目录

youyiku分析案例(数分)

大框操作

1.销售情况随着时间的变化

2.不同产品的销量

柱状图(bar)改颜色+排序

seaborn库(柱)

--排序

3.每个城市的人喜欢的购物方式

4-不同年龄段的购物方式

添加标签段及值

--创建新表

对标签分别计算

绘图分析

---

youyiku分析案例(数分)

---

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
​
plt.rcParams["font.sans-serif"] = "SimHei"
plt.rcParams["axes.unicode_minus"] = False
​
df_data = pd.read_csv("../data/uniqlo.csv")

大框操作

--快速操作	描述
df_data.describe()	对数据进行大体的计算.
df_data.info()	查看标签及数据类型.
df_data.shape	查看几行几列.
df_data.head(10)	读取几行数据.

1.销售情况随着时间的变化

# 1、销售情况随着时间的变化
# print(df_data.shape)
# df_data["wkd_ind"].unique()         #"wkd_ind"标签下的数据去重.--进行查看.
reven = df_data.groupby("wkd_ind")["revenue"].mean()    #分组操作,对wkd_ind标签进行分组,并展示revenue标签的平均值.
reven
plt.figure(figsize=(6,4),dpi=150)   #展开画布。
plt.bar(reven.index,reven.values)   #柱状图，直接传宽（标签名）和高（对应值）。
plt.show()

df_data.groupby("wkd_ind").revenue.describe()   #分组后，对revenue标签进行大体计算。

2.不同产品的销量

# 2、不同产品的销量
df_data["product"].unique()     #对标签product进行去重--查看.
​
types = df_data.groupby("product").revenue.describe()       #对produce进行分组,对revenue进行大体计算.
# types
plt.figure(figsize=(6,5),dpi=150)
plt.bar(types.index, types["mean"])         #这里的高只获取大体计算时的平均值.
plt.show()

柱状图(bar)改颜色+排序

types = df_data.groupby("product").revenue.mean().sort_values(ascending=False)      #.sort_values(ascending=False)进行排序.(默认是True,升序)
# types
plt.figure(figsize=(6,5),dpi=150)
plt.bar(types.index,types.values,color=["red","orange","green","yellow"])   #指定柱状图(bar)的颜色.(随机.)
plt.show()

seaborn库(柱)

# pip install seaborn
import seaborn as sns   #基于matplotlib,有些操作会简单点.
plt.figure(figsize=(6,4),dpi=150)
sns.barplot(x="product",y="revenue",data=df_data)       #分别设置x,y轴的标签名,并给出数据从哪来的(data=)
#默认是取平均值.
plt.show()

--排序

plt.figure(figsize=(6,4),dpi=150)
sns.barplot(x="product",y="revenue",data=df_data,order=df_data.groupby("product").revenue.mean().sort_values(ascending=False).index      #这里排完序后,获取的是对象,我们直接按照标签排就可以了(.index)
)

3.每个城市的人喜欢的购物方式

df_data.head()
df_data["channel"].unique()
df_data['city'].unique()
​
df_data.groupby(["city","channel"]).revenue.mean()

plt.figure(figsize=(6,4),dpi=150)
sns.barplot(x="city",y="revenue",data=df_data,hue="channel",      #图例.estimator=sum,      #参数默认求平均值,这参数自己改.order=df_data.groupby("city").revenue.sum().sort_values(ascending=False).index    #排序,按sum.
)
plt.show()

4-不同年龄段的购物方式

plt.figure(figsize=(6,4),dpi=150)
sns.barplot(x="age_group",y="revenue",hue="channel",data=df_data,order=df_data.groupby("age_group").revenue.sum().sort_values(ascending=False).index
)
plt.show()

添加标签段及值

df_data.head()
#无--->在最后字段进行添加;        有---->进行修改.
df_data["price"] = df_data["revenue"] / df_data["quant"]        
df_data["margin"] = (df_data["revenue"] / df_data["quant"]) - df_data["unit_cost"]
df_data.head()

--创建新表

--上面我们创建了新的字段,现在我们就可以创建新的二维对象.

df_data_new = pd.DataFrame({"城市":df_data["city"],"品牌":df_data["product"],"利润":df_data["margin"],"成本":df_data["unit_cost"],"单价":df_data["price"]
})
df_data_new

对标签分别计算

分组+标签分别计算

datas = df_data_new.groupby("城市")["利润","成本","单价"].mean()
datas

绘图分析

plt.figure(figsize=(7,5),dpi=150)
width = 0.2     #柱的宽度.(下面都要传参)
x = np.arange(len(datas.index))     #传x轴的坐标.(看下面) ---  x轴有多少个值,先弄出来.
plt.bar(x,datas["利润"],width=width,label="利润",color="red")
plt.bar(x+width,datas["成本"],width=width,label="成本",color="green")
plt.bar(x+width*2,datas["单价"],width=width,label="单价",color="orange")
#  这里每个柱x轴都要偏移一下,更美观.(柱的间隔)
plt.xticks(x+width,labels=datas.index)  #x轴标签名的间隔.
plt.legend()
plt.show()

---