这一周找了一个有关医院销售分析案例进行练习，具体如下。
在本篇文章中，数据分析的基本过程包括两方面：
一、数据分析的目的
数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。
本篇文章中，假设以朝阳医院2018年销售数据为例，目的是了解朝阳医院在2018年里的销售情况，这就需要知道几个业务指标，例如：月均消费次数，月均消费金额、客单价以及消费趋势。
二、数据分析基本过程
数据分析基本过程包括：获取数据、数据清洗、构建模型、数据可视化以及消费趋势
1.获取数据
Excel中的数据部分截图：
药品销售部分数据截图.png
先导入包，然后读取文件，读取的时候用object读取，防止有些数据读不了：
1.png
然后查看这些基本信息：
2.png
总共有6578行7列数据，但是“购药时间”和“社保卡号”这两列只有6576个数据，而“商品编码”一直到“实收金额”这些列都是只有6577个数据，这就意味着数据中存在缺失值，可以推断出数据中存在一行缺失值，此外“购药时间”和“社保卡号”这两列都各自存在一个缺失数据，这些缺失数据在后面步骤中需要进一步处理。
2.数据清洗
数据清洗过程包括：选择子集、列名重命名、缺失数据处理、数据类型转换、数据排序及异常值处理
（1）选择子集
在我们获取到的数据中，可能数据量非常庞大，并不是每一列都有价值都需要分析，这时候就需要从整个数据中选取合适的子集进行分析，这样能从数据中获取最大价值。在本次案例中不需要选取子集，暂时可以忽略这一步。
（2）列名重命名
3.png
（3）缺失数据处理
4.png
（4）数据类型转换
在导入数据时为了防止导入不进来，会强制所有数据都是object类型，但实际数据分析过程中“销售数量”，“应收金额”，“实收金额”，这些列需要浮点型（float）数据，“销售时间”需要改成时间格式，因此需要对数据类型进行转换。
5.png
在“销售时间”这一列数据中存在星期这样的数据，但在数据分析过程中不需要用到，因此要把销售时间列中日期和星期使用split函数进行分割，分割后的时间，返回的是Series数据类型：
6.png
接着把切割后的日期转为时间格式，方便后面的数据统计：
7.png
（5）数据排序
8.png
（6）异常值处理
9.png
通过描述统计信息可以看到，“销售数量”、“应收金额”、“实收金额”这三列数据的最小值出现了负数，这明显不符合常理，数据中存在异常值的干扰，因此要对数据进一步处理，以排除异常值的影响：
10.png
3.构建模型及数据可视化
数据清洗完成后，需要利用数据构建模型（就是计算相应的业务指标），并用可视化的方式呈现结果。
（1）业务指标1：月均消费次数
11.jpg
① 计算总消费次数：
12.png
② 计算月份数：
13.png
③ 计算月均消费次数：
14.png
（2）业务指标2：月均消费金额
15.png
（3）业务指标3：客单价
16.png
（4）业务指标4：消费趋势
17.png
① 分析每天的消费金额
18.png
20.png
从结果可以看出，每天消费总额差异较大，除了个别天出现比较大笔的消费，大部分人消费情况维持在500元以内。
② 分析每月的消费金额
21.png
23.png
结果显示，7月消费金额最少，这是因为7月份的数据不完整，所以不具参考价值。
1月、4月、5月和6月的月消费金额差异不大，2月和3月的消费金额迅速降低，这可能是2月和3月处于春节期间，大部分人都回家过年的原因。
③ 分析药品销售情况
24.png
截取销售数量最多的前十种药品，并用条形图展示结果：
25.png
26.png
得到销售数量最多的前十种药品信息，这些信息将会有助于加强医院对药房的管理。
源码：
# coding: utf-8
# ## 读取excel
# In[1]:
import numpy as np
from pandas import Series,DataFrame
import pandas as pd
# In[2]:
file_name = 'D:\\Python\\notebook\\朝阳医院2018年销售数据.xlsx'
xls = pd.ExcelFile(file_name)
dataDF = xls.parse('Sheet1',dtype='object')
dataDF.head() # 只列出前5行数据
# ## 查看基本信息
# In[3]:
# 查看数据的形状，即几行几列
dataDF.shape
# In[4]:
# 查看索引
dataDF.index
# In[5]:
# 查看每一列的列表头内容
dataDF.columns
# In[6]:
# 查看每一列数据统计数目
dataDF.count()
# ## 数据清洗
# #### 列名重命名
# In[7]:
# 使用rename函数，把"购药时间" 改为 "销售时间"
dataDF.rename(columns={'购药时间':'销售时间'},inplace=True)
dataDF.head()
# #### 缺失数据处理
# In[8]:
print('删除缺失值前：',dataDF.shape)
dataDF.info()
# 使用dropna函数删除缺失值
dataDF = dataDF.dropna(subset=['销售时间','社保卡号'],how='any')
print('\n删除缺失值后：',dataDF.shape)
dataDF.info()
# #### 数据类型转换
# In[9]:
# 将字符串转为浮点型数据
dataDF['销售数量'] = dataDF['销售数量'].astype('float')
dataDF['应收金额'] = dataDF['应收金额'].astype('float')
dataDF['实收金额'] = dataDF['实收金额'].astype('float')
dataDF.dtypes
# In[10]:
# 定义函数将星期去除
def splitSaletime(timeColser):
timelist = []
for val in timeColser:
data = val.split(' ')[0] # [0]表示选取的分片，这里表示切割完后选取第一个分片
timelist.append(data)
# 将列表转行为一维数据Series类型
timeSer = Series(timelist)
return timeSer
# 获取"销售时间"这一列数据
time = dataDF.loc[:,'销售时间']
# 调用函数去除星期，获得日期
data = splitSaletime(time)
# 修改"销售时间"这一列的值
dataDF.loc[:,'销售时间'] = data
dataDF.head()
