具体分析报告地址
PowerBi网页版

数据

2020年5月25日京东大家电-家用电器-冰箱订单数据，按10%抽样，约22MB（70k+条数据）
包含信息：

user_log_acct --用户账号
parent_sale_ord_id --父订单号
sale_ord_id --订单号
sale_ord_tm --订单时间
sale_ord_dt --订单日期
item_sku_id --商品sku
item_name --商品名称
brandname --品牌名称
sale_qtty --商品数量
item_first_cate_name --一级品类名称
item_second_cate_name --二级品类名称
item_third_cate_name --一级品类名称
before_prefr_unit_price --优惠前单价
after_prefr_unit_price --优惠后单价
user_actual_pay_amount --实际支付价格
sale_ord_valid_flag --订单有效标志
cancel_flag --订单取消标志
check_account_tm --支付时间
total_offer_amount --总优惠金额
self_ord_flag --自营标志
user_site_city_id --用户所在城市编号
user_site_province_id–用户所在省份编号
user_lv_cd --用户会员等级

数据预处理

缺失值处理
用户城市和省份信息有部分缺失，猜测原因是部分用户隐藏了IP地址，不影响分析，可以用‘缺失值’代替
部分订单的订单时间是空值，原因是订单尚未支付，不影响分析，可以将其赋特殊值比如-1或者不处理

数据逻辑错误
有用户的城市ID为-1只有1个，影响不大可以删除
优惠前冰箱的最低价格为288，数据中存在大量的低价订单，其中绝大部分是保修、返现等无价值订单，一小部分是异常订单，可以忽略，只筛选出优惠前价格大于500的数据

import pandas as pd
import numpy as np
import matplotlib
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from matplotlib.ticker import FuncFormatter
plt.rcParams['font.sans-serif'] = ['KaiTi', 'SimHei', 'FangSong']

df=pd.read_csv('course_order_d.csv',sep='\t')
df.head()

#查看列名
df.columns

df.info()

#数据清洗
#数据类型转换
#缺失值和异常值处理
#优惠前冰箱的最低价格为288元，低于此价格的订单认为是异常订单  (df['before_prefr_unit_price']<288).sum() 为14252个
#用户的城市ID为-1删除，只有1个
df=df[(df['before_prefr_unit_price']>=288) & (df['user_site_city_id']!=-1)]
df.shape  #(62378, 23)

#查看重复订单数量
print(df["sale_ord_id"].duplicated().sum()) #843#去掉订单号重复的数据(这里京东的建议保留第一个)
df.drop_duplicates(subset=['sale_ord_id'],keep='first',inplace=True)
df.info()

城市、省份信息缺失，订单时间缺失部分订单的订单时间是空值，原因是订单尚未支付，可以将其赋特殊值比如Not Given

df.user_site_city_id.fillna('Not Given',inplace = True)
df.user_site_province_id.fillna('Not Given',inplace = True)
df.check_account_tm.fillna('Not Given',inplace = True)# 添加总价格列  等于 商品数量*优惠后单价
df['total_actual_pay']=df['sale_qtty']* df['after_prefr_unit_price']
df.head()

宏观分析

#取消订单数  17782
order_cancel=df[df.cancel_flag==1]['sale_ord_id'].count()
#总订单数  61535
order_num=df['sale_ord_id'].count()#df2只包含有效订单（sale_ord_valid_flag订单有效标志为1 且 cancel_flag订单取消标志为0 ）
df2=df.copy()
df2=df2[(df2['sale_ord_valid_flag']==1)&(df2['cancel_flag']==0)] #有效订单数量  33845
order_vaild=df2['sale_ord_id'].count()#支付订单数量 28768
order_payed=df2['sale_ord_id'][df2['user_actual_pay_amount']!=0].count()#未支付订单数量  5077
order_unpay=df2['sale_ord_id'][df2['user_actual_pay_amount']==0].count()#总销售额
total_sales = df2['user_actual_pay_amount'].sum()
# GMV：本实例中指所有有效订单的总交易额
GMV = df2['total_actual_pay'].sum()#总用户数
total_users = df['user_log_acct'].nunique()print('订单总数：',order_num)
print('取消订单数：',order_cancel)
print('有效订单总数：',order_vaild)
print('已支付订单：',order_payed)
print('总销售额：',total_sales)
print('GMV:',GMV)
print('总用户数：',total_users)

