Python數(shù)據(jù)分析基礎(chǔ)與應(yīng)用模塊模塊7數(shù)據(jù)分析可視化展示【應(yīng)用與實(shí)戰(zhàn)】【任務(wù)7-1】藥品銷量數(shù)據(jù)可視化展示與分析【任務(wù)描述】Excel文件“藥品銷售數(shù)據(jù).xlsx”共有6578條藥店的藥品銷售數(shù)據(jù)，該Excel文件共有7列有效數(shù)據(jù)，分別為：購買時(shí)間、社保卡號、商品編碼、商品名稱、銷售數(shù)量、應(yīng)收金額、實(shí)收金額，通過分析藥品銷售數(shù)據(jù)，看看醫(yī)院那些藥物購買者較多，那些天購藥者較多等等。本任務(wù)主要實(shí)現(xiàn)以下的數(shù)據(jù)可視化展示與分析：（1）繪制折線圖分析每天的消費(fèi)金額。（2）繪制折線圖分析每月的消費(fèi)趨勢。（3）分析銷量排前十種藥品的銷售情況。（4）分析一周中每天的數(shù)量和金額。（5）使用pyecharts繪制一周內(nèi)各天的銷量柱形圖和銷量排前十位的柱形圖。數(shù)據(jù)導(dǎo)入與數(shù)據(jù)審閱詳見模塊4的【任務(wù)4-1】，數(shù)據(jù)預(yù)處理詳見模塊5的【任務(wù)5-1】，數(shù)據(jù)的統(tǒng)計(jì)與分析詳見模塊6的【任務(wù)6-1】?！救蝿?wù)實(shí)現(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建t7-01.ipynb，然后在單元格中編寫代碼與輸出對應(yīng)的結(jié)果。1．繪制折線圖分析每天的消費(fèi)金額分析每天的消費(fèi)金額，并用可視化的方式呈現(xiàn)分析結(jié)果。（1）使用Pyplot模塊的plot()函數(shù)繪制折線圖代碼如下：plt.plot(salesDf1['銷售時(shí)間'],salesDf1['實(shí)收金額'])plt.title("按天消費(fèi)金額圖")plt.xlabel("日期")plt.ylabel("實(shí)收金額")plt.xticks(rotation=30)plt.show()輸出結(jié)果如圖7-1-1所示。圖7-1-1使用Pyplot模塊的plot()函數(shù)繪制的折線圖從圖1W中可以看出，每天的實(shí)收金額差異較大，除了個(gè)別天出現(xiàn)比較大的實(shí)收金額，大部分天的實(shí)收金額維持在500元以內(nèi)。（2）使用DataFrame的plot()方法繪制折線圖先把部分?jǐn)?shù)據(jù)復(fù)制到另一個(gè)數(shù)據(jù)集中，防止對原數(shù)據(jù)集造成影響。代碼如下：groupDf1=salesDf1[['銷售時(shí)間','實(shí)收金額']].copy()groupDf1=groupDf1.set_index('銷售時(shí)間')groupDf1.head()輸出結(jié)果：然后繪制每天的實(shí)收金額折線圖。代碼如下：ax=groupDf1.plot(grid=True,figsize=(10,4))ax.set_ylabel('實(shí)收金額')plt.xticks(rotation=30)plt.show()輸出結(jié)果如圖7-1-2所示。圖7-1-2使用DataFrame的plot()方法繪制的折線圖2．繪制折線圖分析每月的消費(fèi)趨勢（1）剔除銷售數(shù)據(jù)不完整的月份觀察藥品銷售數(shù)據(jù)集可以看出，7月的銷售數(shù)據(jù)不完整，所以要去掉7月的銷售數(shù)據(jù)。代碼如下：salesDf1['月份']=salesDf1['銷售時(shí)間'].dt.monthmonthDf=salesDf1.groupby('月份').agg('sum')monthDf=monthDf.reset_index(drop=False)monthDf1=monthDf.drop(axis=1,index=6)data_mounth1輸出結(jié)果：（2）使用DataFrame的plot()方法繪制1～6月銷售數(shù)量、應(yīng)收金額、實(shí)收金額折線圖代碼如下：ax1=monthDf1.plot(x='月份',secondary_y=['銷售數(shù)量'],x_compat=True,grid=True,figsize=(10,4),marker='o',linewidth=2)plt.title('1～6月藥品銷售趨勢')ax1.right_ax.set_ylabel('銷售數(shù)量')ax1.set_ylabel(['應(yīng)收金額','實(shí)收金額'])輸出結(jié)果如圖7-1-3所示。1～6月藥品銷售趨勢1～6月藥品銷售趨勢圖7-1-3使用DataFrame的plot()方法繪制的1～6月銷售數(shù)量、應(yīng)收金額、實(shí)收金額折線圖（3）使用Pyplot模塊的plot()函數(shù)繪制每個(gè)月消費(fèi)金額折線圖代碼如下：groupDf=salesDf1groupDf.index=groupDf['銷售時(shí)間']monthDf2=groupDf.groupby(groupDf.index.month).sum()plt.plot(monthDf2['實(shí)收金額'])plt.title("按月消費(fèi)金額圖")plt.xlabel("月份")plt.ylabel("實(shí)收金額")plt.show()輸出結(jié)果如圖7-1-4所示。圖7-1-4使用Pyplot模塊的plot()函數(shù)繪制的每個(gè)月消費(fèi)金額折線圖從圖4W中可以看出，7月消費(fèi)金額最少，這是因?yàn)?月的數(shù)據(jù)不完整，所以不具有參考價(jià)值；1月、4月、5月和6月的消費(fèi)金額差異不大；1～2月的消費(fèi)金額迅速降低。3．分析銷量排前十位的藥品的銷售情況（1）聚合統(tǒng)計(jì)各種藥品的銷量將“商品名稱”和“銷售數(shù)量”這兩列數(shù)據(jù)聚合為Series形式，方便后面進(jìn)行統(tǒng)計(jì)，并將其按降序排列。代碼如下：medicine=groupDf[['商品名稱','銷售數(shù)量']]re_medicine=medicine.groupby('商品名稱')[['銷售數(shù)量']].sum()re_medicine=re_medicine.sort_values(by="銷售數(shù)量",ascending=False)（2）截取銷量最多的前十種藥品截取銷量排前十位的藥品，并用條形圖展示結(jié)果。代碼如下：top_medicine=re_medicine.iloc[:10,:]top_medicine輸出結(jié)果：（3）使用DataFrame的plot()方法繪制銷售數(shù)量前十位藥品柱形圖代碼如下：top_medicine.plot(kind='bar')plt.title("銷售數(shù)量前十位的藥品")plt.xlabel("藥品名稱")plt.ylabel("銷售數(shù)量")plt.legend(loc=0)plt.show()輸出結(jié)果如圖7-1-5所示。圖7-1-5使用DataFrame的plot()方法繪制的銷售數(shù)量前十位藥品柱形圖（4）使用Pyplot模塊的barh()方法繪制銷售數(shù)量前十位藥品條形圖代碼如下：plt.barh(top_medicine._stat_axis.values,top_medicine['銷售數(shù)量'])plt.title("銷售數(shù)量前十位的藥品")plt.ylabel("藥品名稱")plt.xlabel("銷售數(shù)量")plt.show()輸出結(jié)果如圖7-1-6所示。