3.3 某一台设备不同时间的销售情况

给data_112添加一列hour，表示下单时间的小时数

data_112['hour'] = data_112['下单时间'].dt.hour

按照小时数分组，计算每个小时的销售额，并按照小时数排序

num = data_112[['hour','income']].groupby('hour').sum().sort_index()

绘制折线图，横坐标为小时数，纵坐标为销售额

plt.plot(num.index,num)

设置横坐标的标签为小时数，旋转角度为90度

plt.xticks(num.index,num.index,rotation=90)

显示图像

plt.show()

给data_112添加一列hour，表示下单时间的小时数和一列month，表示下单时间的月份

data_112['hour'] = data_112['下单时间'].dt.hour data_112['month'] = data_112['下单时间'].dt.month

按照月份和小时数分组，计算每个月每个小时的销售额，并将结果展开成表格，缺失值填为0

num = data_112[['hour','income','month']].groupby(['month','hour']).sum() num = num.unstack().fillna(0)

绘制折线图，横坐标为小时数，纵坐标为销售额，每个月的销售额用不同的颜色表示

for i in range(5, 10): plt.plot(range(24), num.loc[i, :])

设置图例为月份

plt.legend([f'{i}月' for i in range(5, 10)])

显示图像

plt.show()

给data_112添加一列hour，表示下单时间的小时数和一列weekday，表示下单时间的星期几

data_112['hour'] = data_112['下单时间'].dt.hour data_112['weekday'] = data_112['下单时间'].dt.weekday

按照星期几和小时数分组，计算每个星期几每个小时的销售额，并将结果展开成表格，缺失值填为0

num = data_112[['hour', 'income', 'weekday']].groupby(['weekday', 'hour', ]).sum() num = num.unstack().fillna(0)

绘制折线图，横坐标为小时数，纵坐标为销售额，每个星期几的销售额用不同的颜色表示

for i in num.index: plt.plot(range(24), num.loc[i, :])

设置图例为星期几

plt.legend(num.index)

显示图像

plt.show()

给data2添加一列date，表示下单时间的日期和一列income，表示收入

data2['date'] = data2['下单时间'].dt.date data2['income'] = data2['总金额(元)'] - data2['退款金额(元)']

按照日期分组，计算每个日期的销售额，并按照日期排序

num = data2[['date', 'income']].groupby('date').sum().sort_index()

绘制折线图，横坐标为日期，纵坐标为销售额

plt.plot(num.index, num)

设置横坐标的标签为日期，每隔8天显示一个日期，旋转角度为90度

plt.xticks(num.index[::8], num.index[::8], rotation=90)

显示图像

plt.show()

给data2添加一列weekday，表示下单时间的星期几

data2['weekday'] = data2['下单时间'].dt.weekday

按照星期几分组，计算每个星期几的销售额，并按照星期几排序

num = data2[['weekday', 'income']].groupby('weekday').sum().sort_index()

只保留0-6的星期几，即周一到周日

num = num.loc[[0,1,2,3,4,5,6],:]

绘制折线图，横坐标为星期几，纵坐标为销售额

plt.plot(num.index, num)

设置横坐标的标签为星期几，旋转角度为90度

plt.xticks(num.index, num.index, rotation=90)

显示图像

plt.show()

计算周的销售额环比

给data2添加一列week，表示下单时间的周数

data2['week'] = data2['下单时间'].dt.week

计算每一周的销售额

tmp = data2[['week','income']].groupby('week').sum()

计算销售额环比: (本期销售额-上期销售额)/上期销售额

t2 = tmp.diff().iloc[1:, :] #第一个数据是空,因为没得比 t2.index = tmp.index[:-1 ] num = t2/tmp #销售额的周环比

绘制双Y轴图像，左边是收入，右边是环比增长率

fig = plt.figure(figsize=(6, 4)) ax1 = fig.add_subplot(111) # 添加子图 ax1.bar(tmp.index, tmp['income']) ax1.set_ylabel('收入') ax1.set_xlabel('周数') ax1.set_title('自动售货机收入趋势图') ax2 = ax1.twinx() ax2.plot(tmp.index[1:], num.iloc[:-1, 0], 'b') ax2.set_ylabel('环比增长率') plt.show()

计算月的销售额环比

计算每月的销售额

tmp = data2[['month', 'income']].groupby('month').sum()

计算销售额环比：（本期销售额-上期销售额）/上期销售额

t2 = tmp.diff().iloc[1:, :] t2.index = tmp.index[:-1] num = t2/tmp # 销售额的月环比

绘制双Y轴图像，左边是收入，右边是环比增长率

fig = plt.figure(figsize=(6, 4)) ax1 = fig.add_subplot(111) # 添加子图 ax1.bar(tmp.index, tmp['income']) ax1.set_ylabel('收入') ax1.set_xlabel('月份') ax1.set_title('自动售货机收入趋势图') ax2 = ax1.twinx() ax2.plot(tmp.index[1:], num.iloc[:-1, 0], 'b') ax2.set_ylabel('环比增长率') plt.show()

分析城市销售情况

按照城市分组，计算每个城市的销售额，并按照销售额排序

num = data2[['city', 'income']].groupby('city').sum().sort_values('income')

绘制水平条形图，横坐标为销售额，纵坐标为城市

plt.barh(num.index,num['income'])

显示图像

plt.show()

绘制地理图表展示城市之间的空间关系

使用pyecharts库绘制地理图表

添加地理图

Geo()

设置地图类型为广东

.add_schema(maptype='广东')

添加散点图，横坐标为城市名，纵坐标为销售额

.add('', [(i, int(j)) for i,j in zip(num.index, num['income'])], type_=ChartType.EFFECT_SCATTER)

设置标签不显示

.set_series_opts(label_opts=opts.LabelOpts(is_show=False))

设置全局选项，包括标题和视觉映射选项

.set_global_opts( title_opts=opts.TitleOpts(title='各个城市销售量情况', subtitle='2018/4-2018/9'), visualmap_opts=opts.VisualMapOpts(max_=max(num.max()), is_piecewise=True) )

保存为html文件

.render('./各个城市销售量情况.html')

绘制地理图表展示不同月份不同城市之间的空间关系

添加月份和城市两个维度的分组，计算每个月每个城市的销售额，并将结果展开成表格，缺失值填为0

data2['month'] = data2['下单时间'].dt.month num = data2[['month', 'income', 'city']].groupby(['month', 'city']).sum() num2 = num.unstack() num2 = num2.fillna(0)

创建时间轴

tl = Timeline()

对于每个月份，生成一个地理图表，并添加到时间轴中

for i in range(4, 10): num = num2.loc[i, :] tmp[i] = ( Geo() .add_schema(maptype='广东') .add('', [(i[1], int(j)) for i, j in zip(num.index, list(num.values))], type_=ChartType.EFFECT_SCATTER) .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) .set_global_opts( title_opts=opts.TitleOpts(title='各个城市销售量情况', subtitle='2018/4-2018/9'), visualmap_opts=opts.VisualMapOpts(max_=max(num2.max()), is_piecewise=True) ) ) tl.add(tmp[i], str(i)+'月')

保存为html文件

tl.render('./各个城市销售量情况(含时间轴).html'