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
子夜江寒35 分钟前
基于 OpenCV 的图像形态学与边缘检测
python·opencv·计算机视觉
SmartRadio7 小时前
CH585M+MK8000、DW1000 (UWB)+W25Q16的低功耗室内定位设计
c语言·开发语言·uwb
rfidunion7 小时前
QT5.7.0编译移植
开发语言·qt
少林码僧7 小时前
2.31 机器学习神器项目实战：如何在真实项目中应用XGBoost等算法
人工智能·python·算法·机器学习·ai·数据挖掘
rit84324997 小时前
MATLAB对组合巴克码抗干扰仿真的实现方案
开发语言·matlab
智航GIS7 小时前
10.4 Selenium：Web 自动化测试框架
前端·python·selenium·测试工具
jarreyer7 小时前
摄像头相关记录
python
宝贝儿好7 小时前
【强化学习】第六章：无模型控制：在轨MC控制、在轨时序差分学习(Sarsa)、离轨学习(Q-learning)
人工智能·python·深度学习·学习·机器学习·机器人
大、男人7 小时前
python之asynccontextmanager学习
开发语言·python·学习
hqwest7 小时前
码上通QT实战08--导航按钮切换界面
开发语言·qt·slot·信号与槽·connect·signals·emit
热门推荐
01GitHub 镜像站点02Labelme从安装到标注：零基础完整指南03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）04Linux下V2Ray安装配置指南05jdk21下载、安装（Windows、Linux、macOS）062025-04-03 Latex学习1——本地配置Latex + VScode环境07【踩坑笔记】50系显卡适配的 PyTorch 安装08Opencode CLI 安装成功,但是启动失败09UV安装并设置国内源10全球最强模型Grok4，国内已可免费使用！（附教程）