圖7-1-6使用Pyplot模塊的barh()方法繪制的銷售數(shù)量前十位藥品條形圖4．分析一周中每天的銷售數(shù)量和金額（1）提取星期數(shù)據(jù)代碼如下：salesDf1['星期']=salesDf1['銷售時(shí)間'].dt.dayofweek（2）對銷售數(shù)量、應(yīng)收金額、實(shí)收金額按一周中的7天分別求和data_week=salesDf1.groupby('星期').agg('sum')data_week.drop('月份',axis=1,inplace=True)data_week=data_week.reset_index(drop=False)data_week輸出結(jié)果：（3）使用DataFrame的plot()方法繪制一周中7天的銷售數(shù)量、應(yīng)收金額、實(shí)收金額之和的折線圖代碼如下：ax1=data_week.plot('星期','實(shí)收金額',marker='o')data_week.plot('星期','應(yīng)收金額',ax=ax1,marker='o')plt.grid(True)x=range(7)plt.xticks(x,['星期一','星期二','星期三','星期四','星期五','星期六','星期日'])plt.xlabel('')plt.ylabel(['應(yīng)收金額','實(shí)收金額'])plt.show()輸出結(jié)果如圖7-1-7所示。圖7-1-7一周中7天的銷售數(shù)量、應(yīng)收金額、實(shí)收金額之和的折線圖5．使用pyecharts繪制一周內(nèi)各天的藥品銷量柱形圖和銷量排前十位的藥品柱形圖（1）繪圖數(shù)據(jù)預(yù)處理代碼如下：df2=salesDf.copy()df2=df2.dropna(subset=['購藥時(shí)間'])df2['社保卡號'].fillna('100000000',inplace=True)df2['銷售數(shù)量']=df2['銷售數(shù)量'].abs()df2['應(yīng)收金額']=df2['應(yīng)收金額'].abs()df2['實(shí)收金額']=df2['實(shí)收金額'].abs()df2['銷售數(shù)量']=df2['銷售數(shù)量'].astype(int)df2[['購藥日期','星期']]=df2['購藥時(shí)間'].str.split('',2,expand=True)df2.loc[:,'購藥日期']=pd.to_datetime(df2.loc[:,'購藥日期'],format='%Y-%m-%d',errors='coerce')df2=df2.dropna(subset=['購藥日期'],how='any')df2=df2[['購藥日期','星期','社?？ㄌ?,'商品編碼','商品名稱','銷售數(shù)量','應(yīng)收金額','實(shí)收金額']]df2.head()輸出結(jié)果：（2）繪制一周內(nèi)各天的藥品銷量柱形圖代碼如下：color_js="""newecharts.graphic.LinearGradient(0,1,0,0,[{offset:0,color:'#FFFFFF'},{offset:1,color:'#ed1941'}],false)"""g1=df2.groupby('星期').sum()x_data=list(g1.index)y_data=g1['銷售數(shù)量'].values.tolist()b1=(Bar().add_xaxis(x_data).add_yaxis('',y_data,itemstyle_opts=opts.ItemStyleOpts(color=JsCode(color_js))).set_global_opts(title_opts=opts.TitleOpts(title='一周內(nèi)各天的藥品銷量情況',pos_top='2%',pos_left='center'),legend_opts=opts.LegendOpts(is_show=False),xaxis_opts=opts.AxisOpts(name="星期",axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="銷售數(shù)量",name_location='middle',name_gap=50,name_textstyle_opts=opts.TextStyleOpts(font_size=16))))b1.render_notebook()輸出結(jié)果如圖7-1-8所示。圖7-1-8一周內(nèi)各天的藥品銷量柱形圖（3）繪制銷量排前十位的藥品柱形圖代碼如下：color_js="""newecharts.graphic.LinearGradient(0,1,0,0,[{offset:0,color:'#FFFFFF'},{offset:1,color:'#08519c'}],false)"""g2=df2.groupby('商品名稱').sum().sort_values(by='銷售數(shù)量',ascending=False)x_data=list(g2.index)[:10]y_data=g2['銷售數(shù)量'].values.tolist()[:10]b2=(Bar().add_xaxis(x_data).add_yaxis('',y_data,itemstyle_opts=opts.ItemStyleOpts(color=JsCode(color_js))).set_global_opts(title_opts=opts.TitleOpts(title='銷量排前十位的藥品',pos_top='2%',pos_left='center'),legend_opts=opts.LegendOpts(is_show=False),xaxis_opts=opts.AxisOpts(name="藥品名稱",axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="銷售數(shù)量",name_location='middle',name_gap=50,name_textstyle_opts=opts.TextStyleOpts(font_size=16))))b2.render_notebook()輸出結(jié)果如圖7-1-9所示。圖7-1-9銷量排前十位的藥品柱形圖6．分析結(jié)論①6個(gè)月內(nèi)總消費(fèi)次數(shù)為5360，月均消費(fèi)次數(shù)為893，平均每天消費(fèi)次數(shù)為30。按10小時(shí)工作時(shí)間算，平均每小時(shí)消費(fèi)次數(shù)為3，即平均每小時(shí)成交量僅為3，成交量少，可以考慮開展關(guān)聯(lián)消費(fèi)等促銷活動，增加單位時(shí)間成交量。②6個(gè)月內(nèi)月均消費(fèi)金額為50771.71元，客單價(jià)為56.8元。③消費(fèi)趨勢為：2-4月銷量上升，4月銷量出現(xiàn)峰值，1～2月、4～5月銷量下降。重點(diǎn)分析4月銷量高的原因，以及4月后銷量下降的影響因素，如季節(jié)性感冒、流感等。④6個(gè)月內(nèi)共銷售藥品78種，其中銷量超過100的藥品（屬于熱銷藥品）有39種，正好達(dá)50%?！救蝿?wù)7-2】網(wǎng)上商城用戶消費(fèi)行為可視化展示與分析【任務(wù)描述】文件df_short.csv中共有55148行網(wǎng)上商城的用戶消費(fèi)數(shù)據(jù)，該文件中共有7個(gè)有效列，其含義說明詳見模塊4的【任務(wù)4-2】。本任務(wù)主要實(shí)現(xiàn)以下的數(shù)據(jù)可視化分析：（1）繪制圖形統(tǒng)計(jì)分析用戶的瀏覽與消費(fèi)情況。（2）各類用戶行為的相關(guān)分析。