Python数据分析-宝马全球汽车销售数据分析（可视化分析）

一、研究背景

在全球汽车产业结构调整与消费升级的双重驱动下，豪华汽车品牌的定价策略、市场布局及产品结构优化成为行业关注的核心议题。宝马作为全球领先的豪华汽车制造商，其销售数据不仅反映自身经营策略的有效性，更能折射出豪华车市场的消费趋势、区域特征及新能源转型进程。

本研究基于 2018-2025 年宝马全球月度销售数据集（3072 条记录），涵盖欧洲、中国、美国、世界其他地区 4 大核心市场，以及 3 系、5 系、X3、X5、X7、i4、iX、MINI 8 款主力车型，涉及销量、均价、营收、纯电动占比（BEV）、高端市场份额等 11 项核心指标。通过对该数据集的系统性分析，能够精准刻画宝马定价逻辑、市场特征及新能源转型节奏，为豪华车行业研究提供实证参考。

二、研究意义

行业参考价值：本研究通过拆解宝马全球定价策略、区域市场特征及新能源转型趋势，为豪华汽车品牌的全球化运营、产品定价及新能源布局提供可落地的参考依据，尤其对理解豪华车 "全球统一定价""车型主导定价" 等核心逻辑具有现实意义。
数据应用价值：基于 8 年完整月度数据的多维度分析，验证了车型、时间、区域、新能源占比等因素对豪华车价格的影响程度，为汽车行业数据分析提供标准化的分析框架（基础统计→分布分析→趋势分析→相关性分析→交叉分析）。
商业决策价值：明确宝马各车型价格梯队、新能源转型节奏及区域市场特征，可为车企产品规划、定价调整、市场资源分配提供数据支撑，也为消费者理解豪华车价格波动规律提供参考。

三、实证分析

完整代码和数据集（带分析）

1. 基础数据特征

python 复制代码

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

plt.style.use('dark_background')
sns.set_palette("husl")

df = pd.read_csv('bmw_global_sales_2018_2025.csv')
print(df.shape)
print(df.head())

数据集包含3072条记录，覆盖4个地区、8款车型，共11个特征。

数据集无缺失值，核心指标 "平均售价（Avg_Price_EUR）" 偏度约 0.37，接近正态分布，数据质量良好，无需进行数据转换即可直接用于分析。均价均值约 6.39 万欧元，最小值 4.00 万欧元（MINI），最大值 9.40 万欧元（X7），价格跨度显著。

2. 价格分布与车型特征

python 复制代码

fig, ax = plt.subplots(figsize=(10, 5))
ax.hist(df['Avg_Price_EUR'], bins=30, color='#c8a84b', edgecolor='black', alpha=0.85)
ax.set_title('平均售价（欧元）分布', fontsize=14)  # 中文标题
ax.set_xlabel('价格（欧元）')                      # 中文X轴标签
ax.set_ylabel('频次')                              # 中文Y轴标签
plt.tight_layout()
plt.show()

平均价格的直方图。分布呈轻微右偏，可见两个明显聚类------经济型车型（MINI、3系）和高端/SUV车型（X5、X7、iX）

各型号价格箱线图

按中位数排序的各型号价格分布。每个型号占据独特价格区间，重叠极小------验证型号是价格预测的核心特征。

各车型平均价格

python 复制代码

# 创建画布和坐标轴，设置尺寸
fig, ax = plt.subplots(figsize=(12, 6),dpi=200)

# 向量化绘图优于手动循环（中文注释）
year_model.plot(kind='line', marker='o', linewidth=2, ax=ax)

# 设置图表文字（全部改为中文）
ax.set_title('各车型价格随时间变化趋势', fontsize=14, pad=15)  # 中文标题，补充内边距更美观
ax.set_xlabel('年份', fontsize=12)                          # X轴标签：Year → 年份
ax.set_ylabel('价格 (欧元)', fontsize=12)                   # Y轴标签：Price (EUR) → 价格 (欧元)
ax.legend(title='车型', loc='upper left', fontsize=9)       # 图例标题：Model → 车型

