探索性分析——某医院18年销售数据分析

针对某医院18年销售记录，做简单的数据分析，熟悉相关语法及分析过程。

一、分析目的

以某医院18年销售数据为例，了解18年的销售情况，分析几个业务指标，例如：月均消费次数，月均消费金额、客单价以及消费趋势等，可以用于了解不同季节的病情、指导医院备货等。

二、 数据分析过程

数据分析过程基本包括：数据获取、数据清洗、模型构建、数据可视化、相关分析等

1、数据获取

根据已有的18年销售单据，提取相应的数据。（本次没有数据抓取过程）首先导入相关的python包，并获取数据集。

# coding: utf-8

import xlrd
import openpyxl
import pandas as pd
from pandas import Series, DataFrame
import numpy as np

#读取数据集,显示前5行
filename = r'C:\Users\Administrator\Desktop\朝阳医院2018年销售数据.xlsx'
datafile = pd.ExcelFile(filename)
data = datafile.parse('Sheet1')

#查看基本信息

data.shape

data.index

data.columns

data.count

显示信息如下：

总共有6578行7列数据，其中购药时间、社保卡号有6576行数据，其他的有6577行数据。所以此数据集中存在缺失值，需对缺失值进行处理。

2、数据清洗

数据清洗基本过程：选择子集、列重命名、缺失值处理、数据类型转换、数据排序、异常值处理等。

为便于分析，将其中列名：购买时间，更改为销售时间，消除歧义。

#列重命名

data.rename(columns={'购药时间':'销售时间'}, inplace = True)

print(data.head())

3、缺失值处理

从前面显示的信息中可以看出，数据集中存在缺失值。使用简单的方法，直接使用dropna函数删除缺失数据，具体如下：

#缺失值处理

print('删除缺失值前：',data.shape)

data.info()

dataDF = data.dropna(subset=['销售时间','社保卡号'], how = 'any')

print('删除缺失值后：',dataDF.shape)

dataDF.info()

4、数据类型转换

为便于数据导入，便于后续相关分析，最好对数据进行相应的转换。可以使用astype函数进行数据类型转换，并通过split函数对无用的时间信息进行分割，如下所示：

#数据类型转换

#转换各部分数据格式

dataDF['销售数量'] = dataDF['销售数量'].astype('str')#后面进行销售时间分割，不能为float类型

dataDF.dtypes#将销售时间中，星期与日期分开def split_time(timesale):

stime = sale_time.split(' ')[0]

timelist = [] for sale_time in timesale:

#将列表变成一个一维Series类型

timelist.append(stime)#分割销售时间，并提取时间部分，组成一个列表 STime = Series(timelist) return STime

dataDF.loc[:, '销售时间'] = time_data

#获取销售时间这一列，然后调用函数分割，并修改这一列saletime = dataDF.loc[:, '销售时间']time_data = split_time(saletime)

dataDF.head()

在把分割后的日期，转换为时间格式。

#把分割日期，转换为时间格式

dataDF.loc[:, '销售时间'] = pd.to_datetime(dataDF.loc[:, '销售时间'], format = '%Y-%m-%d', errors = 'coerce')

dataDF.dtypes#转换日期格式过程中，errors = 'coerce'不符合日期的格式，转换后的值为NaT#删除其中的空行

dataDF.info()

dataDF = dataDF.dropna(subset = ['销售时间','社保卡号'], how = 'any')

dataDF.shape

5、数据排序

对分割后的时间进行顺序排序，并按照此排序重置索引。

#(6)排序，排序之后，索引会被打断，需要重置索引

#(7)异常值处理

#查看描述统计信息

dataDF.describe()

#按销售时间排序sort_index报错，sort_value可行dataDF = dataDF.sort_index(by = '销售时间'， ascending = True)dataDF.head()#重置索引dataDF = dataDF.reset_index(drop = True)dataDF.head()

6、异常值处理

先通过描述的统计信息，查看数据。通过min中有负数，判别出存在异常值。

#(7)异常值处理

#查看描述统计信息

dataDF.describe()

#排除异常值

pop = dataDF.loc[:,'销售数量'] > 0

dataDF = dataDF.loc[pop, :]

dataDF.describe()

7、数据可视化

#3.构建模型及可视化

#月均消费次数（总的消费次数/消费时间）

#(1)删除重复数据

data_unique = dataDF.drop_duplicates(subset=['销售时间', '社保卡号'])

total_row = data_unique.shape[0]

print('总的消费次数:', total_row)

#(2)消费时间

#按照消费时间重新排序，然后根据最大、最小时间计算月份数

data_unique = data_unique.sort_values(by = '销售时间', ascending = True)

#重置索引data_unique = data_unique.reset_index(drop = True)

endtime = data_unique.loc[total_row - 1, '销售时间']

starttime = data_unique.loc[0, '销售时间']days = (endtime - starttime).daysmonths = days // 30

print('月均消费次数：', kpil_M)

print('月份数：', months)

kpil_M = total_row // months

#月均消费金额

totalMoney = dataDF.loc[:, '实收金额'].sum()

monthMoney = totalMoney // months

print('月均消费金额：', monthMoney)

#消费趋势分析

import matplotlib.pyplot as plt

import matplotlib

mpl.rcParams['font.sans-serif'] = ['SimHei']#黑体

from pylab import mpl#用于显示中文

#复制一份数据

groupDF = dataDF

#将销售时间设置为index

groupDF.index = groupDF['销售时间']

groupDF.head()

#可视化绘图

plt.plot(groupDF['实收金额'])

plt.title('按天销售金额图')

plt.ylabel('实收金额')

plt.xlabel('时间')#保持图片

plt.savefig(r'C:\Users\Administrator\Desktop\sale_day.png')

#显示图片

plt.show()

