目标：对给定的Excel数据表里的数据进行简单处理，解答相关问题。
源数据：朝阳医院2016年销售数据.xlsx
问题：根据表格数据得出
1.月均消费次数（注：同一天内，同一个人发生的所有消费算作一次消费 月消费次数=总消费次数/月数）
2.月均消费金额（注：同一天内，同一个人发生的所有消费算作一次消费 月消费金额=总消费金额/月数）
3.客单价（客单价=总消费金额/总消费次数）
4.消费趋势（周-消费金额曲线）
R的解决方案：
Step1：读取源数据
在RStudio中，可以采用多种方法导入源数据，在导入过程中，最值得注意的是“如何正确输入源数据路径”这一问题。我在具体实践中发现，由于原数据文件的命名为中文模式“朝阳医院2016年销售数据”，导入时系统总提示路径过长，于是将其重命名为长度较短的英文名称，例如“data”。果然顺利导入：
脚本中输入
Sell_data <- read_excel("C:/Users/Administrator/Desktop/data.xlsx")
View(Sell_data)
显示：
没有乱码，显示正常。
Step 2：数据预处理
数据预处理是一个重要的步骤，原始数据经过预处理（列名重命名、缺失数据剔除、日期处理、数据类型转换以及数据排序）才能更为有效地进行数据分析工作。
列名重命名 首先，为了编码的正常进行，对中文模式的项目名称进行英文重命名，即将表中的“购药时间、社保卡号、商品编码、商品名称、销售数量、应收金额以及实收金额”重命名为“"Time"、"Cardno"、DrugID"、"DrugName"、"SaleNumber"、"Virtualmoney"以及"Actualmoney"。
脚本编码如下：
#rename
names(Sell_data) <- c("Time","Cardno",
"DrugID","DrugName",
"SaleNumber","Virtualmoney",
"Actualmoney")
如图所示，命名成功：
缺失数据剔除 在药物销售表格中，最常见的缺失数据na(Not Available，不可用)是购药时间，合理运用逻辑运算符以及缺失数据函数na.omint()就可以删除所有含有缺失数据的行。
这里，我们选用“！”这一逻辑运算符，表示“非”的意思。再配合相应缺失值语句，写入脚本：
#删除缺失数据
Sell_data <- Sell_data[!is.na(Sell_data$Time),]
如图，6579行缺失数据被剔除成功
日期处理在“Time”项下，我们发现日期是以字符串的形式出现的（日期+星期），为了便于数据分析，需要将字符串拆分为相应的单列字符，这就需要R语言字符串处理包Stringr来帮忙。
输入脚本
#step3:处理日期
TimeSplit <- str_split_fixed(Sell_data$Time, " ",2)
Sell_data$Time <-TimeSplit[,1]
结果显示
这说明字符串处理包Stringr并未导入，此时，我尝试点击右下角目录框中R语言字符串处理包Stringr，
再运行，结果正常：
Time里的字符串被成功分成两列字符。
数据类型转换由于运算的需要，需将Time中的字符型向量由“character”转换为日期型Date"格式。
脚本输入：
#字符串转换为日期格式
Sell_data$Time <- as.Date(Sell_data$Time,
"%Y-%m-%d")
class(Sell_data$Time)
结果为：
同样地，像销售数量、应收金额以及实收金额（"SaleNumber"、"Virtualmoney"以及"Actualmoney"）这些数据也都可以转换为数值类型：
脚本输入：
#step4:数据类型转换
#销售数量
Sell_data$SaleNumber <- as.numeric(Sell_data$SaleNumber)
#应收金额（打折前的金额）
Sell_data$Virtualmoney <- as.numeric(Sell_data$Virtualmoney)
#实收金额（打折后的金额）
Sell_data$Actualmoney <- as.numeric(Sell_data$Actualmoney)
#查看类型
class(Sell_data$SaleNumber）
结果为：
转换成功！
数据排序最后，对销售数据按照时间升序进行排列
运行脚本后，结果如下：
排序没毛病~
总结：经过列名重命名、缺失数据剔除、日期处理、数据类型转换以及数据排序等五个步骤，数据处理完毕。
Step3：数据分析
有了符合要求的数据，才可以正常进行数据分析这个步骤。本次需要解答的问题是：
根据表格数据得出：
1.月均消费次数（注：同一天内，同一个人发生的所有消费算作一次消费 ；月消费次数=总消费次数/月数）
2.月均消费金额（注：同一天内，同一个人发生的所有消费算作一次消费； 月消费金额=总消费金额/月数）