（3）消費(fèi)商品類型分析。數(shù)據(jù)導(dǎo)入與數(shù)據(jù)審閱詳見模塊4的【任務(wù)4-2】，數(shù)據(jù)預(yù)處理詳見模塊5的【任務(wù)5-2】，數(shù)據(jù)的統(tǒng)計(jì)與分析詳見模塊6的【任務(wù)6-2】?！救蝿?wù)實(shí)現(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建t7-02.ipynb，然后在單元格中編寫代碼與輸出對應(yīng)的結(jié)果。1．繪制圖形統(tǒng)計(jì)、分析用戶的瀏覽與消費(fèi)情況（1）計(jì)算消費(fèi)占比與繪制柱形圖代碼如下：tbc_box=total_buy_count.reset_index()fig,ax=plt.subplots(figsize=[1.5,4])ax.set_yscale("log")sns.countplot(x=tbc_box['total'],data=tbc_box,palette='Set1')forpinax.patches:ax.annotate('{:.2f}%'.format(100*p.get_height()/len(tbc_box['total'])),(p.get_x(),p.get_height()))plt.title('用戶消費(fèi)占比')plt.show()輸出結(jié)果如圖7-2-1所示。用戶消費(fèi)占比用戶消費(fèi)占比圖7-2-1用戶消費(fèi)占比柱形圖（2）平臺活躍狀況分類分析與圖形繪制代碼如下：customer=data_short['customer_id'].value_counts()customer_1=customer[customer.values==1].count()customer_2=customer[customer.values==2].count()customer_3=customer[customer.values>=3].count()customer_count=[customer_1,customer_2,customer_3]frequent_labels=['1次','2次','3次及以上']plt.figure(figsize=(15,8),dpi=80)plt.subplot(1,2,1)plt.bar(frequent_labels,customer_count,width=0.5)forx,yinzip(frequent_labels,customer_count):plt.text(x,y,'{0}'.format(y),ha='center',va='bottom')plt.xlabel('頻次')plt.ylabel('人數(shù)')plt.title('活躍頻次分布')plt.subplot(1,2,2)plt.pie(customer_count,labels=frequent_labels,autopct='%.2f%%')plt.title('活躍頻次分布')plt.show()輸出結(jié)果如圖7-2-2所示。圖7-2-2反映平臺活躍狀況的柱形圖與餅圖（3）用戶消費(fèi)次數(shù)統(tǒng)計(jì)、分析①根據(jù)customer_id對用戶的消費(fèi)次數(shù)進(jìn)行統(tǒng)計(jì)。代碼如下：df=data_short[data_short['type']=='購買'].groupby(data_short['customer_id'])['customer_id'].count()finish=pd.DataFrame(df)finish.columns=['購買次數(shù)']frequency_content=['1次','2次','3次及以上']frequency_number=[0,0,0]foridinfinish.index:iffinish.loc[id,'購買次數(shù)']==1:frequency_number[0]=frequency_number[0]+1eliffinish.loc[id,'購買次數(shù)']==2:frequency_number[1]=frequency_number[1]+1else:frequency_number[2]=frequency_number[2]+1frequency_number輸出結(jié)果：[921,5,0]②繪制用戶購買次數(shù)的柱形圖與餅圖。代碼如下：fig=plt.figure('用戶購買次數(shù)分布圖',dpi=120)ax=fig.add_subplot(121)ax.set_title('用戶購買次數(shù)柱形圖')plt.bar(frequency_content,frequency_number,width=0.4)plt.xlabel("購買次數(shù)")plt.ylabel("數(shù)量")forx,yinzip(frequency_content,frequency_number):plt.text(x,y,'{0}'.format(y),ha='center',va='bottom')ax=fig.add_subplot(122)ax.set_title('用戶購買次數(shù)餅圖')ax.axis('equal')ax.pie(frequency_number[0:2],labels=frequency_content[0:2],autopct='%1.2f%%')輸出結(jié)果如圖7-2-3所示。圖7-2-3用戶購買次數(shù)的柱形圖與餅圖（4）多次交易群體分析①篩選有多次購買行為的群體。代碼如下：shopping_repeated=finish[finish['購買次數(shù)']>1]print(shopping_repeated)df=data_short[['customer_id','product_id','type','date']]shopping_info=pd.merge(shopping_repeated,df,left_on='customer_id',right_on='customer_id',how='left')shopping_info②多次交易群體同類型店鋪交易分析。代碼如下：df=shopping_info.groupby(['customer_id','shop_category'])['customer_id'].count()finish=pd.DataFrame(df)finish.columns=['同類型店鋪交易次數(shù)']count_customer_norepeated=finish[finish['同類型店鋪交易次數(shù)']==1]['同類型店鋪交易次數(shù)'].count()count_sameshop=finish[finish['同類型店鋪交易次數(shù)']>1]['同類型店鋪交易次數(shù)'].count()sameshop_number=[]sameshop_number.append(count_customer_norepeated)sameshop_number.append(count_sameshop)print(sameshop_number)finish輸出結(jié)果：[3,5]同類型店鋪交易次數(shù)③繪制多次交易群體同類型店鋪交易餅圖。代碼如下：list_sameshop=['1次','2次及以上']fig,ax=plt.subplots(1,1)ax.set_title('多次交易群體同類型店鋪交易餅圖')ax.pie(sameshop_number,labels=list_sameshop,autopct='%1.2f%%')輸出結(jié)果如圖7-2-4所示。圖7-2-4多次交易群體同類型店鋪交易餅圖④多次交易群體同類型商品交易分析。