以某医院销售数据为例
一 提出问题
当面对一个csv或者excel文件的时候，第一步是用python打开文件然后进行随便分析吗？不是这样的，任何的数据分析都是需要有一个过程的，首先要明白这次数据分析的目的是什么，数据分析只是手段，只是工具而已，能不能解决所要分析的问题，能不能从数据中发现问题，发现商机，才是重点。
再重复一遍，分析之前一定要明白这次分析是为了什么。
目前有一份朝阳医院2018年的销售数据，当看到这个数据的时候，我们不能随便分析，能得到什么结果算什么结果，首先要有一个分析的目标，就是我们要从数据中发现什么，针对这个数据，我们想要知道
月均消费次数
月均消费金额
客单价
消费趋势
当明白我们想要分析的问题的时候，就可以进行下一步了。
二 理解数据
理解数据是为了数据清洗做准备的，在数据清洗之前，首先肯定要对数据有一个了解，了解数据是什么类型的，有多少数据什么的。
# 首先加载数据分析常用库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#% matplotlib inline
import pandas as pd
import matplotlib.pyplot as plt
#然后读取文件，在读取文件前，需要安装xlrd包,
sales= pd.read_excel('../input/chaoyangyiyuan9062/朝阳医院2018年销售数据.xlsx')
#看看数据情况
sales.info()
再看一下数据具体长什么样
sales.head()
三 数据清洗
1 选择子集
在我们获取到的数据中，数据量十分庞大，但是不是每一列都是我们所需要分析的呢，不一定，那么这个时候就要选择整个数据中合适的子集去进行分析，这样可以使后续的分析变得更加方便，在本次案例中，不需要选择子集，所以可以先跳过这一步。
2 列名重命名
在数据的获取中，有时候会有一些列名和数据不那么符合，或者容易产生歧义，一不小心就理解错了，很不利于分析，在这个时候，就需要给列名重命名。代码如下
#把购药时间改成销售时间比较有利于理解,inplace=True,直接在原数据框内改动
sales.rename(columns = {'购药时间':'销售时间'}, inplace = True)
#看一下有没有被改动
sales.head()
3 缺失数据处理
任何一个得到的数据都很有可能会有缺失值，那么对于这些缺失值一定需要处理一下，不然会干扰后来的分析结果。删除缺失值用dropna函数，代码如下
#没有时间和社保卡号的消费数据对于本次分析是无效的，
#所以清理一下缺失值
sales = sales.dropna(subset = [ '销售时间','社保卡号'],how = 'any')
4 数据类型处理
在导入的时候为了防止有些数据导入不进来，所以强制所有数据都是object类型，但在实际分析上这样是不可能的，所以要把需要改变类型的数据类型改变了，通过观察，我们发现，销售数量，应收金额，实收金额，应该改成float类型，销售时间应该清理后改成时间类型，对于改变成float类型的几列，使用astype函数，代码如下。
sales['销售数量'] = sales['销售数量'].astype('float')
sales['应收金额'] = sales['应收金额'].astype('float')
sales['实收金额'] = sales['实收金额'].astype('float')
而销售时间那一列，则需要进行处理后才能转换为时间类型，把销售时间的日期和星期分开
sales['销售时间'], sales['销售星期'] = sales['销售时间'].str.split(' ', 1).str
切分好之后，把销售时间变为时间类型,代码如下
sales['销售时间'] = pd.to_datetime(sales['销售时间'],
format = '%Y-%m-%d',errors = 'coerce')
5 排序
但是在这个时候时间是无序排列的，所以还是需要排序一下，排序之后索引会被打乱，所以也需要重置一下索引。代码如下
#对数据按照时间排序
sales = sales.sort_values('销售时间', ascending = True)
#排序之后再重置一下index
sales = sales.reset_index(drop = True)
sales.head()
6 异常值处理
在排序结束之后简单看一下数据的整体情况
sales.describe()
从数据基本情况可以看出，销售数量和应收金额，实收金额，都有负的异常值，需要把这些值舍去，即选取销售数量和应收金额大于0的列，代码如下
#选取销售数量和应收金额大于0的列
sales = sales[(sales['销售数量'] > 0) & (sales['应收金额'] > 0)]
四 数据分析
1 月均消费次数
这里的月均消费次数定义为总次数除以月份，其中假如一个人一天买了两次药，但只算做消费了一次，即计算次数的时候需要进行去重处理。
#首先对数据进行一个去重，使用drop_duplicates函数
salesqc = sales.drop_duplicates(subset = ['销售时间', '社保卡号'])
#去重后看一下共有多少条购买数据(结果为5363)
Total = salesqc.shape[0]
#再计算月份
#用销售时间的最大值减去最小值即可得到天数,再除以（地板除）三十就可以得到月份了
month = (sales['销售时间'].max() - sales['销售时间'].min()).days//30
KPI1 = Total / month
print('月均消费次数为：', KPI1)
2 月均消费金额
同样，月均消费金额为总金额除以月份，在计算总金额的时候不能去重，需要都计算上金额。
#计算总金额
Total1 = sales['实收金额'].sum()
KPI2 = Total1 / month
print('月均消费金额为：', KPI2)
3 客单价
客单价就是总的消费金额除以总的购买次数。
kdj = Total1 / Total
print('客单价为：', kdj)
4 消费趋势
关于消费趋势，首先我们先来看一下每天的消费总金额的变化，把数据按天聚合，绘图，代码如下。
##对去重后的数据按照天进行重新采样
#首先要把索引变成时间
sales.index = pd.DatetimeIndex(sales['销售时间'])
#然后对其按照每天从新采样
salesd = sales.resample('D').count()
#画图
salesd.plot(x = salesd.index, y = '实收金额')
plt.xlabel('Time')
plt.ylabel('Money')
plt.title('xiao shou shu ju')
plt.show()
可以看出每天消费总额有高有低，其中出现几个峰值消费数据特别高，下面按月采样看一下每个月的总销售额是否有很大的差异。
#按月采样
salesm = sales.resample('M').count()
#画图
salesm.plot(x = salesm.index, y = '实收金额')
plt.xlabel('Time')
plt.ylabel('People')
plt.title('ke liu liang (month)')
plt.show()
由图我们其实可以看出，该药店的销售总额和客流量基本成正比。二月份的客流量最少，同样销售业绩也最差，同样的四月份客流量最高，销售总额也最多。
但是六月份客流量变少了，而消费总额却变多了，可能是因为人均买的药更贵了，具体原因尚且不得而知，七月份的数据如此小的原因是因为七月份只统计了半个月的数据，数据不全，不能拿来做比较。
将销售数据按星期分组，得到如下结果。
sales.groupby('销售星期')['实收金额'].sum()
通过这里，我们可以发现，周五周六的销售总额要显著的的高于其他日期，即周五周六应该前来买药的人更多，销售的药品更多。
即每周的销售趋势是周日到周四销售总额会有波动，但是幅度不大，周五周六的销售总额相对较高，按月份比较的话，四月份的销售总额显著的高，而二月份的销售总额显著的低，猜测销售总额非常低是因为春节的缘故。
大概的数据分析过程就是这样了~
数据集链接如下：
链接：https://pan.baidu.com/s/12nkhZJlwZe7FaAqZakDHLQ
提取码：5ft9