# 保留网格样式，提升可读性
plt.grid(True, linestyle='--', alpha=0.6)
plt.tight_layout()  # 自动调整布局，防止文字截断
plt.show()

X7 车型均价最高（约 9.2 万欧元），MINI 车型最为实惠（约 4.2 万欧元）。

3. 时间与季节性特征

BEV占比趋势

纯电动汽车(BEV)占比从2018年2%稳步增长至2025年约19%------年增长2.5%的强劲线性趋势。

尽管增长显著，BEV占比与价格几乎无相关性(r=0.001)，因车型特征已涵盖电动车型定价。

相关性热力图

python 复制代码

fig, ax = plt.subplots(figsize=(8, 6),dpi=200)

# 优化后的相关性热力图（便于统计审核）
sns.heatmap(
    correlation_matrix,
    annot=True,
    fmt='.3f',
    cmap='RdYlGn',
    center=0,
    linewidths=0.5,
    ax=ax,
    annot_kws={'size': 9}
)

ax.set_title('特征相关性矩阵', fontsize=14, pad=15)  # 中文标题
plt.tight_layout()
plt.show()

相关性维度：销量、GDP 增速、燃油价格指数等数值特征与价格相关性均极低（最大 r=0.039）；BEV 占比与燃油价格指数相关系数高达 0.952，存在严重多重共线性，需在建模时剔除。

年度维度：纯电动汽车（BEV）占比从 2018 年 2% 稳步增长至 2025 年约 19%，年增长 2.5%，新能源转型趋势显著，但 BEV 占比与价格相关性极低（r=0.001），因电动车型定价已纳入车型特征体系。

python 复制代码

fig, ax = plt.subplots(figsize=(10, 4),dpi=200)
ax.bar(month_names, month_avg.values, color='#c84b7f', alpha=0.85, edgecolor='white', linewidth=0.5)
ax.set_ylim(month_avg.min() - 500, month_avg.max() + 500)

ax.set_title('月度均价（季节性分析）', fontsize=14, pad=15)  # 中文标题
ax.set_ylabel('价格 (欧元)', fontsize=12)                   # 中文Y轴标签

plt.tight_layout()
plt.show()

月度维度：全年月度均价仅波动约 260 欧元，无显著季节性特征，表明时间因素对宝马定价影响极小。

4. 区域与相关性特征

车型×地区价格热力图

python 复制代码

fig, ax = plt.subplots(figsize=(10, 6),dpi=200)
sns.heatmap(pivot, annot=True, fmt='.0f', cmap='YlOrRd', ax=ax)

ax.set_title('各车型×地区均价热力图（欧元）', fontsize=14, pad=15)  # 中文标题
plt.tight_layout()
plt.show()

区域维度：中国、欧洲、美国、其他地区的同车型价格差异仅 70-200 欧元，宝马采用全球统一定价策略，区域对定价几乎无影响。

四、结论

定价核心逻辑：车型是决定宝马产品价格的主导因素，区域、时间（年度 / 月度）、宏观经济（GDP 增速）、燃油价格等因素对价格影响极小，宝马长期维持 "车型主导、全球统一定价、价格梯队稳定" 的定价策略。
市场布局特征：宝马全球市场定价趋同，无区域差异化定价策略，反映其全球化品牌运营的一致性；月度无价格季节性波动，进一步印证定价策略的稳定性。
新能源转型特征：BEV 占比呈线性增长趋势，新能源转型成效显著，但电动化进程未对产品定价产生显著影响，电动车型（i4、iX）已形成独立且稳定的价格梯队。
数据应用启示：在豪华车价格分析及建模中，可优先聚焦车型特征，剔除区域、月度、BEV 占比（因多重共线性）等非核心特征，以提升分析效率和模型准确性；同时需关注早期新能源数据的采集异常问题，保障数据质量。

创造不易，谢谢各位多多点赞收藏！