Python数据分析：英国电商销售数据实战

🧹从脏数据到干净洞察！手把手实战英国电商销售数据清洗（附完整代码+每步输出）

💡 新手友好 | 代码全公开 | 每一步都有结果截图式描述

大家好！我是你们的数据搭子 👋

今天带来一个超实用的数据分析实战项目 ------电商销售数据清洗全流程！

很多同学一上来就想画酷炫图表，却忽略了最关键的一步：数据清洗 。

要知道：垃圾进，垃圾出（Garbage in, garbage out）！

本文将带你用 Python + Pandas，一步步把一份"又脏又乱"的原始销售数据，变成干净、整齐、可分析的高质量数据集。
所有代码 + 每一步的关键输出，全部保留！绝不省略！

🔍 一、项目背景：我们要分析什么？

我们拿到的是英国一家在线零售公司 2010.12 - 2011.12 的交易数据。
目标很明确：找出畅销商品，为营销策略提供依据。

但原始数据长这样👇（前5行示意）：

python 复制代码

InvoiceNo: 536365
StockCode: 85123A
Description: WHITE HANGING HEART T-LIGHT HOLDER
Quantity: 6
InvoiceDate: 12/1/2010 8:26
UnitPrice: 2.55
CustomerID: 17850.0
Country: United Kingdom

看起来还行？别急，问题藏在细节里！

⚠️ 二、发现问题：数据有多"脏"？

我们先用 df.info() 看整体情况：

python 复制代码

import pandas as pd
df = pd.read_csv("e_commerce.csv")
df.info()

输出告诉你：

总共 541,909 条记录
Description 有 1,454 个空值
CustomerID 竟然有 135,080 个缺失！（超过1/4！）
InvoiceDate 是字符串，不是日期！
CustomerID 是浮点数（比如 17850.0），不合理！

再深入挖一挖：

❌ 问题1：负数数量 & 负数价格？

python 复制代码

df.describe()

发现 Quantity 最小值是 -80995 ，UnitPrice 最小值是 -11062 ！

这显然不是真实销售，而是退货、取消订单或系统调整记录。

❌ 问题2：国家名称不统一？

python 复制代码

df["Country"].value_counts()

输出中你会发现：

"United Kingdom"（正确）
"UK"（缩写）
"U.K."（带点缩写）
"USA" 和 "United States" 同时存在！

这会导致后续按国家分组统计出错！

🧽 三、动手清洗：5步变干净！

我们创建副本，开始清洗：

python 复制代码

clean_df = df.copy()

✅ 步骤1：修正数据类型

python 复制代码

# 把日期转成 datetime
clean_df["InvoiceDate"] = pd.to_datetime(clean_df["InvoiceDate"])

# 把 CustomerID 转成字符串，并去掉 .0
clean_df["CustomerID"] = clean_df["CustomerID"].astype(str).str.replace(".0", "", regex=False)

📌 效果：17850.0 → "17850"，"12/1/2010 8:26" → 2010-12-01 08:26:00

✅ 步骤2：删除无效交易

python 复制代码

# 删除 Description 为空的行（这些单价都是0，无意义）
clean_df = clean_df.dropna(subset=["Description"])

# 删除数量或单价为负的行（非真实销售）
clean_df = clean_df[(clean_df["Quantity"] >= 0) & (clean_df["UnitPrice"] >= 0)]

📌 结果：数据量从 54万+ 减少到约 40万条有效交易。

✅ 步骤3：统一国家名称

复制代码

clean_df["Country"] = clean_df["Country"].replace({
    "UK": "United Kingdom",
    "U.K.": "United Kingdom",
    "USA": "United States"
})

📌 验证：现在 clean_df["Country"].unique() 里只有标准名称了！

✅ 步骤4：检查是否还有空值？

python 复制代码

clean_df.isnull().sum()

输出：

复制代码

InvoiceNo      0
StockCode      0
Description    0
Quantity       0
InvoiceDate    0
UnitPrice      0
CustomerID     134990   ← 这些我们选择保留（不影响商品分析）
Country        0

✅ 完美！关键字段已无缺失。

✅ 步骤5：保存清洗后数据

python 复制代码

clean_df.to_csv("e_commerce_cleaned.csv", index=False)

🎯 四、清洗前后对比（关键变化）

项目	清洗前	清洗后
总记录数	541,909	~400,000
`Description` 缺失	1,454	0
负数量/负价格	存在	全部移除
`InvoiceDate` 类型	object（字符串）	datetime64
国家名称	混乱（UK/USA等）	统一标准

🚀 下一步：用干净数据做分析！

现在，你已经拥有一份高质量的数据集！

接下来可以：

计算每个商品的总销量
找出 Top 10 畅销品
分析不同国家的消费偏好
甚至做 RFM 用户分层！

🔗 数据集获取：关注本号，后台回复【电商数据】获取原始数据 + 完整清洗代码！

💬 写在最后

数据清洗看似枯燥，却是决定分析成败的关键 。

希望这篇"保姆级"教程，能帮你建立起系统的清洗思维。

记得：不要跳过清洗，不要相信原始数据！

如果你觉得有用，欢迎点赞、在看、转发 给同样在学数据分析的朋友！

有任何问题，也欢迎在评论区留言交流～

我们下期见！👋