代碼如下：df=shopping_info.groupby(['customer_id','category'])['customer_id'].count()finish=pd.DataFrame(df)finish.columns=['同類型商品交易次數(shù)']count_customer_norepeated=finish[finish['同類型商品交易次數(shù)']==1]['同類型商品交易次數(shù)'].count()count_sameshop=finish[finish['同類型商品交易次數(shù)']>1]['同類型商品交易次數(shù)'].count()samecategory_number=[]samecategory_number.append(count_customer_norepeated)samecategory_number.append(count_sameshop)print(samecategory_number)finish輸出結(jié)果：[6,4]同類型商品交易次數(shù)⑤繪制多次交易群體同類型商品交易餅圖代碼如下：list_samecategory=['1次','2次及以上']fig,ax=plt.subplots(1,1)ax.set_title('多次交易群體同類型商品交易餅圖')ax.pie(samecategory_number,labels=list_samecategory,autopct='%1.2f%%')輸出結(jié)果如圖7-2-5所示。圖7-2-5多次交易群體同類型商品交易餅圖（5）用戶消費(fèi)時(shí)間分析①按照上、下半月將交易時(shí)間進(jìn)行分區(qū)。代碼如下：data_short=data1.copy()deftime_divide(time_buy):iftime_buy>=datetime(2022,2,1)andtime_buy<=datetime(2022,2,15):time_result='2月上半月'returntime_resulteliftime_buy>=datetime(2022,2,16)andtime_buy<=datetime(2022,2,28):time_result='2月下半月'returntime_resulteliftime_buy>=datetime(2022,3,1)andtime_buy<=datetime(2022,3,15):time_result='3月上半月'returntime_resulteliftime_buy>=datetime(2022,3,16)andtime_buy<=datetime(2022,3,31):time_result='3月下半月'returntime_resulteliftime_buy>=datetime(2022,4,1)andtime_buy<=datetime(2022,4,15):time_result='4月上半月'returntime_resultdata_short['時(shí)間區(qū)間']=data_short.apply(lambdax:time_divide(x.date),axis=1)data_short.head()輸出結(jié)果：②分區(qū)段統(tǒng)計(jì)購買數(shù)量。代碼如下：df=data_short.groupby(['時(shí)間區(qū)間'])['customer_id'].count()finish=pd.DataFrame(df)finish.columns=['分區(qū)段購買量']finish.head()輸出結(jié)果：③繪制分區(qū)段購買量柱形圖。代碼如下：list_time=finish.indexlist_amount=finish['分區(qū)段購買量']fig,ax=plt.subplots(1,1)ax.bar(list_time,list_amount,width=0.4)ax.set_title('分區(qū)段購買量柱形圖')ax.set_xlabel("購買時(shí)間段")ax.set_ylabel("購買數(shù)量")forx,yinzip(list_time,list_amount):plt.text(x,y,'{0}'.format(y),ha='center',va='bottom')輸出結(jié)果如圖7-2-6所示。圖7-2-6分區(qū)段購買量柱形圖根據(jù)圖6W可以得出以下結(jié)論：2022年2月上半月交易量最大，這說明除夕前用戶交易需求增加，春節(jié)期間交易量明顯縮減，因此廣告投放和資源投放更應(yīng)該安排在除夕前；2月、3月上半月比下半月用戶需求大，說明用戶更愿意在上半月消費(fèi)。（6）分析4月平臺活躍情況與用戶交易情況代碼如下：df_short=data1.copy()action_map={1:'瀏覽',2:'評論',3:'購買',4:'收藏',5:'加入購物車'}df_short['type']=df_short['type'].map(action_map)data_short4=df_short[df_short['date'].dt.month.astype('int')==4]daily_active_user=data_short4.groupby('date')['customer_id'].nunique()daily_buy_user=data_short4[data_short4['type']=='購買'].groupby('date')['customer_id'].nunique()proportion_of_buyer=daily_buy_user/daily_active_userprint('4月日消費(fèi)人數(shù)占比：',proportion_of_buyer)daily_buy_count=data_short4[data_short4['type']=='購買'].groupby('date')['type'].count()consumption_per_buyer=daily_buy_count/daily_buy_userprint('4月消費(fèi)用戶日人均消費(fèi)次數(shù)：',consumption_per_buyer)（7）統(tǒng)計(jì)、分析4月的每日瀏覽量代碼如下：pv_daily=data_short4[data_short4['type']=='瀏覽'].groupby('date')['customer_id'].count()fig,ax=plt.subplots(figsize=[10,6])sns.pointplot(x=pv_daily.index,y=pv_daily.values,markers='D',linestyles='--',color='dodgerblue')plt.title('4月每日瀏覽量')plt.xticks(rotation=45)plt.show()輸出結(jié)果如圖7-2-7所示。4月每日瀏覽量圖7-2-74月每日瀏覽量折線圖（8）統(tǒng)計(jì)、分析4月的每日訪客數(shù)代碼如下：uv_daily=data_short4.groupby('date')['customer_id'].nunique()fig,ax=plt.subplots(figsize=[10,6])sns.pointplot(x=uv_daily.index,y=uv_daily.values,markers='H',linestyles='--',color='m')plt.title('4月每日訪客數(shù)')plt.xticks(rotation=45)plt.show()輸出結(jié)果如圖7-2-8所示。4月每日訪客數(shù)圖7-2-84月每日訪客數(shù)折線圖比較圖7W與圖8W可以看出：每日訪客數(shù)和每日瀏覽量的波動趨勢基本一致。