Python數(shù)據(jù)分析與可視化典型項(xiàng)目實(shí)戰(zhàn)模塊六-訂單數(shù)據(jù)分析

模塊六訂單數(shù)據(jù)分析Python數(shù)據(jù)分析與可視化典型項(xiàng)目實(shí)戰(zhàn)（微課版）【任務(wù)描述】Excel文件“order_report.xlsx”共有28010行、7列數(shù)據(jù)，列名分別為：訂單編號(hào)、總金額（即訂單總金額）、實(shí)際支付金額（即在已付款的情況下為總金額與退款金額之差；在未付款的情況下則為0）、收貨地址（即各個(gè)省市區(qū)）、訂單創(chuàng)建時(shí)間（即下單時(shí)間）、訂單付款時(shí)間（即付款時(shí)間）、退款金額（即付款后申請(qǐng)退款的金額，如未付過(guò)款，退款金額為0）。針對(duì)該數(shù)據(jù)集完成以下數(shù)據(jù)分析與可視化操作。（1）計(jì)算總體轉(zhuǎn)化率與單一環(huán)節(jié)轉(zhuǎn)化率。（2）繪制總體轉(zhuǎn)化率漏斗圖與單一環(huán)節(jié)轉(zhuǎn)化率漏斗圖。（3）繪制按日統(tǒng)計(jì)的訂單數(shù)量趨勢(shì)折線(xiàn)圖。（4）繪制銷(xiāo)量區(qū)域分布的柱形圖。（5）繪制全國(guó)各地區(qū)訂單數(shù)分布地圖。【任務(wù)實(shí)現(xiàn)】在JupyterNotebook開(kāi)發(fā)環(huán)境中創(chuàng)建tc06-01.ipynb，然后在單元格中編寫(xiě)代碼并輸出對(duì)應(yīng)的結(jié)果?！救蝿?wù)6-1】訂單數(shù)據(jù)分析訂單數(shù)據(jù)分析1．導(dǎo)入模塊importdatetime2．提取數(shù)據(jù)df=pd.read_excel(r'.\data\order_report.xlsx')df.head()訂單數(shù)據(jù)分析3．?dāng)?shù)據(jù)清洗查看數(shù)據(jù)集的列名df.columns輸出結(jié)果：Index(['訂單編號(hào)','總金額','實(shí)際支付金額','收貨地址','訂單創(chuàng)建時(shí)間','訂單付款時(shí)間','退款金額'],dtype='object')通過(guò)info()函數(shù)查看數(shù)據(jù)各字段的詳細(xì)信息()輸出結(jié)果：訂單數(shù)據(jù)分析數(shù)據(jù)重復(fù)值、缺失值處理重復(fù)值統(tǒng)計(jì)輸出結(jié)果：0df.duplicated().sum()缺失值統(tǒng)計(jì)輸出結(jié)果：df.isnull().sum()對(duì)于缺失值，訂單付款時(shí)間缺失3923個(gè)，因?yàn)閷?shí)際支付金額未缺失，所以訂單付款時(shí)間缺失值可以不做處理，也可以填充“0”。訂單數(shù)據(jù)分析4．繪制總體轉(zhuǎn)化率漏斗圖與單一環(huán)節(jié)轉(zhuǎn)化率漏斗圖統(tǒng)計(jì)各字段數(shù)量dict_convs=dict()key='總訂單數(shù)'dict_convs[key]=len(df)key='付款訂單數(shù)'#訂單付款時(shí)間不為空的，表示付過(guò)款df_payed=df[df['訂單付款時(shí)間'].notnull()]dict_convs[key]=len(df_payed)key='到款訂單數(shù)'#實(shí)際支付金額=總金額-退款金額（在已付款的情況下）#實(shí)際支付金額不為0的，說(shuō)明訂單商家收到貨款df_trans=df_payed[df_payed['實(shí)際支付金額']!=0]dict_convs[key]=len(df_trans)key='全額到款訂單數(shù)'訂單數(shù)據(jù)分析#在付款訂單中，退款金額為0的，說(shuō)明沒(méi)有退款，表示全額收款df_trans_full=df_payed[df_payed['退款金額']==0]dict_convs[key]=len(df_trans_full)len(df_trans_full)df_convs=pd.Series(dict_convs,name='訂單數(shù)').to_frame()df_convs計(jì)算總體轉(zhuǎn)化率name='總體轉(zhuǎn)化率'total_convs=df_convs['訂單數(shù)']/df_convs.loc['總訂單數(shù)','訂單數(shù)']*100df_convs[name]=total_convs.apply(lambdax:round(x,0))繪制總體轉(zhuǎn)化率漏斗圖name='總體轉(zhuǎn)化率'funnel=Funnel().add(series_name=name,data_pair=[list(z)forzinzip(df_convs.index,df_convs[name])],訂單數(shù)據(jù)分析is_selected=True,label_opts=opts.LabelOpts(position='inside'))funnel.set_series_opts(tooltip_opts=opts.TooltipOpts(formatter='{a}<br/>:{c}%'))funnel.set_global_opts(title_opts=opts.TitleOpts(title=name),)funnel.