【python】python销售数据分析可视化（源码+论文+数据集）【独一无二】

一、设计要求

本项目旨在对商业销售数据进行全面分析和可视化，主要包括数据读取、数据处理及多种可视化图表生成。具体设计需求如下：

数据读取：
- 从三个不同的 Excel 文件中读取销售和会员数据。
- 确保数据正确加载，支持不同的工作表和文件格式。
数据处理：
- 数据预处理，包括日期格式转换和数据透视表生成。
- 处理文本和数值数据，确保后续分析的准确性。

数据分析和可视化：
- 饼状图：
  - 展示各推广渠道的订单数量占比，提供直观的市场营销效果分析。
  - 展示会员购物次数分布，了解会员活跃度。
- 柱状图：
  - 显示不同城市的订单数量，帮助识别高销量区域。
  - 展示会员性别分布，分析会员群体特征。
- 折线图：
  - 显示不同日期的销售总额变化趋势，了解销售季节性波动。
  - 展示某一城市的销售趋势，提供针对性营销策略参考。
- 散点图：
  - 显示不同城市的订单利润分布，分析区域市场表现。
  - 显示年龄与购物总金额的关系，提供目标客户群体的消费行为洞察。
- 热力图：
  - 展示各子分类的价格和利润相关性，优化产品定价策略。
  - 展示 RFM 得分的热力图，帮助识别重要客户群体。
用户界面和交互：
- 使用 matplotlib 和 seaborn 提供美观的图表。
- 配置中文字体和图表参数，确保中文显示正常。
- 提供清晰的图表标题和标签，增强图表的可读性和解释性。

二、设计思路

代码设计思路分析

该代码旨在对商业销售数据进行分析和可视化。数据来源于三个 Excel 文件，分别包含不同的销售和会员信息。通过对这些数据进行处理和可视化分析，展示销售和会员的各项指标。以下是详细的设计思路分析：

1. 导入必要的库

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

pandas：用于读取和处理数据。
matplotlib.pyplot：用于绘制各种图表。
seaborn：用于增强图表的美观性和绘制复杂图表。

2. 配置 Matplotlib 以正常显示中文和负号

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

font.sans-serif 设置为 SimHei（黑体），确保能够显示中文字符。
axes.unicode_minus 设置为 False，确保负号可以正常显示。

3. 读取数据

data1 = pd.read_excel('略...')
data2 = pd.read_excel('略...')
data3 = pd.read_excel('略...', sheet_name='会员数据信息')

使用 pandas 读取三个 Excel 文件，分别加载到 data1、data2 和 data3 数据框中。

4. 打印数据（用于调试）

print("Data1")
print(data1.head())
print("Data2")
print(data2.head())
print("Data3")
print(data3.head())

打印每个数据框的前五行，确保数据读取正确。

5. 数据分析和可视化

5.1 饼状图：各推广渠道的订单数量占比

promotion_channels = data1['推广渠道'].value_counts()
plt.figure(figsize=(10, 6))
plt.pie(promotion_channels, labels=promotion_channels.index, autopct='%1.1f%%', startangle=140)
plt.title('各推广渠道的订单数量占比')
plt.show()

统计 data1 中各推广渠道的订单数量，并生成饼状图显示其占比。

5.2 柱状图：不同城市的订单数量

cities = data2['城市'].value_counts()
plt.figure(figsize=(12, 8))
cities.plot(kind='bar')
plt.title('不同城市的订单数量')
plt.xlabel('城市')
plt.ylabel('订单数量')
plt.show()

统计 data2 中不同城市的订单数量，并生成柱状图显示其分布。

5.3 折线图：不同日期的销售总额变化趋势

data2['订单日期'] = pd.to_datetime(data2['订单日期'])
sales_trend = data2.groupby('订单日期')['价格'].sum()
plt.figure(figsize=(14, 7))
sales_trend.plot(kind='line')
plt.title('不同日期的销售总额变化趋势')
plt.xlabel('日期')
plt.ylabel('销售总额')
plt.show()

将 data2 中的订单日期转换为日期格式，按日期汇总销售总额，并生成折线图显示其变化趋势。

5.4 散点图：不同城市的订单利润分布

plt.figure(figsize=(12, 8))
sns.scatterplot(data=data2, x='城市', y='利润')
plt.title('不同城市的订单利润分布')
plt.xlabel('城市')
plt.ylabel('利润')
plt.xticks(rotation=90)
plt.show()

使用 seaborn 生成散点图，显示不同城市的订单利润分布。

5.5 热力图：各子分类的价格和利润相关性

pivot_data = data2.pivot_table(values='利润', index='子分类', columns='价格', aggfunc='mean')
plt.figure(figsize=(14, 10))
sns.heatmap(pivot_data, cmap='YlGnBu', annot=True, fmt=".1f")
plt.title('各子分类的价格和利润相关性')
plt.xlabel('价格')
plt.ylabel('子分类')
plt.show()

生成数据透视表，计算各子分类的平均利润，并生成热力图显示价格和利润的相关性。

5.6 饼状图：会员购物次数的分布

shopping_times = data3['购物次数/次'].value_counts()
plt.figure(figsize=(10, 6))
plt.pie(shopping_times, labels=shopping_times.index, autopct='%1.1f%%', startangle=140)
plt.title('会员购物次数分布')
plt.show()