3.客单价（客单价=总消费金额/总消费次数）
4.消费趋势（周-消费金额曲线）
答一:
思路：
根据公式：月消费次数=总消费次数/月数，所以只要获取总消费次数和月数即可。由于同一天内，同一个人发生的所有消费算作一次消费，所以得剔除其本人当天超过一次的消费记录。月数则根据30天为1个月进行粗略计算。
脚本：
# 业务指标1：月均消费次数
#-------------------------------------------------------
kpi1 <- Sell_data[!duplicated( Sell_data[,c("Time","Cardno")]),]#采用逻辑符号“！”以及"duplicated()"语句就能筛选出非重复的消费次数。
ConsumeNumber <- nrow(kpi1) #总消费次数相当于行数
运行得：
可得总消费次数为5394；
接着运行脚本，得出月数：
#月数根据时间范围计算
#最小的时间值
StartTime <- kpi1$Time[1]
#最大的时间值
EndTime <- kpi1$Time[nrow(kpi1)]
#天数
Day <- as.numeric(EndTime -StartTime)
#月数
Month <- Day %/% 30 #整除法得出月数为6
#月均消费次数
MonthConsume <- ConsumeNumber / Month
MonthConsume <- format(round(MonthConsume, 2), nsmall = 2)
最后得出月均消费次数为899次/月。
答二：
思路：
根据公式：月消费金额=总消费金额/月数，所以只要获取总消费金额和月数即可。本次计算中，总消费金额是实际消费金额的总和，月数则根据上次计算的6个月计算即可。
脚本：
TotalMoney <- sum(Sell_data$Actualmoney,na.rm=TRUE)#采用函数sum求和，并用na.rm剔除缺失值，最终为只对有效值进行求和。
MonthMoney <- TotalMoney / Month
最终求得月消费金额为50776.38元。
答三：
思路：根据公式，客单价=总消费金额/总消费次数
脚本：
# 业务指标3：客单价pct(per customer transaction)
pct <- TotalMoney / ConsumeNumber
pct <- format(round(pct, 2), nsmall = 2)#保留小数点后两位
结果得：
最终求得，客单价为56.48元/次
答四：
思路：绘制消费趋势曲线，可以以周为时间横轴，周累计消费金额为纵轴，绘制折线图的方式得出周-消费金额曲线。
脚本：
# 业务指标4：消费曲线图
#-------------------------------------------------------
week <- tapply(Sell_data$Actualmoney, format(Sell_data$Time, "%Y-%U"), sum)#据说利用tapply（）函数进行数组分类，sum()函数分别求和。
week <- as.data.frame.table(week)
names(week) <- c("Time","Actualmoney")
week$Time <- as.character(week$Time)
week$TimeNumber <- c(1:nrow(week))
plot(week$TimeNumber, week$Actualmoney,
xlab="时间（第几周）",
ylab="消费总金额",
xaxt = "n",
main= "2016年朝阳医院消费趋势",
col="red",
type="b")
axis(1.5,at=week$timeNumber, labels=week$time, cex.axis = 1.5)
！！！目前对于tapply（）函数进行数组分类，sum()函数分别求和这串神奇的组合表示有点懵！！！是不是先由format（时间，“%Y-%U”）这个函数把时间按周排序，然后再采用sum（）求和，最后以分组的形式呈现？？？？
这个得自己去查询了！！！
最后画出了消费趋势图：
从图中，就可以轻松得知2016年朝阳医院每周的消费总额以及消费高低等信息，从而获取消费趋势。
总结：
本次通过导入源数据、数据预处理以及数据分析三个步骤，解决了4个实际问题。从一张2016年朝阳医院药房销售数据excel表格，得出月均消费次数（899次/月）、月均消费金额（50776.38元/月）、客单价（56.48元/次）、消费趋势图。这几个数据可以大致反应2016年朝阳医院药房每月的消费人数、消费金额、人均消费水平，还可以分析药品销售的淡季旺季。同理，这种数据分析方式可应用到其它商品当中。
本次数据分析为较为基础的excel数据处理分析，具体应用到的语句、函数、运算符如下：