#(4)分析药品销售情况

#聚合统计各种药品的销售数量

medicineS = groupDF[['商品名称', '销售数量']]

medicine_list = medicineS.groupby('商品名称')['销售数量']

all_medicine = medicine_list.sum()#对每种药品总量排序

all_medicine = all_medicine.sort_values()#(by = '销售数量', ascending = 'False')

all_medicine.head()#显示销售数量前十的药品top10 = all_medicine[:10]

print(top10)

#可视化前十种药品

top10.plot(kind='bar')#柱状图

plt.title('销售前十药品')

plt.ylabel('销售数量')

plt.xlabel('药品种类')plt.legend(loc=0)

plt.savefig(r'C:\Users\Administrator\Desktop\medicine.png')

plt.show()

全部代码：

# coding: utf-8


import xlrd
import openpyxl
import pandas as pd
from pandas import Series, DataFrame
import numpy as np


#1.获取数据
#(1)读取数据集,显示前5行


filename = r'C:\Users\Administrator\Desktop\朝阳医院2018年销售数据.xlsx'
datafile = pd.ExcelFile(filename)
data = datafile.parse('Sheet1')


#data.head()


#查看基本信息


data.shape
data.index
data.columns
data.count


##################################################################################


#2.数据清洗
#(1)列重命名
data.rename(columns={'购药时间':'销售时间'}, inplace = True)


#print(data.head())


#(2)缺失值处理




print('删除缺失值前：',data.shape)
data.info()


dataDF = data.dropna(subset=['销售时间','社保卡号'], how = 'any')


print('删除缺失值后：',dataDF.shape)
dataDF.info()


#(3)数据类型转换
#转换各部分数据格式
dataDF['销售数量'] = dataDF['销售数量'].astype('str')#后面进行销售时间分割，不能为float类型
dataDF.dtypes


#将销售时间中，星期与日期分开
def split_time(timesale):
    timelist = []
    for sale_time in timesale:
        stime = sale_time.split(' ')[0]
        timelist.append(stime)#分割销售时间，并提取时间部分，组成一个列表


    #将列表变成一个一维Series类型
    STime = Series(timelist)
    return STime


#获取销售时间这一列，然后调用函数分割，并修改这一列


saletime = dataDF.loc[:, '销售时间']
time_data = split_time(saletime)
dataDF.loc[:, '销售时间'] = time_data
dataDF.head()


#把分割日期，转换为时间格式


dataDF.loc[:, '销售时间'] = pd.to_datetime(dataDF.loc[:, '销售时间'], format = '%Y-%m-%d', errors = 'coerce')
dataDF.dtypes


#转换日期格式过程中，errors = 'coerce'不符合日期的格式，转换后的值为NaT
#删除其中的空行
dataDF = dataDF.dropna(subset = ['销售时间','社保卡号'], how = 'any')
dataDF.shape
dataDF.info()




#(4)排序，排序之后，索引会被打断，需要重置索引
#按销售时间排序sort_index报错，sort_value可行
dataDF = dataDF.sort_index(by = '销售时间'， ascending = True)
dataDF.head()


#重置索引
dataDF = dataDF.reset_index(drop = True)
dataDF.head()


#(5)异常值处理
#查看描述统计信息
dataDF.describe()


#排除异常值
pop = dataDF.loc[:,'销售数量'] > 0
dataDF = dataDF.loc[pop, :]


dataDF.describe()


#3.构建模型及可视化
#(1)月均消费次数（总的消费次数/消费时间）
#1)删除重复数据
data_unique = dataDF.drop_duplicates(subset=['销售时间', '社保卡号'])
total_row = data_unique.shape[0]
print('总的消费次数:', total_row)


#2)消费时间
#按照消费时间重新排序，然后根据最大、最小时间计算月份数
data_unique = data_unique.sort_values(by = '销售时间', ascending = True)
#重置索引
data_unique = data_unique.reset_index(drop = True)
starttime = data_unique.loc[0, '销售时间']
endtime = data_unique.loc[total_row - 1, '销售时间']


days = (endtime - starttime).days
months = days // 30


print('月份数：', months)


kpil_M = total_row // months
print('月均消费次数：', kpil_M)


#(2)月均消费金额
totalMoney = dataDF.loc[:, '实收金额'].sum()
monthMoney = totalMoney // months
print('月均消费金额：', monthMoney)


#(3)消费趋势分析
import matplotlib.pyplot as plt
import matplotlib
from pylab import mpl#用于显示中文
mpl.rcParams['font.sans-serif'] = ['SimHei']#黑体


#复制一份数据
groupDF = dataDF
#将销售时间设置为index
groupDF.index = groupDF['销售时间']
groupDF.head()


#可视化绘图
plt.plot(groupDF['实收金额'])
plt.title('按天销售金额图')
plt.xlabel('时间')
plt.ylabel('实收金额')
#保持图片
plt.savefig(r'C:\Users\Administrator\Desktop\sale_day.png')
#显示图片
plt.show()


#(4)分析药品销售情况
#聚合统计各种药品的销售数量
medicineS = groupDF[['商品名称', '销售数量']]
medicine_list = medicineS.groupby('商品名称')['销售数量']
all_medicine = medicine_list.sum()
#对每种药品总量排序
all_medicine = all_medicine.sort_values()#(by = '销售数量', ascending = 'False')
all_medicine.head()


#显示销售数量前十的药品
top10 = all_medicine[0:10]
print(top10)


#可视化前十种药品
top10.plot(kind='bar')#柱状图
plt.title('销售前十药品')
plt.xlabel('药品种类')
plt.ylabel('销售数量')
plt.legend(loc=0)
plt.savefig(r'C:\Users\Administrator\Desktop\medicine.png')
plt.show()