统计 data3 中会员的购物次数，并生成饼状图显示其分布。

5.7 柱状图：会员性别分布

gender_distribution = data3['性别'].value_counts()
plt.figure(figsize=(10, 6))
gender_distribution.plot(kind='bar')
plt.title('会员性别分布')
plt.xlabel('性别')
plt.ylabel('人数')
plt.show()

统计 data3 中会员的性别分布，并生成柱状图显示其分布。

总结

数据读取：从三个 Excel 文件中读取数据，分别加载到三个数据框中。
数据打印：打印数据框的前几行，检查数据读取是否正确。
数据分析和可视化：
- 饼状图：展示各推广渠道的订单数量占比、会员购物次数分布。
- 柱状图：展示不同城市的订单数量、会员性别分布。
- 折线图：展示不同日期的销售总额变化趋势。
- 散点图：展示不同城市的订单利润分布。
- 热力图：展示各子分类的价格和利润相关性。

该代码通过对商业销售数据的多角度分析和可视化，帮助了解销售和会员的各项指标，具备清晰的结构和良好的可维护性。

三、可视化分析

饼状图: data2 中不同产品类型的数量分布

该图显示了不同产品类型在整个数据集中所占的比例。每个扇区代表一种产品类型，扇区的大小表示该产品类型的数量占总数的百分比。通过这个图，可以直观地看到哪种产品类型在数据中最常见，以及各类型之间的相对比例。
有助于了解不同产品类型在市场上的分布情况。
可以识别出占据市场份额较大的产品类型，为市场决策提供依据。

在这里插入图片描述

柱状图: data1 中不同推广渠道的推广费用

该图显示了不同推广渠道的总推广费用。X轴表示不同的推广渠道，Y轴表示推广费用。通过这个图，可以看到每个推广渠道的费用总和，并比较各渠道之间的推广费用差异。
意义：
帮助识别哪些推广渠道投入了更多的资源。

在这里插入图片描述

折线图: data2 中某城市（如常德）的销售趋势

该图显示了常德市在不同日期的销售价格趋势。X轴表示订单日期，Y轴表示销售价格。通过这个图，可以看到常德市销售价格的变化趋势和波动情况。
意义：
有助于分析某个城市在特定时间段内的销售表现。
可以用于预测未来的销售趋势，制定相应的销售策略。

在这里插入图片描述

饼状图: 性别分布

描述：该图表显示了数据集中不同性别的用户所占的比例。每个扇区代表一个性别，扇区的大小表示该性别用户在总用户数中的比例。
意义：
帮助了解用户的性别分布情况，识别出男性或女性用户是否占据更大的比例。
有助于制定针对不同性别用户的营销策略，例如，如果女性用户占多数，可以考虑推出更多针对女性的产品和服务。
提供了用户属性方面的基本信息，有助于更精准的用户画像分析。

在这里插入图片描述

柱状图: 年龄分布

描述：该图表展示了不同年龄段用户的数量分布。X轴表示年龄段，Y轴表示该年龄段的用户人数。
意义：
了解用户的年龄分布情况，识别出主要的用户年龄群体。
帮助商家根据主要用户群体的年龄段调整产品和服务。例如，如果年轻用户较多，可以考虑推出更符合年轻人口味的产品。
有助于进行更加精细的市场细分，制定年龄段特定的营销策略。

在这里插入图片描述

折线图: 购物次数趋势

描述：该图表展示了用户在不同月份的购物次数趋势。X轴表示月份，Y轴表示购物次数。
意义：
分析用户的购物行为随时间的变化趋势，识别出购物高峰期和低谷期。
帮助商家了解用户购物频率的变化情况，制定促销活动的时间安排。
有助于识别季节性或周期性的购物模式，从而优化库存管理和供应链计划。

在这里插入图片描述

散点图: 年龄与购物总金额的关系

描述：该图表展示了用户年龄与其购物总金额之间的关系。X轴表示用户年龄，Y轴表示购物总金额，每个点代表一个用户。
意义：
分析不同年龄段用户的消费能力和消费习惯，识别出高消费人群所在的年龄段。
帮助商家根据年龄段进行市场细分，针对高消费年龄段用户推出高价值产品和服务。
有助于识别潜在的市场机会，例如，如果某一年龄段用户的消费总金额较低，可以考虑采取措施提高该年龄段用户的消费水平。
在这里插入图片描述

热力图: RFM得分的热力图

描述：该图表展示了用户在RFM模型中的得分分布情况。X轴表示频率得分（F得分），Y轴表示最近一次消费时长得分（R得分），颜色表示该得分组合下的用户数量。
意义：
帮助识别不同用户群体在RFM模型中的分布情况，例如高频次、高消费的活跃用户群体和低频次、低消费的流失用户群体。
有助于制定针对不同RFM得分群体的运营策略，如针对高价值用户的忠诚度计划和针对低价值用户的挽回措施。
提供了会员数据分析的结果，有助于商家根据会员的价值状况进行精细化管理和运营。

在这里插入图片描述
描述：该图表展示了不同推广渠道所占订单数量的比例。每个扇区代表一种推广渠道，扇区的大小表示该渠道所产生的订单数量占总订单数的百分比。
意义：
帮助了解各推广渠道在订单生成中的贡献。
可以识别出主要的推广渠道，并优化推广资源的分配。
有助于评估不同推广渠道的效果，制定更有效的营销策略。