（9）統(tǒng)計(jì)各月與一周內(nèi)各天的交易行為發(fā)生次數(shù)與繪制餅圖代碼如下：df_short['month']=df_short['date'].dt.month.astype('int')df_short['weekday']=df_short['date'].dt.weekday.astype('int')+1plt.figure(figsize=(10,10))plt.subplot(1,2,1)data_short['month'].value_counts().plot(kind='pie',autopct='%.2f%%')plt.subplot(1,2,2)data_short['weekday'].value_counts().plot(kind='pie',autopct='%.2f%%')plt.show()輸出結(jié)果如圖7-2-9所示。（a）各月交易行為發(fā)生次數(shù)餅圖（b）一周內(nèi)各類交易行為發(fā)生次數(shù)餅圖圖7-2-9各月與一周內(nèi)各天的交易行為發(fā)生次數(shù)餅圖（10）分析一周內(nèi)各天的訂單量分布情況代碼如下：week=df_short['weekday'].value_counts().sort_index()week.index=['星期一','星期二','星期三','星期四','星期五','星期六','星期日']plt.figure(figsize=(12,8))sns.barplot(x=week.index,y=week.values).set(title='一周內(nèi)各天的訂單量分布')plt.show()輸出結(jié)果如圖7-2-10所示。圖7-2-10一周內(nèi)各天的訂單量分布柱形圖從圖7-2-10W可以看出：星期一、星期六、星期日訂單量較低，星期二至星期五訂單量較高。（11）平臺活躍度的時(shí)間趨勢分析代碼如下：day=df_short.date.value_counts().sort_index()day.columns=['date']plt.figure(figsize=(10,8))sns.lineplot(data=day)plt.xlabel('交易時(shí)間')plt.ylabel('活躍人數(shù)')plt.title('2022年平臺活躍人數(shù)分布')plt.xticks(rotation=45)輸出結(jié)果如圖7-2-11所示。圖7-2-112022年平臺活躍人數(shù)分布折線圖（12）第1季度平臺活躍度的時(shí)間趨勢分析代碼如下：customer_day=df_short.date[df_short.date<'2022-04-01'].value_counts().sort_index()plt.figure(figsize=(8,6),dpi=80)plt.plot(customer_day.index,customer_day.values)plt.xlabel('交易時(shí)間')plt.ylabel('活躍人數(shù)')plt.title('2022年第1季度平臺活躍人數(shù)分布')plt.xticks(rotation=45)plt.show()輸出結(jié)果如圖7-2-12所示。圖7-2-122022年第1季度平臺活躍人數(shù)分布折線圖從圖7-2-12W可以看出：2月的平臺活躍人數(shù)下滑后回升，波動較大；在2月下旬之后，平臺活躍人數(shù)較為穩(wěn)定。2．用戶各行為的相關(guān)分析電商平臺的用戶行為主要有5種：瀏覽商品、收藏商品、加入購物車、購買商品和評論。針對用戶各行為進(jìn)行分析，探究商品的瀏覽、收藏、加入購物車、購買和評論的變化趨勢如何，為什么會有這種趨勢？為什么有些類別的商品會被用戶購買甚至復(fù)購？這些商品有何特征？用戶瀏覽、收藏、購買商品以及加入購物車和評論主要發(fā)生在一天中的什么時(shí)候？為什么在這個(gè)時(shí)間段？（1）統(tǒng)計(jì)用戶各行為數(shù)量與繪制柱形圖①繪制用戶各行為類型的數(shù)量柱形圖。代碼如下：df=df_short['type'].value_counts()plt.figure(figsize=(10,6))sns.barplot(x=df.index,y=df.values).set(title='用戶各行為類型的數(shù)量')plt.show()輸出結(jié)果如圖7-2-13所示。用戶各行為類型的數(shù)量圖7-2-13用戶各行為類型數(shù)量柱形圖②將用戶行為數(shù)字轉(zhuǎn)換為字符串。代碼如下：action_map={1:'瀏覽',2:'評論',3:'購買',4:'收藏',5:'加入購物車'}df_short['type']=df_short['type'].map(action_map)③統(tǒng)計(jì)用戶各行為類型的數(shù)量。代碼如下：df1=df_short.groupby('type')['customer_id'].count().reset_index()df1.columns=['type','num']df1=df1.sort_values(by='num',ascending=False)df1輸出結(jié)果：④繪制用戶各行為類型的數(shù)量降序排列后的柱形圖。代碼如下：sns.barplot(x=df1.type,y=df1.num).set(title='用戶各行為類型的數(shù)量')plt.show()輸出結(jié)果如圖7-2-14所示。用戶各行為類型的數(shù)量圖7-2-14用戶各行為類型的數(shù)量降序排列后的柱形圖⑤繪制帶數(shù)量標(biāo)簽的用戶各行為統(tǒng)計(jì)數(shù)量柱形圖。代碼如下：list_type=df1.indexlist_type_amount=df1['數(shù)量']fig,ax=plt.subplots(1,1)ax.bar(list_type,list_type_amount,width=0.4)ax.set_title('用戶各行為統(tǒng)計(jì)數(shù)量柱形圖')ax.set_ylabel("數(shù)量")ax.set_xlabel("用戶各行為類型")forx,yinzip(list_type,list_type_amount):plt.text(x,y,'{0}'.format(y),ha='center',va='bottom')輸出結(jié)果如圖7-2-15所示。用戶各行為統(tǒng)計(jì)數(shù)量柱形圖用戶各行為類型圖7-2-15帶數(shù)量標(biāo)簽的用戶各行為統(tǒng)計(jì)數(shù)量柱形圖從圖7-2-15W可以看出：從總體上看，用戶的瀏覽行為的統(tǒng)計(jì)數(shù)量是最多的。（2）透視分析各類用戶行為數(shù)據(jù)代碼如下：df_short.sort_values(by='date',ascending=True,inplace=True)df_short.describe(datetime_is_numeric=True)short_detail=pd.pivot_table(columns='type',index='date',data=df_short,values='customer_id',aggfunc=np.size)輸出結(jié)果：（3）分析用戶各行為類型的變化趨勢代碼如下：plt.figure(figsize=(15,8))sns.lineplot(data=short_detail)plt.show()輸出結(jié)果如圖7-2-16所示。