购物统计程序Python,python分析商店销售数据

　　1.主要内容：1。正在清理数据。统一修改列名，处理缺失数据、异常数据、转换日期等数据类型。

　　2.查看整体销售情况。

　　3.分析商品维度。分析的主要内容有：商品价格分析、商品销售量、销售情况分析、商品清仓。

　　联合分析

　　4.分析商店维度。分析的主要内容有：店铺销售、销售方法分析、店铺促销分析、店铺

　　销售时间分析、周平均消费次数分析、客单价分析等。

　　5.相关性分析：利用相关表和相关矩阵图初步分析变量之间的关系。

　　6.分析用户维度。分析的主要内容包括：分析用户的基本购买情况，以及用户按时间(周)的购买情况。

　　分析，用户购买力分析，用户复购率分析，RFM区分用户。

　　其次，使用Python工具

　　三。数据来源该数据集包含公司2018年6月1日至2018年7月5日零售额的交易信息。

　　四。该字段表示SDATE(订单日期)

　　商店代码(商店编号)

　　POS机号码

　　BASK_CODE(用户号)

　　产品代码(商品编号)

　　项目_数量(商品数量)

　　ITEM_SPEND(商品的实际价格)

　　NORMAL_PRICE(商品单价)

　　折扣类型(折扣类型)

　　折扣_金额(折扣金额)

　　动词（verb的缩写）数据清理1。检查整体数据特征。

　　从图中可以初步看出，数据集中可能存在异常数据，需要初步处理的地方如下：

　　1)数据表中的SDATE字段需要转换成日期类型，以便后续计算；

　　2)数据表中ITEM_SPEND字段出现负值，即商品实际支付金额为负，属于异常数据；

　　3)数据表中的ITEM_QUANTITY字段出现负值，即商品数量为负，属于异常数据；

　　4)数据表中的DISCOUNT _ AMOUTN字段数据有正值，即折扣后的金额高于折扣前的金额，这是异常数据。

　　5)为了方便阅读和查看，更改了列名以符合驼峰命名法。

　　2.修改列名item.columns=[shop _ date ， store _ id ， pos _ id ， user _ id ， prod _ id ， item _ quantity ， item _ spent ， normal _ price ， discount _ type 。折扣_金额] 3。检查缺少的数据项。apply(lambda x:sum(x . is null())/len(x)，axis=0) 4。检查并转换数据类型（1）查看数据表类型。

　　如图，数据中没有缺失数据，所以不需要进行缺失值处理。

　　（2）转换数据类型

　　数据类型中的Object是指如果一列包含多种类型，则该列的类型将是object，具有相同字符串类型的列也将被视为object类型。因此，对象类型中的SDATE数据类型应该是日期类型。另外，因为涉及到零售的钱，数值型都要调整到小数点后两位。因此，最终数据表的数据类型主要需要在以下几点进行调整：

　　1)调整日期数据类型

　　2)将货币调整到小数点后两位

　　3)检查调整后的数据类型。

　　# date数据类型item . shop _ date=PD . to _ datetime(item . shop _ date)# money保留两位小数PD . set _ option( display . float _ format ，lambda x: %.2f% x) #将所有数据转换为两位小数（3）查看修改后数据表数据类型。

　　5.检查异常值，并根据上一节删除初步数据检查中发现的问题。在上一节中，我们发现数据表中的商品数量、订单总金额和商品实际支付金额都是负数，而折扣金额是正数，因此折扣金额的计算可能会受到负数金额的影响。此外，数据中可能存在空值。因此，删除异常值主要包括以下操作：

　　1)将商品数量、订单总金额、已付金额的负值调整为正值；

　　2)新建销售总额字段：销售总额=单价*数量。

　　根据修改后的数据计算折扣金额：折扣金额=销售总额-实际付款金额(ITEM_SPEND)。如果与实际折扣金额不同，可以判断为异常数据，删除。

　　3)删除后，分析是否还有折扣金额为正的数据，如果有，则删除。

　　最后发现没有数据显示折扣金额与实际折扣不同，可以判断没有异常值。

　　不及物动词数据分析1。总体销售数据

　　从整体销售情况分析，2018年6月1日至2018年7月5日，共有280878位用户在该店购买商品，总销售额为22216624.17元，流动商品共计19261件。

　　2.商品维度分析（1）商品价格分析

　　从初步的价格箱线图可以看出，顾客更喜欢店内的低价商品，商品价格的具体情况从这张图上看不清楚。因此，下面将从0-50范围内的商品价格进行提取和分析。

　　#求商品价格的四分位数df _ 1=PD . to _ numeric(item _ normal[ normal _ price ])q=[df _ 1。[0， 25， 5， 75，1]]中I的分位数(I)；Q [-1]=1Q [0.5，3.6，7.0，13.8，51.0]从最终的箱线图可以看出，商品的最高价格在3.6元到13.8元之间，这也符合消费者在零售店购买的商品价格会相对较低的事实。店主可以根据消费者的消费情况调整商品，把更实惠、更常用的商品放到货架上，供消费者选择。

