给下列代码写注释

3.1 不同时间段的销售情况

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 'weekday' 和 'hour' 进行分组，计算 'income' 的和

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

将表格重新排列，将 'weekday' 作为行索引，'hour' 作为列索引

num = num.unstack().fillna(0)

绘制不同日期的销售情况

添加一列 'date'，表示下单时间的日期

data2['date'] = data2['下单时间'].dt.date

计算每个日期的 'income' 总和

data2['income'] = data2['总金额(元)'] - data2['退款金额(元)'] num = data2[['date', 'income']].groupby('date').sum().sort_index()

绘制不同星期的销售情况

添加一列 'weekday'，表示下单时间是星期几

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

按照 'weekday' 进行分组，计算 'income' 总和

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

只保留 0-6 的星期，即周一到周日

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

3.4 分析城市销售情况

按照 'city' 进行分组，计算 'income' 总和，并按照 'income' 从小到大排序

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

绘制地理图表，展示城市之间的空间关系

使用 pyecharts 库的 Geo 模块和 Map 模块，绘制地理图表

from pyecharts.charts import Geo, Map import pyecharts.options as opts from pyecharts.globals import ChartType

添加数据，设置地图类型为广东地图，使用散点图展示数据

( Geo() .add_schema(maptype='广东') .add('', [(i, int(j)) for i,j in zip(num.index, num['income'])], 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(num.max()), is_piecewise=True) ) ).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

添加一列 'month'，表示下单时间的月份

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

按照 'month' 和 'city' 进行分组，计算 'income' 总和

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

将表格重新排列，将 'month' 作为行索引，'city' 作为列索引

num2 = num.unstack() num2 = num2.fillna(0)

使用 pyecharts 库的 Geo 模块和 Timeline 模块，绘制地理图表

tmp = {} 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 = Timeline() for i in range(4, 10): tl.add(tmp[i], str(i)+'月')

tl.render('./各个城市销售量情况(含时间轴).html')

3.5 销售额环比

计算周的销售额环比

添加一列 'week'，表示下单时间的周数

data2['week'] = data2['下单时间'].dt.week

1 计算每一周的销售额

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

2 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，展示周的销售额环比

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

1、计算每月的销售额

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

2、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，展示月的销售额环比

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()

计算广州地区每周的销售额环比

筛选出城市为广州市的数据

data_gz = data2.loc[data2['city'] == '广州市', :]

添加一列 'week'，表示下单时间的周数

data_gz['week'] = data_gz['下单时间'].dt.week

1、计算每一周的销售额

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

2、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 # 销售额的周环比

绘制双Y轴图像，展示广州地区每周的销售额环比

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--广州地区')

ax2 = ax1.twinx() ax2.plot(tmp.index[1:], num.iloc[:-1, 0], 'b') ax2.set_ylabel('环比增长率') plt.show()

ind = data2['购买数量(个)'] == 1 data2['goods'] = data2['商品详情'].apply(lambda x: re.sub('[Xx]1[;,]?', '', x)) price_data = data2.loc[ind, ['goods', '总金额(元)']].drop_duplicates('goods')

new_data = pd.merge(new_goods_data, price_data, how='left', left_on='产品名称', right_on='goods') ind = new_data['goods'].isnull() tmp_sets = new_data.loc[ind, '产品名称'].unique() ind = data2['商品详情'].apply(lambda x: sum([i in x for i in tmp_sets])!=0) tmp = data2.loc[ind, :].apply(lambda x: ([i for i in tmp_sets if i in x['商品详情']], x['购买数量(个)'], x['总金额(元)']), axis=1) tmp = pd.DataFrame({'name':[i[0][0] for i in tmp], 'num':[i[1] for i in tmp], 'total_price': [i[2] for i in tmp]}) tmp['price'] = tmp['total_price']/tmp['num'] tmp2 = tmp.drop_duplicates('name')[['name', 'price']]

new_data = pd.merge(new_data, tmp2, how='left', left_on='产品名称', right_on='name') ind = new_data['总金额(元)'].isnull() new_data['单价'] = 0 new_data.loc[ind, '单价'] = new_data.loc[ind, 'price'].copy() new_data.loc[~ind, '单价'] = new_data.loc[~ind, '总金额(元)'].copy() ind = new_data['单价'].notnull() new_data = new_data.loc[ind, ['产品名称', '购买数量', '单价']] plt.hist(np.repeat(new_data['单价'], new_data['购买数量']), bins=50) plt.show()

指定单价区间

bins = pd.IntervalIndex.from_tuples([(0, 2), (2, 5), (5, 10), (10, 20), (20, 52)]) new_data['bins'] = pd.cut(new_data['单价'], bins) num = new_data[['bins', '购买数量']].groupby('bins').sum()

plt.bar(range(5), num['购买数量']) plt.title('不同价格区间的销售情况') plt.xlabel('价格区间') plt.ylabel('购买数量') plt.xticks(range(5), num.index) plt.show()

plt.pie(num['购买数量'], labels=num.index, autopct='%.2f %%') plt.title('不同价格区间的销售数量占比情况') plt.show()