深圳制作网站推荐,网站 关键词 挖掘,软件商店怎么下载,品牌型 网站建设目录
youyiku分析案例(数分)
大框操作
1.销售情况随着时间的变化
2.不同产品的销量
柱状图(bar)改颜色排序
seaborn库(柱)
--排序
3.每个城市的人喜欢的购物方式
4-不同年龄段的购物方式
添加标签段及值
--创建新表
对标签分别计算
绘图分析 youyiku分析案例(数分…目录
youyiku分析案例(数分)
大框操作
1.销售情况随着时间的变化
2.不同产品的销量
柱状图(bar)改颜色排序
seaborn库(柱)
--排序
3.每个城市的人喜欢的购物方式
4-不同年龄段的购物方式
添加标签段及值
--创建新表
对标签分别计算
绘图分析 youyiku分析案例(数分) import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] SimHei
plt.rcParams[axes.unicode_minus] False
df_data pd.read_csv(../data/uniqlo.csv)
大框操作
--快速操作描述df_data.describe()对数据进行大体的计算.df_data.info()查看标签及数据类型.df_data.shape查看几行几列.df_data.head(10)读取几行数据.
1.销售情况随着时间的变化
# 1、销售情况随着时间的变化
# print(df_data.shape)
# df_data[wkd_ind].unique() #wkd_ind标签下的数据去重.--进行查看.
reven df_data.groupby(wkd_ind)[revenue].mean() #分组操作,对wkd_ind标签进行分组,并展示revenue标签的平均值.
reven
plt.figure(figsize(6,4),dpi150) #展开画布。
plt.bar(reven.index,reven.values) #柱状图直接传宽标签名和高对应值。
plt.show() df_data.groupby(wkd_ind).revenue.describe() #分组后对revenue标签进行大体计算。 2.不同产品的销量
# 2、不同产品的销量
df_data[product].unique() #对标签product进行去重--查看.
types df_data.groupby(product).revenue.describe() #对produce进行分组,对revenue进行大体计算.
# types
plt.figure(figsize(6,5),dpi150)
plt.bar(types.index, types[mean]) #这里的高只获取大体计算时的平均值.
plt.show() 柱状图(bar)改颜色排序
types df_data.groupby(product).revenue.mean().sort_values(ascendingFalse) #.sort_values(ascendingFalse)进行排序.(默认是True,升序)
# types
plt.figure(figsize(6,5),dpi150)
plt.bar(types.index,types.values,color[red,orange,green,yellow]) #指定柱状图(bar)的颜色.(随机.)
plt.show() seaborn库(柱)
# pip install seaborn
import seaborn as sns #基于matplotlib,有些操作会简单点.
plt.figure(figsize(6,4),dpi150)
sns.barplot(xproduct,yrevenue,datadf_data) #分别设置x,y轴的标签名,并给出数据从哪来的(data)
#默认是取平均值.
plt.show() --排序
plt.figure(figsize(6,4),dpi150)
sns.barplot(xproduct,yrevenue,datadf_data,orderdf_data.groupby(product).revenue.mean().sort_values(ascendingFalse).index #这里排完序后,获取的是对象,我们直接按照标签排就可以了(.index)
) 3.每个城市的人喜欢的购物方式
df_data.head()
df_data[channel].unique()
df_data[city].unique()
df_data.groupby([city,channel]).revenue.mean()
plt.figure(figsize(6,4),dpi150)
sns.barplot(xcity,yrevenue,datadf_data,huechannel, #图例.estimatorsum, #参数默认求平均值,这参数自己改.orderdf_data.groupby(city).revenue.sum().sort_values(ascendingFalse).index #排序,按sum.
)
plt.show() 4-不同年龄段的购物方式
plt.figure(figsize(6,4),dpi150)
sns.barplot(xage_group,yrevenue,huechannel,datadf_data,orderdf_data.groupby(age_group).revenue.sum().sort_values(ascendingFalse).index
)
plt.show() 添加标签段及值
df_data.head()
#无---在最后字段进行添加; 有----进行修改.
df_data[price] df_data[revenue] / df_data[quant]
df_data[margin] (df_data[revenue] / df_data[quant]) - df_data[unit_cost]
df_data.head()
--创建新表
--上面我们创建了新的字段,现在我们就可以创建新的二维对象.
df_data_new pd.DataFrame({城市:df_data[city],品牌:df_data[product],利润:df_data[margin],成本:df_data[unit_cost],单价:df_data[price]
})
df_data_new
对标签分别计算
分组标签分别计算
datas df_data_new.groupby(城市)[利润,成本,单价].mean()
datas
绘图分析
plt.figure(figsize(7,5),dpi150)
width 0.2 #柱的宽度.(下面都要传参)
x np.arange(len(datas.index)) #传x轴的坐标.(看下面) --- x轴有多少个值,先弄出来.
plt.bar(x,datas[利润],widthwidth,label利润,colorred)
plt.bar(xwidth,datas[成本],widthwidth,label成本,colorgreen)
plt.bar(xwidth*2,datas[单价],widthwidth,label单价,colororange)
# 这里每个柱x轴都要偏移一下,更美观.(柱的间隔)
plt.xticks(xwidth,labelsdatas.index) #x轴标签名的间隔.
plt.legend()
plt.show()
