售额')
复制代码 
axes[0,2].set_xlabel('销售额(元)')
复制代码 
​
复制代码 
# 4. 客户类型分析
复制代码 
customer_sales = df.groupby('客户类型').agg({
复制代码 
    '销售额': ['sum', 'mean', 'count']
复制代码 
}).round(2)
复制代码 
customer_sales.columns = ['总销售额', '平均订单额', '订单数量']
复制代码 
customer_sales['总销售额'].plot(kind='pie', ax=axes[1,0], autopct='%1.1f%%')
复制代码 
axes[1,0].set_title('客户类型销售额分布')
复制代码 
​
复制代码 
# 5. 星期销售分析
复制代码 
weekday_sales = df.groupby('星期')['销售额'].mean()
复制代码 
weekday_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
复制代码 
weekday_sales = weekday_sales.reindex(weekday_order)
复制代码 
weekday_sales.plot(kind='bar', ax=axes[1,1], color='#C73E1D')
复制代码 
axes[1,1].set_title('各星期平均销售额')
复制代码 
axes[1,1].set_ylabel('平均销售额(元)')
复制代码 
axes[1,1].tick_params(axis='x', rotation=45)
复制代码 
​
复制代码 
# 6. 销售额分布直方图
复制代码 
axes[1,2].hist(df['销售额'], bins=30, alpha=0.7, color='#3F7CAC', edgecolor='black')
复制代码 
axes[1,2].set_title('销售额分布')
复制代码 
axes[1,2].set_xlabel('销售额(元)')
复制代码 
axes[1,2].set_ylabel('频次')
复制代码 
​
复制代码 
plt.tight_layout()
复制代码 
plt.show()
复制代码 
​
复制代码 
# 客户价值分析
复制代码 
print("👥 客户价值分析")
复制代码 
print("=" * 50)
复制代码 
​
复制代码 
customer_analysis = df.groupby('客户类型').agg({
复制代码 
    '销售额': ['sum', 'mean', 'count'],
复制代码 
    '数量': 'mean'
复制代码 
}).round(2)
复制代码 
​
复制代码 
customer_analysis.columns = ['总销售额', '平均订单额', '订单数量', '平均数量']
复制代码 
display(customer_analysis)
复制代码 
​
复制代码 
# RFM 分析（简化版）
复制代码 
print("\n📊 RFM分析 (Recency, Frequency, Monetary)")
复制代码 
print("=" * 50)
复制代码 
​
复制代码 
# 假设最近日期为分析日期
复制代码 
analysis_date = df['日期'].max()
复制代码 
​
复制代码 
rfm = df.groupby('客户类型').agg({
复制代码 
    '日期': lambda x: (analysis_date - x.max()).days,  # 最近购买时间
复制代码 
    '订单ID': 'count',  # 购买频次
复制代码 
    '销售额': 'sum'     # 购买金额
复制代码 
}).round(2)
复制代码 
​
复制代码 
rfm.columns = ['最近购买天数', '购买频次', '总金额']
复制代码 
display(rfm)
复制代码 
👥 客户价值分析
==================================================

| | 总销售额 | 平均订单额 | 订单数量 | 平均数量 |
| 客户类型 | | | | |
| VIP客户 | 18691.46 | 519.21 | 36 | 10.78 |
| 新客户 | 73050.71 | 490.27 | 149 | 9.93 |

老客户 104947.98 497.38 211 10.10
复制代码 
📊 RFM分析 (Recency, Frequency, Monetary)
==================================================

| | 最近购买天数 | 购买频次 | 总金额 |
| 客户类型 | | | |
| VIP客户 | 2 | 36 | 18691.46 |
| 新客户 | 1 | 149 | 73050.71 |

老客户 0 211 104947.98
复制代码 
# 简单的移动平均预测
复制代码 
print("🔮 销售预测分析")
复制代码 
print("=" * 50)
复制代码 
​
复制代码 
# 计算月度数据
复制代码 
monthly_data = df.groupby(df['日期'].dt.to_period('M'))['销售额'].sum().reset_index()
复制代码 
monthly_data['日期'] = monthly_data['日期'].dt.to_timestamp()
复制代码 
​
复制代码 
# 计算移动平均
复制代码 
monthly_data['3月移动平均'] = monthly_data['销售额'].rolling(window=3).mean()
复制代码 
monthly_data['预测'] = monthly_data['3月移动平均'].shift(1)
复制代码 
​
复制代码 
print("月度销售数据与预测:")
复制代码 
display(monthly_data.tail(6))
复制代码 
​
复制代码 
# 绘制预测图
复制代码 
plt.figure(figsize=(12, 6))
复制代码 
plt.plot(monthly_data['日期'], monthly_data['销售额'], marker='o', label='实际销售额', linewidth=2)
复制代码 
plt.plot(monthly_data['日期'], monthly_data['3月移动平均'], marker='s', label='3月移动平均', linestyle='--')
复制代码 
plt.plot(monthly_data['日期'], monthly_data['预测'], marker='^', label='预测', linestyle=':')
复制代码 
plt.title('销售趋势与预测')
复制代码 
plt.ylabel('销售额(元)')
复制代码 
plt.xlabel('日期')
复制代码 
plt.legend()
复制代码 
plt.grid(True, alpha=0.3)
复制代码 
plt.xticks(rotation=45)
复制代码 
plt.tight_layout()
复制代码 
plt.show()
复制代码 
🔮 销售预测分析
==================================================
月度销售数据与预测:

| | 日期 | 销售额 | 3月移动平均 | 预测 |
| 7 | 2023-08-01 | 13753.219574 | 14474.665291 | 14447.852675 |
| 8 | 2023-09-01 | 14863.387926 | 14465.258330 | 14474.665291 |
| 9 | 2023-10-01 | 16057.341556 | 14891.316352 | 14465.258330 |
| 10 | 2023-11-01 | 15521.429799 | 15480.719761 | 14891.316352 |
| 11 | 2023-12-01 | 14851.437307 | 15476.736221 | 15480.719761 |