圖7-2-16用戶各行為類型的變化趨勢折線圖（4）按用戶行為分類提取數(shù)據(jù)代碼如下：type1=df_short[df_short['type']=='瀏覽']type2=df_short[df_short['type']=='評論']type3=df_short[df_short['type']=='購買']type4=df_short[df_short['type']=='收藏']type5=df_short[df_short['type']=='加入購物車']（5）統(tǒng)計(jì)、分析瀏覽數(shù)量、購買數(shù)量、收藏?cái)?shù)量與加入購物數(shù)量排前幾位的商品類型代碼如下：G=gridspec.GridSpec(3,2)plt.subplot(G[0,0])type1['category'].value_counts().sort_values(ascending=False)[:5].plot(kind='barh',figsize=(15,10),color='b')plt.ylabel('類型',size=15)plt.xlabel('數(shù)量',size=15)plt.title('瀏覽數(shù)量排前5位的商品類型',size=18)plt.subplot(G[0,1])type3['category'].value_counts().sort_values(ascending=False)[:5].plot(kind='barh',figsize=(15,10),color=['b','g','r','m','y'])plt.ylabel('類型',size=15)plt.xlabel('數(shù)量',size=15)plt.title('購買數(shù)量排前5位的商品類型',size=18)plt.subplot(G[1,0])type4['category'].value_counts().sort_values(ascending=False)[:5].plot(kind='barh',figsize=(15,10),color=['g'])plt.ylabel('類型',size=15)plt.xlabel('數(shù)量',size=15)plt.title('收藏?cái)?shù)量排前5位的商品類型',size=18)plt.subplot(G[1,1])type5['category'].value_counts().sort_values(ascending=False)[:3].plot(kind='barh',figsize=(15,10),color=['m'])plt.ylabel('類型',size=15)plt.xlabel('數(shù)量',size=15)plt.title('加入購物車數(shù)量排前3位的商品類型',size=18)plt.subplots_adjust(wspace=0.3,hspace=0.5)plt.show()輸出結(jié)果如圖7-2-17所示。圖7-2-17用戶各行為類型排前幾位的商品類型條形圖（6）匯聚每個(gè)商品類型的瀏覽數(shù)量、收藏?cái)?shù)量、加入購物車數(shù)量與購買數(shù)量數(shù)據(jù)代碼如下：browseData=pd.DataFrame(type1['category'].value_counts().sort_index())followData=pd.DataFrame(type4['category'].value_counts().sort_index())CartData=pd.DataFrame(type5['category'].value_counts().sort_index())buyData=pd.DataFrame(type3['category'].value_counts().sort_index())behaviorData=pd.merge(browseData,followData,left_index=True,right_index=True,how='outer')behaviorData.columns=['瀏覽數(shù)量','收藏?cái)?shù)量']behaviorData=pd.merge(behaviorData,CartData,left_index=True,right_index=True,how='outer')behaviorData.columns=['瀏覽數(shù)量','收藏?cái)?shù)量','加入購物車數(shù)量']behaviorData=pd.merge(behaviorData,buyData,left_index=True,right_index=True,how='outer')behaviorData.columns=['瀏覽數(shù)量','收藏?cái)?shù)量','加入購物車數(shù)量','購買數(shù)量']behaviorData.fillna(0,inplace=True)behaviorData.head()輸出結(jié)果：（7）瀏覽數(shù)量、加入購物車數(shù)量、收藏?cái)?shù)量與購買數(shù)量之間的相關(guān)分析代碼如下：behaviorData.corr()輸出結(jié)果：從上述輸出結(jié)果可以看出：加入購物車數(shù)量與購買數(shù)量的相關(guān)系數(shù)為0.956863，這表示它們高度相關(guān)；瀏覽數(shù)量與加入購物車數(shù)量的相關(guān)系數(shù)為0.948181、瀏覽數(shù)量與購買數(shù)量的相關(guān)系數(shù)為0.943392，這表示它們高度相關(guān)。（8）繪制瀏覽數(shù)量、加入購物車數(shù)量、收藏?cái)?shù)量與購買數(shù)量相關(guān)關(guān)系的熱力圖代碼如下：plt.figure(figsize=(5,5),dpi=100)sns.heatmap(behaviorData.corr(),cmap='coolwarm')plt.show()輸出結(jié)果如圖7-2-18所示。圖7-2-18瀏覽數(shù)量、加入購物車數(shù)量、收藏?cái)?shù)量與購買數(shù)量相關(guān)關(guān)系的熱力圖（9）分析用戶行為的時(shí)間變化趨勢代碼如下：plt.subplot(3,2,1)type1.groupby('date')['customer_id'].count().plot(kind='line',figsize=(15,10),c='b')plt.xlabel('日期',size=12)plt.ylabel('數(shù)量',size=12)plt.title('用戶瀏覽數(shù)量趨勢',size=12)plt.subplot(3,2,2)type4.groupby('date')['customer_id'].count().plot(kind='line',figsize=(15,10),c='g')plt.xlabel('日期',size=12)plt.ylabel('數(shù)量',size=12)plt.title('用戶收藏?cái)?shù)量趨勢',size=12)plt.subplot(3,2,3)type5.groupby('date')['customer_id'].count().plot(kind='line',figsize=(15,10),c='r')plt.xlabel('日期',size=12)plt.ylabel('數(shù)量',size=12)plt.title('用戶加入購物車數(shù)量趨勢',size=12)plt.subplot(3,2,4)type3.groupby('date')['customer_id'].count().plot(kind='line',figsize=(15,10),c='y')plt.xlabel('日期',size=12)plt.ylabel('數(shù)量',size=12)plt.title('用戶購買數(shù)量趨勢',size=12)plt.subplot(3,2,5)type2.groupby('date')['customer_id'].count().plot(kind='line',figsize=(15,10),c='g')plt.xlabel('日期',size=12)plt.ylabel('數(shù)量',size=12)plt.title('用戶評論數(shù)量趨勢',size=12)plt.subplot(3,2,6)data1.groupby('date')['customer_id'].count().plot(kind='line',figsize=(15,10),c='m')plt.xlabel('日期',size=12)plt.ylabel('數(shù)量',size=12)plt.title('累計(jì)數(shù)量趨勢',size=12)plt.subplots_adjust(hspace=0.8)plt.show()輸出結(jié)果如圖7-2-19所示。