　　（2）查看销量排名前十和最后的商品

　　此部分分析销售的前10种商品和销售的最后一种商品的数量，并绘制前10种商品的直方图以供分析。从图表中可以看出，前三种商品的销量明显高于后三种，相差至少2000。在计算过程中，找到了很多销量为1的商品，将销量为1的商品全部提取出来，共有2673个。这2673件商品在此期间只卖出了一件，可能是因为商品不常用，也可能是商品本身存在其他问题。

　　（3）查看销售额排名前十和后十的商品

　　本节主要分析排名前10的商品和排名后10的商品，并绘制排名前10的商品的直方图进行分析。从图表中可以看出，前三名的商品销量明显比后面的多，至少相差5万，而后面的商品只有1元左右。这些商品数量少，销量小，可能有问题。

　　（4）查看销售量与销售额关系

　　由于商品的最终销售量为1，所以总数为2673。所以看最后10个销量的最后2673个商品，发现所有销量最后的商品都是销量最后1的商品。这部分看销量和最后的商品号，根据具体商品找出原因，考虑如何优化或者是否下架。

　　（5）商品关联度分析

　　从上述结果可以得出结论：

　　总的来说，所有组合商品的支持值较低，这是由于平台上销售的商品种类繁多，或者用户同时购买两种商品的可能性较低，需要进一步分析；

　　商品组合【1570】-【1557】可信度最高，表示以1%的支持率购买商品编号1570的用户中，有70%的人会购买商品编号1557，因此可以将两种商品进行捆绑；

　　3.商店维度分析。通过分析门店维度，可以分析每个门店的销售情况，判断哪些门店销售不好，考虑是否需要培训或者裁员。

　　（1）店铺销售量情况分析

　　本节对商品销量前10名店铺进行分析，可以发现前2名店铺的销量远远超过后面店铺，有15万多件商品，说明D002和A001店铺的商品销量非常好。

　　本节对商品销售额排名前10的店铺进行分析，通过图表分析可以发现，A001和D002的销售额远远超过其他店铺，至少超过200万元。根据上一节的分析，这两家店的销量和销售额都远远超过其他店，说明这两家店的销售情况良好。

　　（2）店铺促销情况分析

　　4.销售情况分析

　　由于数据表中的时间只是日期，并不是具体的销售时间，而且数据量也只有2018年6月1日至2018年7月5日一个月左右，所以分析月销售额的意义并不大。所以首先分组统计周一到周日的销售额，统计一周内不同日子的销售额，分析一周内最好的一天。

　　从图表中可以看出，周一至周五的订单量在线上线下波动，没有大起大落。周六周日的订单量远高于周一至周五，至少是5万单。销量也是同样的趋势，超过至少40万元。可以看出，一般来说，周末用户的订单量和交易量会远远高于平日的订单量。商家可以考虑在周末多买点商品供用户选择。

　　（1）下单时间分析

　　本节计算日销售量和分组日销售量的数据，并绘制折线图进行趋势对比分析。从图中可以看出，销量和销售额的趋势几乎一致，都在2018年6月16日达到最高值。

　　（2）销售额分析

　　订单总数为280，878。

　　几周。六周了。

　　平均每周消费46813次。

　　平均每周消费金额：3702770.0元。

　　(5)客户单价

　　每个顾客在一个商场(超市)购买商品的平均金额，顾客单价也就是平均交易金额。

　　客单价为：79.0元。

　　由于数据表中的数据量只有2018年6月1日至2018年7月5日一个月左右，所以分析月销售额意义不大。所以分组计算周一到周日的周销量，得出不同周的大概销量。最终结果显示，订单总数为280878，有6周的数据，平均每周消费46813。

　　5.相关性分析（3）每日销售额/销售量分析

　　我们可以检查数据的相关性。该值越接近1，相关性越强。您还可以可视化相关信息。颜色越接近黄色，相关性越高，颜色越接近紫色，相关性越低。从相关图可以看出，商品销售总额与商品数量、折扣金额、商品销售总额的相关性相对较强，而周数与销售额的相关性最弱。

　　6.用户分析（4）周均消费次数/金额

　　从用户角度来看，每个用户平均购买8.83台商品，最多的用户购买了6581台商品，属于狂热用户。用户平均消费金额(客单价)为79.1元，标准差为291.24。考虑分位数和最大值，平均值接近50~75分位数，所以肯定有少部分高消费用户。

　　查看数据相关性

　　按周计算商品的周销售量和销售额。从图中可以看出，销量和销售趋势都是一样的，并没有什么异常之处。前几周销量比较稳定，甚至有所下降，而接下来几周销量逐渐上升，可能是店铺逐渐被用户认可。

　　（1）用户角度分析

　　左边直方图的x轴代表item_spend的分组，共有30组。y轴表示对应于item_spend中每个包的频率。从直方图上看，大部分用户的消费能力确实不高，高消费用户在图上几乎看不出来。这确实符合消费者行为的行业规律。

　　（2）按周维度分析

　　复购率=单位时间内消费两次及以上的用户数/购买过的用户总数。

　　图中复购率显示复购率一直在62%以上，可能是因为是零售店，用户经常购买商品，尤其是最近几周，复购率较高，可能是因为用户已经开始信任店铺。

　　（3）观察用户消费购买力

　　通过RFM方法，我们对用户的购买数据进行分析和分类。在推广等很多流程上可以更加精准，针对不同类别的用户进行不同的推广方式和符合其特点的销售方式，这样就不会出现用户反感的情况。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。