sales@lix.by
г.Минск, ул. Тимирязева, д.67, пом. 428
Пн - Пт: с 9:00 до 21:00
Сб - Вс: с 9:00 до 20:00

Реноме

# 使用Python实现简单的数据可视化下面我将展示一个使用Python进行数据可视化的完整示例，包含数据生成、处理和可视化展示。 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime, timedelta # 设置中文字体和样式 plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans'] plt.rcParams['axes.unicode_minus'] = False sns.set_style("whitegrid") # 1. 生成模拟数据 def generate_sample_data(): """生成模拟销售数据""" np.random.seed(42) # 生成日期范围（最近90天） end_date = datetime.now() start_date = end_date - timedelta(days=89) dates = pd.date_range(start=start_date, end=end_date, freq='D') # 生成产品类别 categories = ['电子产品', '服装', '食品', '家居用品', '图书'] # 生成模拟数据 data = [] for date in dates: for category in categories: # 基本销量 + 随机波动 + 季节性趋势 base_sales = np.random.randint(50, 200) seasonal_factor = 20 * np.sin(2 * np.pi * (date.dayofyear / 365)) random_factor = np.random.randint(-30, 30) sales = max(10, int(base_sales + seasonal_factor + random_factor)) # 价格和利润 price = np.random.uniform(20, 200) profit_margin = np.random.uniform(0.1, 0.4) profit = sales * price * profit_margin data.append({ '日期': date, '产品类别': category, '销量': sales, '单价': round(price, 2), '利润': round(profit, 2) }) return pd.DataFrame(data) # 2. 数据处理和分析 def analyze_data(df): """对数据进行基本分析""" # 按产品类别汇总 category_summary = df.groupby('产品类别').agg({ '销量': 'sum', '利润': 'sum', '单价': 'mean' }).round(2) # 按日期汇总（最近30天） recent_data = df[df['日期'] >= (datetime.now() - timedelta(days=30))] daily_summary = recent_data.groupby('日期').agg({ '销量': 'sum', '利润': 'sum' }).reset_index() # 计算增长率 if len(daily_summary) >= 2: recent_growth = ((daily_summary['利润'].iloc[-1] - daily_summary['利润'].iloc[-2]) / daily_summary['利润'].iloc[-2] * 100) else: recent_growth = 0 return category_summary, daily_summary, recent_growth # 3. 可视化函数 def create_visualizations(df, category_summary, daily_summary, recent_growth): """创建可视化图表""" fig = plt.figure(figsize=(16, 12)) # 1. 各产品类别销量和利润对比（子图1） ax1 = plt.subplot(2, 3, 1) x = np.arange(len(category_summary)) width = 0.35 ax1.bar(x - width/2, category_summary['销量'], width, label='销量', alpha=0.8, color='skyblue') ax1.set_xlabel('产品类别') ax1.set_ylabel('销量', color='skyblue') ax1.set_xticks(x) ax1.set_xticklabels(category_summary.index, rotation=45) ax1.tick_params(axis='y', labelcolor='skyblue') ax1_twin = ax1.twinx() ax1_twin.bar(x + width/2, category_summary['利润'], width, label='利润', alpha=0.8, color='salmon') ax1_twin.set_ylabel('利润', color='salmon') ax1_twin.tick_params(axis='y', labelcolor='salmon') ax1.set_title('各产品类别销量和利润对比') lines1, labels1 = ax1.get_legend_handles_labels() lines2, labels2 = ax1_twin.get_legend_handles_labels() ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left') # 2. 最近30天销量趋势（子图2） ax2 = plt.subplot(2, 3, 2) ax2.plot(daily_summary['日期'], daily_summary['销量'], marker='o', linewidth=2, markersize=4, color='green', alpha=0.7) ax2.fill_between(daily_summary['日期'], daily_summary['销量'], alpha=0.3, color='green') ax2.set_xlabel('日期') ax2.set_ylabel('销量') ax2.set_title('最近30天销量趋势') ax2.tick_params(axis='x', rotation=45) ax2.grid(True, alpha=0.3) # 3. 产品类别利润分布（子图3） ax3 = plt.subplot(2, 3, 3) colors = plt.cm.Set3(np.linspace(0, 1, len(category_summary))) wedges, texts, autotexts = ax3.pie(category_summary['利润'], labels=category_summary.index, autopct='%1.1f%%', colors=colors, startangle=90, textprops={'fontsize': 9}) ax3.set_title('产品类别利润分布') # 4. 销量与利润关系散点图（子图4） ax4 = plt.subplot(2, 3, 4) scatter = ax4.scatter(df['销量'], df['利润'], c=df['单价'], alpha=0.6, cmap='viridis', s=30) ax4.set_xlabel('销量') ax4.set_ylabel('利润') ax4.set_title('销量与利润关系（颜色表示单价）') plt.colorbar(scatter, ax=ax4, label='单价') ax4.grid(True, alpha=0.3) # 5. 各产品类别平均单价（子图5） ax5 = plt.subplot(2, 3, 5) bars = ax5.barh(category_summary.index, category_summary['单价'], color=plt.cm.Paired(np.linspace(0, 1, len(category_summary)))) ax5.set_xlabel('平均单价') ax5.set_title('各产品类别平均单价') # 在条形末端添加数值标签 for i, (bar, value) in enumerate(zip(bars, category_summary['单价'])): ax5.text(value + 2, bar.get_y() + bar.get_height()/2, f'¥{value:.1f}', va='center', fontsize=9) # 6. 关键指标展示（子图6） ax6 = plt.subplot(2, 3, 6) ax6.axis('off') # 计算关键指标 total_sales = df['销量'].sum() total_profit = df['利润'].sum() avg_daily_sales = daily_summary['销量'].mean() best_category = category_summary['利润'].idxmax() best_category_profit = category_summary['利润'].max() # 在子图中添加文本 metrics_text = f""" 关键业务指标总销量: {total_sales:,} 总利润: ¥{total_profit:,.2f} 日均销量: {avg_daily_sales:.1f} 最近增长: {recent_growth:.1f}% 最盈利品类: {best_category} 品类利润: ¥{best_category_profit:,.2f} 数据时间范围: {df['日期'].min().strftime('%Y-%m-%d')} 至 {df['日期'].max().strftime('%Y-%m-%d')} 数据总数: {len(df):,} 条 """ ax6.text(0.1, 0.95, metrics_text, fontsize=11, verticalalignment='top', bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.5)) plt.suptitle('销售数据分析仪表板', fontsize=16, fontweight='bold', y=0.98

Комментарии

Загрузка комментариев...

Назад к списку

Продолжая использовать сайт, вы соглашаетесь с политикой использования файлов cookie.