圖7-2-19用戶行為的時(shí)間變化趨勢折線圖（10）分析各類用戶行為的占比代碼如下：type_dis=df_short['type'].value_counts().reset_index()type_dis['rate']=round((type_dis['type']/type_dis['type'].sum()),3)type_dis=type_dis.rename(columns={'index':'用戶行為類型','type':'累計(jì)數(shù)量','rate':'占比'})type_dis.style.bar(color='red',subset=['占比'])輸出結(jié)果：3．消費(fèi)商品類型分析（1）提取購買數(shù)量排前5位的商品類型代碼如下：category5=data_short['category'].value_counts().head()category5輸出結(jié)果：（2）繪制購買數(shù)量排前5位的商品類型餅圖代碼如下：plt.figure(figsize=(10,8))plt.pie(category5,labels=category5.index)plt.show()輸出結(jié)果如圖7-2-20所示。圖7-2-20購買數(shù)量排前5位的商品類型餅圖（3）繪制購買數(shù)量排前5位的商品類型條形圖代碼如下：category=data_short.category.value_counts().head(5)plt.figure(figsize=(10,6))sns.barplot(y=category.index,x=category.values).set(title='購買數(shù)量排前5位的商品類型')plt.show()輸出結(jié)果如圖7-2-21所示。圖7-2-21購買數(shù)量排前5位的商品類型條形圖從圖21W可以看出：手機(jī)和外套的購買數(shù)量較多。（4）繪制購買數(shù)量排前5位的商品類型柱形圖代碼如下：plt.figure(figsize=(8,6),dpi=80)category=data_short['category'].value_counts().head()plt.bar(x=category.index,height=category.values,width=0.5)forx,yinzip(category.index,category.values):plt.text(x,y,'{0}'.format(y),ha='center',va='bottom')plt.xlabel('商品類型')plt.ylabel('購買數(shù)量')plt.title('購買數(shù)量排前5位的商品類型')plt.xticks(rotation=45)plt.show()輸出結(jié)果如圖7-2-22所示。圖7-2-22購買數(shù)量排前5位的商品類型柱形圖從圖22W可以看出：購買數(shù)量排在前5位的商品類型分別是Phone（手機(jī)）、Coat（外套）、Tea（茶葉）、Notebook（筆記本電腦）、Tablet（平板電腦），其中手機(jī)的購買數(shù)量是第2名的將近2倍，說明手機(jī)是用戶消費(fèi)的主要產(chǎn)品。結(jié)合時(shí)間推測，可能冬季氣溫較低，這是購置外套的高峰時(shí)期；春節(jié)期間用戶購置手機(jī)的消費(fèi)欲望更強(qiáng)烈。（5）繪制購買數(shù)量排5位的商品類型的棒棒糖圖代碼如下：df=data_short['category'].value_counts().to_frame().head()x1=df.indexy1=df.categoryfig,ax=plt.subplots(figsize=(8,5),facecolor='white',dpi=80)ax.vlines(x=x1,ymin=0,ymax=y1,color='firebrick',alpha=0.7,linewidth=5)ax.scatter(x=x1,y=y1,s=75,color='firebrick',alpha=0.7)ax.set_title('最受歡迎的產(chǎn)品類型及銷量',fontdict={'size':15})ax.set_ylabel('銷量')ax.set_xticks(x1)ax.set_xticklabels(x1,rotation=60,fontdict={'horizontalalignment':'right','size':12})fora,binenumerate(y1):plt.text(a,b,'%.0f'%b,ha='center',va='bottom',fontsize=10)plt.show()輸出結(jié)果如圖7-2-23所示。圖7-2-23購買數(shù)量排前5位的商品類型的棒棒糖圖（6）分析購買數(shù)量排前5位的商品類型的受歡迎程度代碼如下：pyplot=py.offline.iplottrace_basic=go.Bar(x=category5.index.tolist(),y=category5.values.tolist(),)layout=go.Layout(title='購買數(shù)量排前5位的商品類型的受歡迎程度')figure_basic=go.Figure(data=trace_basic,layout=layout)pyplot(figure_basic)輸出結(jié)果如圖7-2-24所示。購買數(shù)量排前5位的商品類型的受歡迎程度圖7-2-24購買數(shù)量排前5位的商品類型的受歡迎程度柱形圖從圖7-2-24可以看出，用戶購買數(shù)量較多的商品類型依次為：Phone（手機(jī)）、Coat（外套）、Tea（茶葉）、Notebook（筆記本電腦）、Tablet（平板電腦）。【任務(wù)7-6】使用pyecharts庫分析訂單數(shù)據(jù)與用戶購物偏好【任務(wù)描述】（1）針對電商平臺用戶實(shí)際購買的訂單數(shù)據(jù)（主要包含訂單號、客戶id、消費(fèi)物品的類別、商品品牌、購物日期等）從時(shí)間維度分析訂單數(shù)量及其變化。（2）針對用戶偏好數(shù)據(jù)（主要包含用戶id、用戶偏好的細(xì)分類別、瀏覽購物平臺時(shí)間，活躍度等）分析用戶購物偏好，包括用戶瀏覽最多、收藏最多的商品類型是什么？用戶最喜歡在什么時(shí)間段瀏覽購物平臺？【任務(wù)實(shí)現(xiàn)】在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建t7-06.ipynb，然后在單元格中編寫代碼與輸出對應(yīng)的結(jié)果。掃描二維碼，瀏覽使用pyecharts庫分析訂單數(shù)據(jù)與用戶購物偏好的實(shí)現(xiàn)過程、示例代碼及運(yùn)行結(jié)果。在JupyterNotebook開發(fā)環(huán)境中創(chuàng)建t7-06.ipynb，然后在單元格中編寫代碼與輸出對應(yīng)的結(jié)果。1．