import pandas as pd import numpy as np import matplotlib.pyplot as plt # 设置中文字体 plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] plt.rcParams['axes.unicode_minus'] = False # ========== 1. 创建综合超市数据集 ========== np.random.seed(2024) n = 2000 df = pd.DataFrame({ '订单号': [f'SA{i:06d}' for i in range(1, n+1)], '日期': pd.date_range('2023-01-01', '2024-06-30', periods=n), '客户ID': np.random.choice([f'V{i:04d}' for i in range(1, 501)], n), '地区': np.random.choice(['华东', '华南', '华北', '西南', '西北'], n, p=[0.30, 0.25, 0.20, 0.15, 0.10]), '城市': np.random.choice(['上海', '广州', '北京', '成都', '西安', '杭州', '深圳', '武汉'], n), '品类': np.random.choice(['生鲜', '食品', '饮料', '日用品', '家电', '服装'], n), '销售额': np.random.randint(20, 3000, n), '成本': np.random.randint(10, 2000, n), '数量': np.random.randint(1, 15, n), '支付方式': np.random.choice(['现金', '微信', '支付宝', '刷卡'], n) }) # 引入一些缺失值和异常值用于清洗练习 df.loc[np.random.choice(df.index, 20, replace=False), '销售额'] = np.nan df.loc[np.random.choice(df.index, 5, replace=False), '销售额'] = -100 df.loc[np.random.choice(df.index, 10, replace=False), '品类'] = np.nan print("原始数据预览：") print(df.head()) print(f"\n数据形状：{df.shape}") # ========== 2. 数据清洗 ========== print("\n【数据清洗】") print(f"清洗前缺失值：\n{df.isnull().sum()}") # 删除品类缺失的行 df = df.dropna(subset=['品类']) # 销售额缺失用中位数填充 df['销售额'] = df['销售额'].fillna(df['销售额'].median()) # 销售额为负数的视为异常值，用中位数替换 df.loc[df['销售额'] < 0, '销售额'] = df['销售额'].median() print(f"\n清洗后缺失值：\n{df.isnull().sum()}") print(f"清洗后数据量：{len(df)}") # 添加利润列 df['利润'] = df['销售额'] - df['成本'] df['利润率'] = (df['利润'] / df['销售额'] * 100).round(2) # 日期解析 df['日期'] = pd.to_datetime(df['日期']) df['年份'] = df['日期'].dt.year df['月份'] = df['日期'].dt.month df['年月'] = df['日期'].dt.strftime('%Y-%m') # ========== 3. 描述性统计 ========== print("\n【描述性统计】") print(df[['销售额', '成本', '利润', '数量']].describe().round(2)) # ========== 4. 透视表分析 ========== print("\n【地区 × 品类 销售额透视表】") pt = df.pivot_table(values='销售额', index='地区', columns='品类', aggfunc='sum', margins=True, fill_value=0) print(pt) # ========== 5. 时间序列分析 ========== print("\n【月度销售趋势】") monthly = df.groupby('年月')['销售额'].sum() print(monthly.tail(10)) # ========== 6. 可视化 ========== # 月度趋势图 plt.figure(figsize=(12, 5)) monthly.plot(kind='line', marker='o', color='#2563eb') plt.title('月度销售额趋势', fontsize=14, fontweight='bold') plt.ylabel('销售额（元）') plt.grid(True, alpha=0.3) plt.tight_layout() plt.show() # 品类销售额柱状图 cat_sales = df.groupby('品类')['销售额'].sum().sort_values(ascending=False) plt.figure(figsize=(10, 5)) cat_sales.plot(kind='bar', color=['#2563eb', '#0ea5e9', '#8b5cf6', '#f59e0b', '#ef4444', '#10b981']) plt.title('各品类销售额对比', fontsize=14, fontweight='bold') plt.ylabel('销售额（元）') plt.xticks(rotation=0) plt.tight_layout() plt.show() # 地区饼图 region_sales = df.groupby('地区')['销售额'].sum() plt.figure(figsize=(8, 8)) plt.pie(region_sales, labels=region_sales.index, autopct='%1.1f%%', startangle=90) plt.title('各地区销售额占比', fontsize=14, fontweight='bold') plt.show()