12 2024-01-01 15410.666148 15261.177751 15476.736221
复制代码
复制代码 
print("📋 销售分析总结报告")
复制代码 
print("=" * 60)
复制代码 
​
复制代码 
# 计算关键指标
复制代码 
total_sales = df['销售额'].sum()
复制代码 
avg_order_value = df['销售额'].mean()
复制代码 
total_orders = df.shape[0]
复制代码 
top_category = df.groupby('产品类别')['销售额'].sum().idxmax()
复制代码 
top_region = df.groupby('地区')['销售额'].sum().idxmax()
复制代码 
best_weekday = df.groupby('星期')['销售额'].mean().idxmax()
复制代码 
​
复制代码 
print(f"""
复制代码 
📈 销售绩效总结:
复制代码 
• 总销售额: {total_sales:,.2f} 元
复制代码 
• 总订单数: {total_orders:,} 笔
复制代码 
• 平均订单价值: {avg_order_value:.2f} 元
复制代码 
• 最畅销品类: {top_category}
复制代码 
• 最佳销售地区: {top_region}
复制代码 
• 销售最佳星期: {best_weekday}
复制代码 
​
复制代码 
🎯 业务洞察:
复制代码 
1. 销售最高的产品类别是 {top_category}，建议加大该品类库存和营销投入
复制代码 
2. {top_region} 地区表现最佳，可考虑在该地区开设新店或增加营销预算
复制代码 
3. {best_weekday} 的客单价最高，适合在这天推出促销活动
复制代码 
​
复制代码 
💡 建议行动:
复制代码 
• 针对 {top_category} 品类进行深度营销
复制代码 
• 在 {top_region} 地区扩大市场份额
复制代码 
• 优化 {best_weekday} 的库存和人员安排
复制代码 
• 加强客户关系管理，提高复购率
复制代码 
""")
复制代码 
📋 销售分析总结报告
============================================================

📈 销售绩效总结:
• 总销售额: 196,690.15 元
• 总订单数: 396 笔
• 平均订单价值: 496.69 元
• 最畅销品类: 电子产品
• 最佳销售地区: 杭州
• 销售最佳星期: Wednesday

🎯 业务洞察:
1. 销售最高的产品类别是 电子产品，建议加大该品类库存和营销投入
2. 杭州 地区表现最佳，可考虑在该地区开设新店或增加营销预算
3. Wednesday 的客单价最高，适合在这天推出促销活动

💡 建议行动:
• 针对 电子产品 品类进行深度营销
• 在 杭州 地区扩大市场份额
• 优化 Wednesday 的库存和人员安排
• 加强客户关系管理，提高复购率
相关推荐
曲幽几秒前
FastAPI + Celery 实战：异步任务的坑与解法，我帮你踩了一遍
redis·python·fastapi·web·async·celery·background·task·queue
意法半导体STM325 分钟前
【官方原创】STM32H7双核芯片通过 STlink连接失败问题分析 LAT1654
开发语言·前端·javascript·stm32·单片机·嵌入式硬件
深蓝海拓8 分钟前
使用@property将类方法包装为属性
开发语言·python
xiaoye-duck21 分钟前
【C++：unordered_set和unordered_map】 深度解析：使用、差异、性能与场景选择
开发语言·c++·stl
zjjsctcdl36 分钟前
java与mysql连接 使用mysql-connector-java连接msql
java·开发语言·mysql
格林威40 分钟前
Baumer相机锂电池极片裁切毛刺检测：防止内部短路的 5 个核心方法，附 OpenCV+Halcon 实战代码！
开发语言·人工智能·数码相机·opencv·计算机视觉·c#·视觉检测
顶点多余1 小时前
线程互斥+线程同步+生产消费模型
java·linux·开发语言·c++
Albert Edison1 小时前
【ProtoBuf 语法详解】更新消息｜保留字段｜未知字段
开发语言·c++·protobuf
feifeigo1231 小时前
近场声全息（NAH）数据与MATLAB实现
开发语言·matlab
fie88891 小时前
基于MATLAB的非线性模型预测控制（NMPC）在CSRT系统中的应用
开发语言·matlab
热门推荐
012026年3月AI领域大事件：DeepSeek引领开源风暴02GitHub 镜像站点03围棋-html版本04纯 HTML/CSS/JS 实现的高颜值登录页，还会眨眼睛！少女心爆棚！05安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）06OpenClaw 使用和管理 MCP 完全指南07Mac 本地部署 OMLX + 通义千问 Qwen3.5-27B 保姆级教程08班级宠物园部署指南09“wsl --install -d Ubuntu-22.04”下载慢，中国地区离线安装 Ubuntu 22.04 WSL方法（亲测2025年5月6日）10Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services