導(dǎo)入模塊代碼如下：importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfrompyecharts.chartsimportLinefrompyecharts.chartsimportPiefrompyecharts.chartsimportBarfrompyechartsimportoptionsasoptsplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=False2．導(dǎo)入數(shù)據(jù)代碼如下：data1=pd.read_excel(r'.\data\df_short.xlsx',parse_dates=['date'],dtype={'customer_id':str,'product_id':str})data2=pd.read_excel(r'.\data\JD_labels.xlsx',dtype={'customer_id':str})3．?dāng)?shù)據(jù)審閱（1）數(shù)據(jù)復(fù)制代碼如下：df_short=data1.copy()JD_labels=data2.copy()（2）查看數(shù)據(jù)集的基本信息代碼如下：df_()輸出結(jié)果：代碼如下：JD_()輸出結(jié)果：（3）查看部分?jǐn)?shù)據(jù)代碼如下：df_short.head()輸出結(jié)果：代碼如下：JD_labels.head()4．?dāng)?shù)據(jù)預(yù)處理（1）刪除未命名的列代碼如下df_short=df_short.drop('Unnamed:0',axis=1)JD_labels=JD_labels.drop('Unnamed:0',axis=1)（2）查看數(shù)據(jù)有無缺失值原始數(shù)據(jù)大概率會有缺失值，需要進(jìn)行一定的挑選、清洗，才能獲取相對可用的數(shù)據(jù)。代碼如下：df_short.isnull().sum()輸出結(jié)果：df_short數(shù)據(jù)集沒有缺失值，不需要進(jìn)行數(shù)據(jù)清洗。代碼如下：JD_labels.isnull().sum()輸出結(jié)果：JD_labels數(shù)據(jù)集有缺失值，但是因?yàn)槿笔е禂?shù)量太多，且大部分列有關(guān)聯(lián)性，所以暫不對其進(jìn)行處理。經(jīng)過清洗的相對可用數(shù)據(jù)并不一定能被直接運(yùn)用于數(shù)據(jù)分析，需要將數(shù)據(jù)根據(jù)需求再整理一遍，這樣才能獲取實(shí)際可用的數(shù)據(jù)。5．從時(shí)間維度分析訂單數(shù)量及其變化（1）分析每天總體訂單數(shù)量的變化針對不同的日期，分析總體訂單數(shù)量是怎樣變化的。代碼如下：date_order_nums=df_short.date.value_counts().sort_index()dates=np.array(date_order_nums.keys().astype(str))date_order_nums.head()date_order_numsLine=(Line().add_xaxis(dates).add_yaxis('訂單數(shù)量',date_order_nums.values.tolist(),is_symbol_show=True,label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title="每天的訂單數(shù)量",subtitle='2022/02/01-2022/04/15'),tooltip_opts=opts.TooltipOpts(is_show=True),xaxis_opts=opts.AxisOpts(type_="category",axislabel_opts=opts.LabelOpts(rotate=-15)),legend_opts=opts.LegendOpts(type_="plain",is_show=True,orient="vertical"),).render_notebook())date_order_numsLine輸出結(jié)果如圖7-6-1所示。圖7-6-1每天訂單數(shù)量變量的折線圖（2）分析用戶日訪問量的變化繪制用戶日訪問量折線圖的代碼如下：line1_x=df_short['date'].sort_values().drop_duplicates()line1_x=line1_x.astype('str').tolist()line1_y=df_short.groupby(['date']).count()['type'].to_list()line1=Line()line_style={'normal':{'width':4,'shadowColor':'rgba(155,18,184,.3)','shadowBlur':5,'shadowOffsetY':10,'shadowOffsetX':10,'curve':0.5}}line1.add_xaxis(line1_x)line1.add_yaxis("",line1_y,is_smooth=True,linestyle_opts=line_style)line1.set_global_opts(datazoom_opts=opts.DataZoomOpts(range_start=17,range_end=57,orient='horizontal',type_='slider',is_zoom_lock=True,pos_bottom='2%'),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),title_opts=opts.TitleOpts(title="用戶日訪問量變化趨勢",pos_left='center',pos_top='1%'))line1.render_notebook()輸出結(jié)果如圖7-6-2所示。用戶訪問量變化趨勢用戶訪問量變化趨勢圖7-6-2用戶日訪問量折線圖（3）按月分析訂單數(shù)的變化代碼如下：df_short['datetime']=pd.to_datetime(df_short['date'])df_short['month']=df_short['datetime'].dt.monthdf_short['day']=df_short['datetime'].dt.dayby_month=data[['month','customer_id']].groupby(['month']).count().sort_values(by=['month'],ascending=True)by_month.reset_index(inplace=True)line=(Line().add_xaxis(['2月','3月','4月']).add_yaxis("訂單數(shù)",by_month['customer_id']).set_global_opts(title_opts=opts.TitleOpts(title="每月訂單數(shù)")).render_notebook())line輸出結(jié)果如圖7-6-3所示。每月訂單數(shù)每月訂單數(shù)圖7-6-3每月訂單數(shù)折線圖（4）分析一周內(nèi)每天訂單數(shù)的變化代碼如下：df_short['weekday']=df_short['datetime'].dt.weekday+1by_weekday=df_short[['weekday','customer_id']].groupby(['weekday']).count().sort_values(by=['weekday'],ascending=True)by_weekday.reset_index(inplace=True)by_weekday['weekday'].to_list()line=(Line().add_xaxis(['周一','周二','周三','周四','周五','周六','周日']).add_y