某服装品牌销售数据分析

标签：ima   eve   als   pes   并且   esc   交易   显示   cos   

1.背景&目标问题

根据某服装品牌的销售数据，利用Python进行可视化，并解决如下问题：

• 整体销售情况随着时间的变化是怎样的？

• 不同产品的销售情况是怎样的？顾客偏爱哪一种购买方式？

• 销售额和产品成本之间的关系怎么样？

2. 数据简介

包含字段：

store_id:门店ID

city：所在城市

channel：渠道，线上/线下

gender_group：性别分组

age_group：年龄段

wkd_ind：周中or周末

product：产品类型

customer：顾客人数

revenue：销售金额

order：订单

quant：销售数量

unit_cost：单件产品成本

3.分析

1.导入数据和数据库

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

%matplotlib inline # 可以在Ipython编译器里直接使用，功能是可以内嵌绘图，并且可以省略掉plt.show()这一步

plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体设置-黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
sns.set(font='SimHei')  # 解决Seaborn中文显示问题

data = pd.read_csv(r'C:/Users/pc/Desktop/mydata.csv')
data.tail()

2.清洗和整理数据

2.1 检查缺失值

data.isnull().any()

store_id        False
city            False
channel         False
gender_group    False
age_group       False
wkd_ind         False
product         False
customer        False
revenue         False
order           False
quant           False
unit_cost       False
dtype: bool

data.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 22293 entries, 0 to 22292
Data columns (total 12 columns):
store_id        22293 non-null int64
city            22293 non-null object
channel         22293 non-null object
gender_group    22293 non-null object
age_group       22293 non-null object
wkd_ind         22293 non-null object
product         22293 non-null object
customer        22293 non-null int64
revenue         22293 non-null float64
order           22293 non-null int64
quant           22293 non-null int64
unit_cost       22293 non-null int64
dtypes: float64(1), int64(5), object(6)
memory usage: 2.0+ MB

2.2 查看和整理revenue

data.revenue.describe()

count    22293.000000
mean       159.531371
std        276.254066
min         -0.660000
25%         64.000000
50%         99.000000
75%        175.000000
max      12538.000000
Name: revenue, dtype: float64

data = data[data.revenue > 0]
data.revenue.describe()

count    22262.000000
mean       159.753549
std        276.382135
min         10.000000
25%         66.000000
50%         99.000000
75%        175.000000
max      12538.000000
Name: revenue, dtype: float64

2.3 去除离散值

data2 = data[data['revenue'] < 2000]
data2.revenue.describe()

count    22200.000000
mean       149.833600
std        171.650825
min         10.000000
25%         65.000000
50%         99.000000
75%        168.447500
max       1990.000000
Name: revenue, dtype: float64

问题一：整体销售情况随着时间的变化是怎样的？

plt.figure(figsize=(10,10))

plt.subplot(221)  
sns.barplot(x='wkd_ind', y='revenue', data=data2)

plt.subplot(222) 
sns.countplot(x='wkd_ind', data=data2)

plt.subplot(223) 
sns.barplot(x='wkd_ind', y='quant', data=data2)

plt.subplot(224) 
sns.barplot(x='wkd_ind', y='customer', data=data2)

plt.subplots_adjust(wspace =0.5, hspace =0.5)

从销售额和交易次数与时间的关系图可以发现，工作日的总交易次数和平均销售额都略高于周末。

工作日每笔订单的商品数量和消费者数量也都略高于周日。

问题二：不同产品的销售情况是怎样的？顾客偏爱哪一种购买方式？

plt.figure(figsize=(15,6))

plt.subplot(121)  
sns.barplot(x='product', y='revenue', data=data2)

plt.subplot(122) 
data2['product'].value_counts().plot(kind='bar', rot=45)


plt.subplots_adjust(wspace =0.5, hspace =0.5)

各个商品种类的平均销售额和交易次数分布图，可以看出T袖占了主要份额，而毛衣、配件和裙子的平均销售额较高

data2.gender_group.describe()

count      22200
unique         3
top       Female
freq       14124
Name: gender_group, dtype: object

data2.gender_group.unique()

array(['Female', 'Male', 'Unkown'], dtype=object)

