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
泡海椒11 分钟前
JQuick-Excel dateFormat 转换实战：日期值与 FORMAT 显示格式的边界
开发语言·python·excel
念越15 分钟前
接口自动化测试从入门到实战：接口用例设计、Requests、Pytest、YAML、JSON Schema 与 Allure 报告
python·测试工具·自动化·json·pytest
言乐619 分钟前
Python贪心算法实现搜索推荐
python·django·virtualenv·pygame·tornado
benchmark_cc24 分钟前
A股量化尾盘筛选对数据时效敏感：行情链路变慢时先排查哪里？
python·数据分析·pandas·量化交易·股票数据·quantdash
白杨尚青25 分钟前
C++入门篇（十三）：vector（上）——动态数组：构造、空间增长与迭代器失效
开发语言·c++·笔记·算法·stl
江江爱编程31 分钟前
java零基础保姆级教学01
java·开发语言
vx_Biye_Design35 分钟前
expressDeepSeek社团咨询助手的学生社团管理系统60746-计算机课程设计、毕业设计
java·vue.js·spring boot·后端·python·课程设计·express
泡茶喝茶写代码1 小时前
A股量化数据工程：从 REST 接口到策略信号（第 5 篇）：板块成分股映射与对齐
java·python·股票数据api·股票数据·股票数据api接口·股票api数据接口·股票量化数据接口
沐晓时光1 小时前
C语言入门，深入理解指针（2）
c语言·开发语言
vx_Biye_Design1 小时前
django就业信息推荐系统61953-计算机课程设计、毕业设计
java·vue.js·spring boot·python·架构·django·课程设计
热门推荐
01历年考研数学一、数学二、数学三真题试卷及答案PDF02国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）03如何新建文件夹？ 电脑新建文件夹的4种方法04Telegram APK 下载安装完整指南 — 2026年最新05GitHub 镜像站点06蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接07Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）082026 爱知・名古屋亚运会怎么看？直播平台+赛程安排分享09微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新10给AI一张“业务概念地图“：本体如何从哲学走向企业智能