# In[11]:
# 字符串转日期
'''
errors='coerce'如果原始数据不符合日期的格式，转换后的值为NaT
format 是原始数据中日期的格式
'''
dataDF.loc[:,'销售时间'] = pd.to_datetime(dataDF.loc[:,'销售时间'],format='%Y-%m-%d',errors='coerce')
dataDF.dtypes
# In[12]:
'''
转换日期过程中不符合日期格式的数值会被转换为空值None，
这里删除列（销售时间，社保卡号）中为空的行
'''
dataDF = dataDF.dropna(subset=['销售时间','社保卡号'],how='any')
# #### 数据排序
# In[13]:
# 按销售时间进行升序排序
dataDF = dataDF.sort_values(by='销售时间',ascending=True)
dataDF.head()
# In[14]:
# 重置索引（index）
dataDF = dataDF.reset_index(drop=True)
dataDF.head()
# #### 异常值处理
# In[15]:
# 查看描述统计信息
dataDF.describe()
# In[16]:
# 将"销售数量"这一列中小于0的数排除掉
pop = dataDF.loc[:,'销售数量'] > 0
dataDF = dataDF.loc[pop,:]
# 排除异常值后再次查看描述统计信息
dataDF.describe()
# ## 构建模型及数据可视化
# ### 业务指标1：月均消费次数
# 计算总消费次数
# In[17]:
# 删除重复数据
kpi1_Df = dataDF.drop_duplicates(subset=['销售时间','社保卡号'])
# 有多少行
totalI = kpi1_Df.shape[0]
print('总消费次数=',totalI)
# 计算月份数
# In[18]:
# 排序
# 按销售时间升序排序
kpi1_Df = kpi1_Df.sort_values(by='销售时间',ascending=True)
# 重命名行名（index）
kpi1_Df = kpi1_Df.reset_index(drop=True)
# 获取时间范围
# 最小时间值
startTime = kpi1_Df.loc[0,'销售时间']
# 最大时间值
endTime = kpi1_Df.loc[totalI-1,'销售时间']
# 计算月份数
# 天数
daysI = (endTime-startTime).days
# 月份数：运算符"//"表示取整除，返回商的整数部分
monthsI = daysI // 30
print('月份数：',monthsI)
# 计算月均消费次数
# In[19]:
kpi1_I = totalI // monthsI
print('业务指标1：月均消费次数=',kpi1_I)
# ### 业务指标2：月均消费金额
# In[20]:
# 总消费金额
totalMoneyF = dataDF.loc[:,'实收金额'].sum()
# 月均消费金额
monthMoneyF = totalMoneyF // monthsI
print('业务指标2：月均消费金额=',monthMoneyF)
# ### 业务指标3：客单价
# In[21]:
# 客单价 = 总消费金额 / 总消费次数
pct = totalMoneyF / totalI
print('业务指标3：客单价=',pct)
# ### 业务指标4：消费趋势
# In[22]:
import matplotlib.pyplot as plt
import matplotlib
# 画图时用于显示中文字符
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # SimHei是黑体的意思
# 在操作之前先复制一份数据，防止影响清洗后的数据
groupDf = dataDF
# #### 每天的消费金额
# In[23]:
# 重命名行（index）为销售时间所在列的值
groupDf.index = groupDf['销售时间']
groupDf.head()
# In[24]:
# 画图
plt.plot(groupDf['实收金额'])
plt.title('按天消费金额图')
plt.xlabel('时间')
plt.ylabel('实收金额')
# 保存图片
plt.savefig('C:\\Users\\Administrator\\Desktop\\day.png')
# 显示图片
plt.show()
# #### 每月的消费金额
# In[25]:
# 将销售时间聚合按月分组
gb = groupDf.groupby(groupDf.index.month)
print(gb)
# In[26]:
# 应用函数，计算每个月的消费总额
monthDf = gb.sum()
print(monthDf)
# In[27]:
# 描绘按月消费金额图
plt.plot(monthDf['实收金额'])
plt.title('按月消费金额图')
plt.xlabel('月份')
plt.ylabel('实收金额')
plt.savefig('C:\\Users\\Administrator\\Desktop\\month.png')
plt.show()
# #### 药品销售情况
# In[28]:
# 聚合统计各种药品的销售数量
medicine = groupDf[['商品名称','销售数量']]
bk = medicine.groupby('商品名称')[['销售数量']]
re_medicine = bk.sum()
# 对药品销售数量按降序排序
re_medicine = re_medicine.sort_values(by='销售数量',ascending=False)
re_medicine.head()
# In[29]:
# 截取销售数量最多的十种药品
top_medicine = re_medicine.iloc[:10,:]
print(top_medicine)
# In[30]:
# 用条形图展示销售数量前十的药品
top_medicine.plot(kind='bar')
plt.title('药品销售前十情况')
plt.xlabel('药品种类')
plt.ylabel('销售数量')
plt.legend(loc=0)
plt.savefig('C:\\Users\\Administrator\\Desktop\\medicine.png')
plt.show()
网友评论