# 去除性别不详部分
data3 = data2[data2['gender_group'] != 'Unkown']
data3.gender_group.unique()

array(['Female', 'Male'], dtype=object)

plt.figure(figsize=(10,5))

plt.subplot(121)  
sns.countplot(x='gender_group', hue='channel', data=data3)

plt.subplot(122) 
sns.barplot(x='gender_group', y='revenue',hue='channel', data=data3)

plt.subplots_adjust(wspace =0.5, hspace =0.5)

线下交易数量远远大于线上，女性和男性都普遍喜欢线下交易，但线上交易的销售额都略高于线下

# 检查城市列数据

data2.city.describe()

count     22200
unique       10
top          深圳
freq       4347
Name: city, dtype: object

data2.city.isnull().any()

False

plt.figure(figsize=(13,5))
sns.countplot(x='city', hue='channel', data=data2)

<matplotlib.axes._subplots.AxesSubplot at 0x17c7ed7b748>

plt.figure(figsize=(13,5))
sns.barplot(x='city',y='revenue', hue='channel', data=data2)

<matplotlib.axes._subplots.AxesSubplot at 0x17c7f0959e8>

没有深圳、杭州、北京、南京和成都的线上数据，首先需要确认数据来源是否可靠，找出缺失原因和相应的对策。

从已有的数据可以看出，深圳和杭州的交易数量遥遥领先，重庆、西安和上海的线下交易次数远高于线上，而广州则相反。

而从交易额的角度看，线上交易额都略高于线下

plt.figure(figsize=(13,5))
sns.countplot(x='age_group', hue='channel', data=data2)

<matplotlib.axes._subplots.AxesSubplot at 0x17c7ecb5470>

plt.figure(figsize=(13,5))
sns.barplot(x='age_group',y='revenue', hue='channel', data=data2)

<matplotlib.axes._subplots.AxesSubplot at 0x17c7d7232e8>

从年龄的角度看，该品牌的线上和线下交易量都主要集中在 25-40 岁之间，这部分顾客的线上交易额都略高于线下；

而 40 岁以上的顾客，则相反

问题三：销售额和产品成本之间的关系怎么样？

# 构造价格列
data2['price'] = data2['revenue'] / data2['quant']

# 构造价差列
data2['margin'] = data2['price'] - data2['unit_cost']
data2.head()

data2.margin.describe()

count    22200.000000
mean        38.066968
std         39.933991
min        -86.000000
25%         14.000000
50%         30.000000
75%         50.000000
max        270.000000
Name: margin, dtype: float64

plt.figure(figsize=(13,5))
sns.barplot(x='margin',y='product', data=data2)

<matplotlib.axes._subplots.AxesSubplot at 0x17c7f17da58>

毛衣、配件和裙子的平均利润远高于其他商品，运动、短裤和牛仔裤是相对利润较低的

bins = [-100, -50, 0, 50, 100, 150, 200]
labels = ['<-50', '<0', '<50', '<100', '<150', '<200']
data2['margin_range'] = pd.cut(data2.margin, bins=bins, right=False, labels=labels)
data2.groupby(['margin_range'])['product'].describe()

plt.figure(figsize=(8,5))
sns.countplot(x='margin_range', data=data2)

<matplotlib.axes._subplots.AxesSubplot at 0x17c7f32b630>

根据利润对数据进行分组，可以看出，亏损商品主要来源于牛仔裤和毛衣，而T恤的销量最高，单件利润集中在 0-100 元之间，应该是该品牌的利润的中坚力量

q3 = ['margin', 'revenue', 'unit_cost']
data2[q3].corr()

sns.heatmap(data2[q3].corr())

<matplotlib.axes._subplots.AxesSubplot at 0x17c7d785be0>

利润和销售额成正相关，且相关性较强，虽然利润与成本也呈正相关，但相关性较弱。

某服装品牌销售数据分析

标签：ima   eve   als   pes   并且   esc   交易   显示   cos   

原文地址：https://www.cnblogs.com/ohou/p/12499081.html