数据来源 ： 某企业销售的6种商品对应的送货及用户反馈数据
解决问题：
- 配送服务质量是否存在问题
- 是否存在尚有潜力的销售区域
- 商品是否存在质量问题
分析过程：
- 数据清洗
①重复值 、缺失值、格式调整
②异常值处理（比如：消费金额存在等于0的情况，属于异常等） - 数据规整
比如：增加一列辅助列：月份 - 数据分析并可视化
文章目录
1. 数据清洗
import os
import pandas as pd
import numpy as np
import matplotlib.pyplotlib as plt
plt.rcParams['font.sans-serif'] = 'SimHei' #设置中文显示
data = pd.read_csv('data_wuliu.csv',encoding='gbk')
data.info()
1.1重复值、缺失值、格式调整
通过 info() 可以看出，包括10列的数据，名字，数据量，格式等，可以得出：
- 订单号、货品交货i情况、数量存在缺失值，但是缺失量不大，可以考虑删除
- 订单行，对分析无关紧要，可以考虑删除
- 销售金额格式不对（万元|元，逗号问题），数据类型需要转换成 int 或者 float
#删除重复数据
data.drop_duplicates(keep='first',inplace=True)
priint(data_info)
#删除重复记录(删除带有NA的整行数据,axis=0, how='any'是默认值)
data.dropna(axis=0, how='any',inplace=True)
# 删除订单行整列
data.drop(columns=['订单行'],inplace=True, axis=1)#重复运行会报错，因为已经和删除
print(data.info())
#因为删除了行，所以要更新索引(drop=True,inplace=True 将原来索引去掉，重新对数据新增索引)
data = data.reset_index(drop=True,inplace=True)
#取出销售金额列，对每一个数据进行清洗
#销售金额这个字段是字符串类型，所以能用find函数
#编写自定义过滤函数：删除逗号，转成float，如果是万元删除万元，*10000，否则删除元
def data_deal(number):
if number.find('万元')！= -1 #找不到带有万元的，取出数字，去掉逗号，转成float, *10000
new_number = float(number[:number.find('万元')].replace(',','')) *10000
pass
else: # 找到带有元的，删除元，删除逗号，转成float
new_number = float(number.replace('元','').replacee(',',''))
pass
return new_number
data['销售金额'] = data['销售金额'].map(data_deal)
1.2 异常值处理
data.describe()
#发现，销售金额最小值存在0，选择删除
#存在严重的数据右偏的情况，即平均值远大于中位数
#对于销售金额最小值存在0，选择删除
data = data[data['销售金额']!=0]
#对于销售金额和数量存在严重的右偏现象，在电商领域2/8正常，无需处理
2. 数据规整
data['销售时间'] = pd.to_datetime(data['销售时间'])
data['月份'] = data['销售时间'].apply(lambda x: x.month)
3.数据分析并可视化
3.1 配送服务是否存在问题
3.1.1 按月份维度分析
# 交货情况列内容存在空格
data['货品交货状况'] = data['货品交货状况'].str.strip()#去除字符串前后的空格
data1 = data.groupby(['月份','货品交货状况']).size() #多列分组
print(data1)
输出：
月份 货品交货状况
1月 按时交货 1
延迟交货 2
2月 按时交货 2
延迟交货 1
3月 按时交货 1
延迟交货 1
dtype: int64
如果用的是
data1 = data.groupby(['月份','货品交货状况']).size() .unstack() #多列分组
print(data1)
输出的是这种格式：
货品交货状况 按时交货 延迟交货
月份
1月 1 2
2月 2 1
3月 1 1
继续进行分析
data1['按时交货率'] = data1['按时交货率']/（data['按时交货'] + data1['晚交货']）
#从按时交货率来看，第四季度低于第三季度，猜测可能是气候原因造成的
3.1.2 从销售区域分析
data2 = data.groupby(['销售区域','货品交货状况']).size() .unstack()
data2['按时交货率'] = data2['按时交货']/（data2['按时交货']+data2['晚交货']）
#将按时交货率降序排列
print(data2.sort_vlaues(by='按时交货率',ascending=False))
#西北地区存在突出的延时交货问题，急需解决
3.1.3 从货品维度进行分析
data3 = data.groupby(['货品','货品交货状况']).size().unstack()
data3['按时交货率'] = data3['按时交货率']/(data3['按时交货']+ data3['延时交货']）
print(data3.sort_values(by='按时交货率', ascending = False))
#货品4晚交货的情况非常严重，其余其余的货品相对较好
3.1.4 货品和销售区域结合
data4 = data.groupby(['货品','销售区域','货品交货情况']).size().unstack()
data4['按时交货率'] = data4['按时交货率']/(data4['按时交货'] + data['晚交货'])
print(data4.sort_values(by='按时交货率', ascending = False))
#销售区域：最差在西北地区，货品有1和4，主要是货品4的送货较晚导致
#货品：最差的货品2，主要送往华东和马来西亚，主要是马来西亚的送货较晚导致的
3.2 是否存在尚有潜力的销售区域
3.2.1 按月份维度分析
data1 = data.groupby(['月份','货品'])['数量'].sum() .unstack()#分组后对数量求和
print(data1)
data1.plot(kind='line')
输出的值这个样子：
货品 货品1 货品2 货品3 货品4 货品5 货品6
月份
7 283.0 491.9 2041.5 414.0 773.0 1649.0
8 1413.0 3143.0 104.5 1188.0 2381.0 1181.0
9 1693.0 3020.0 2031.0 3542.0 271.0 343.0
3.2.2 从销售区域分析
data2 = data.groupby(['销售区域','货品']).sum().unstack()
print(data2)
# 从销售区域看，每种货品销售区域为1~3个，货品1有三个销售区域，货品2有两个销售区域，其余货品均有1个销售区域
3.2.3 月份和销售区域结合
data3 = data.groupby(['月份','销售区域','货品'])['数量'].sum().unstack()
data3.plot(kind='line')
print(data3['货品2'])
#货品2在10月12月份，销量猛增，原因主要发生在原有销售地区（华东）
#同样，分析出在7，8，9月份销售数量还有很大提升空间，可以适当提高销售力度
3. 商品是否存在质量问题
# 将字符串首位空格去除
data['货品用户反馈'] = data['货品用户反馈'].str.strip()
data1 = data.groupby(['货品','销售区域'])['货品用户反馈'].value_counts().unstack()#因为是字符串，所以用到的是值的统计
#data1.sum(axis=1)按行求和
data1['拒货率'] = data1['拒货']/data1.sum(axis=1)
data1['返修率'] = data1['返修']/data1.sum(axis=1)
data1['合格率'] = data1['质量合格']/data1.sum(axis=1)
data1.sort_values(['合格率','返修率','拒货率'],ascending = False)
#货品3、6、5合格率较高，返修率比较低，说明质量还可以
#货品1，2，4合格率较低，返修率较高，质量存在一定问题，需要返修
#货品2在马来西亚的拒货率最高，同时，货品2在马来西亚的按时交货率拒货率也非常低。
#猜测：马来西亚人对送货的时效性要求较高，如果达不到则往往考虑拒绝收货。
#考虑到货品2主要在华东地区销售量最大，可以增大在华东的投资，适当减少马来西亚的投入