render_notebook()計(jì)算單一環(huán)節(jié)轉(zhuǎn)化率name='單一環(huán)節(jié)轉(zhuǎn)化率'single_convs=df_convs['訂單數(shù)'].shift()#默認(rèn)下移一位df_convs[name]=single_convs.fillna(df_convs.loc['總訂單數(shù)','訂單數(shù)'])#填充空值df_convs[name]=round((df_convs['訂單數(shù)']/df_convs[name]*100),0)df_convs訂單數(shù)據(jù)分析繪制單一環(huán)節(jié)轉(zhuǎn)化率漏斗圖name='單一環(huán)節(jié)轉(zhuǎn)化率'funnel=Funnel().add(series_name=name,data_pair=[list(z)forzinzip(df_convs.index,df_convs[name])],is_selected=True,label_opts=opts.LabelOpts(position='inside'))funnel.set_series_opts(tooltip_opts=opts.TooltipOpts(formatter='{a}<br/>:{c}%'))funnel.set_global_opts(title_opts=opts.TitleOpts(title=name))funnel.render_notebook()訂單數(shù)據(jù)分析5．分析整體訂單數(shù)趨勢(shì)將“訂單創(chuàng)建時(shí)間”設(shè)置為標(biāo)簽#設(shè)置標(biāo)簽為“訂單創(chuàng)建時(shí)間”df_trans=df_trans.set_index('訂單創(chuàng)建時(shí)間')df_trans.head()使用pandas的DataFrame.plot()方法繪制按日統(tǒng)計(jì)的訂單數(shù)量趨勢(shì)折線(xiàn)圖（5月）按日統(tǒng)計(jì)訂單數(shù)量se_trans_month=df_trans.resample('D')['訂單編號(hào)'].count()plt.figure(figsize=(10,5))se_trans_month.plot(fontsize=12)訂單數(shù)據(jù)分析計(jì)算訂單平均價(jià)格df_trans['實(shí)際支付金額'].mean()使用pyecharts.charts的Line類(lèi)繪制按日統(tǒng)計(jì)的訂單數(shù)量趨勢(shì)折線(xiàn)圖掃描二維碼在線(xiàn)瀏覽電子活頁(yè)6-1“繪制按日統(tǒng)計(jì)的訂單數(shù)量趨勢(shì)折線(xiàn)圖”中的代碼及繪制的圖形。輸出結(jié)果：100.36861777895066訂單數(shù)據(jù)分析6．分析銷(xiāo)量區(qū)域分布分析收貨地址，繪制銷(xiāo)量區(qū)域分布的柱形圖se_trans_map=df_trans.groupby('收貨地址')['收貨地址'].count().sort_values(ascending=False)plt.figure(figsize=(10,5),dpi=100)se_trans_map.plot(kind='bar',fontsize=12)分析收貨地址，繪制銷(xiāo)量區(qū)域分布的柱形圖【任務(wù)描述】Excel文件“天貓訂單.xlsx”共有28010行、6列數(shù)據(jù)，列名分別為：訂單創(chuàng)建時(shí)間、訂單付款時(shí)間、訂單金額、實(shí)付金額、退款金額、收貨地址。通過(guò)分析28010條天貓實(shí)際訂單數(shù)據(jù)，看看全國(guó)哪里的訂單量比較大，哪些時(shí)間段訂單量比較大。針對(duì)該數(shù)據(jù)集完成以下數(shù)據(jù)可視化分析操作。（1）繪制一周7天各個(gè)時(shí)段訂單數(shù)量散點(diǎn)圖。（2）繪制一周各天訂單數(shù)量極坐標(biāo)圖。（3）繪制天貓訂單全國(guó)分布地圖。【任務(wù)實(shí)現(xiàn)】在JupyterNotebook開(kāi)發(fā)環(huán)境中創(chuàng)建tc06-02.ipynb，然后在單元格中編寫(xiě)代碼并輸出對(duì)應(yīng)的結(jié)果。【任務(wù)6-2】天貓訂單數(shù)據(jù)可視化分析天貓訂單數(shù)據(jù)可視化分析1．導(dǎo)入模塊導(dǎo)入通用模塊的代碼詳見(jiàn)“本書(shū)導(dǎo)學(xué)”，導(dǎo)入其他模塊的代碼如下：frommons.utilsimportJsCodefrompyecharts.globalsimportThemeType2．?dāng)?shù)據(jù)讀取與預(yù)處理數(shù)據(jù)讀取df=pd.read_excel(r'data\天貓訂單.xlsx')df.head()查看數(shù)據(jù)集大小df.shape輸出結(jié)果：28010,6天貓訂單數(shù)據(jù)可視化分析查看索引、數(shù)據(jù)類(lèi)型、內(nèi)存信息等基本信息()篩選已付款的訂單df[~df['訂單付款時(shí)間'].isnull()]根據(jù)“訂單創(chuàng)建時(shí)間”獲取星期數(shù)據(jù)并增加“星期”列df['星期']=df['訂單創(chuàng)建時(shí)間'].dt