fig,axes = plt.subplots(1,2,figsize =(10,5),dpi=100)labels1=['取消','未取消']
X=[order_cancel,order_num-order_cancel]
axes[0].pie(X,labels=labels1,autopct='%1.2f%%',colors = ['#1a445d','#6490a9'],pctdistance = 1.3,startangle = 90)
axes[0].set_title("订单总数取消情况", fontsize=25)labels2=['支付','未支付']
Y=[order_payed,order_unpay]
axes[1].pie(Y,labels=labels2,autopct='%1.2f%%',colors = ['#1a445d','#6490a9'],pctdistance = 1.2,startangle = 90)
axes[1].set_title("有效订单数支付情况", fontsize=25)

优惠后单价累积分布图
通过整体的价格分布我们可以发现，约80%的订单在3000元以下。

price_series=df2['after_prefr_unit_price']
price_series.describe([0.25,0.5,0.7,0.75,0.8,0.85,0.9])

order_price = pd.DataFrame(df2.groupby('after_prefr_unit_price')['after_prefr_unit_price'].count())
order_price.columns = ['ord_price_qua']
order_price['price_rate_cum'] = (order_price['ord_price_qua']/(order_price['ord_price_qua'].sum())).cumsum()fig = plt.figure(figsize=(20,8),dpi=120)
ax = fig.add_subplot(111,fc='w')
ax.tick_params(labelsize=12,colors='k') #刻度字体大小12
plt.xlabel('优惠后单价',fontdict={'color':'k', 'size':18})def to_percent(temp,position):return '%1.1f'%(100*temp)+'%'plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))ax.plot(order_price.index,order_price['price_rate_cum'],color='#1a445d',linewidth=1.8)
ax.set_title("优惠后单价累积分布图", fontsize=25)
# 设置有边框和头部边框颜色为空right、top、left
[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]
plt.grid(color = "k", alpha=0.5,linewidth=0.5)

微观分析

时间维度

df3=df2.copy()
#提取小时
df3['order_time_hms']=df3['sale_ord_tm'].apply(lambda x:int(str(x).split(' ')[1][0:2]))
#每个小时订单数
pay_time_df=df3.groupby('order_time_hms')['sale_ord_id'].count()x=pay_time_df.index
y=pay_time_df.values fig = plt.figure(figsize=(20,8),dpi=120)
ax = fig.add_subplot(111,fc='w')
ax.tick_params(labelsize=12,colors='k') #刻度字体大小12
plt.xlabel('小时',fontdict={'color':'k', 'size':18})
plt.ylabel('有效订单量',fontdict={'color':'k', 'size':18})
plt.xticks(range(len(x)),x)
rect =ax.bar(x,y,width=0.5,color=['#6490a9'])
# 设置有边框和头部边框颜色为空right、top、left
[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]plt.grid(axis='y')

#小时订单数
order_time_df=df3.groupby('order_time_hms')['sale_ord_id'].agg([('order_num','count')])
#或order_time_df=df3.groupby('order_time_hms')['sale_ord_id'].agg(order_num='count')  #小时独立用户数
user_time_df=df3.groupby('order_time_hms')['user_log_acct'].agg(user_num='nunique')#独立用户人均下单数
order_num_per_user=order_time_df['order_num']/user_time_df['user_num']x=order_num_per_user.index
y=order_num_per_user.values
fig = plt.figure(figsize=(20,8),dpi=100)
ax = fig.add_subplot(1,1,1)
plt.tick_params(labelsize=14,colors='k')
plt.xlabel('小时',fontdict={'color':'k', 'size':18})
plt.ylabel('人均有效订单数',fontdict={'color':'k', 'size':18})
# 设置有边框和头部边框颜色为空right、top、left
[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]plt.xticks(range(len(x)),x)
plt.plot(x,y)
plt.grid(axis='y')

total_pay_time_df=df3.groupby('order_time_hms')['total_actual_pay'].agg(total_pay='sum')
#容单价：销售额/独立用户数
pay_per_user=total_pay_time_df['total_pay']/user_time_df['user_num']
#平均订单价：销售额/订单数
pay_per_order=total_pay_time_df['total_pay']/order_time_df['order_num']x=pay_per_user.index
y=pay_per_user.values
y2=pay_per_order.values fig = plt.figure(figsize=(20,8),dpi=100)
ax = fig.add_subplot(111)
plt.tick_params(labelsize=14,colors='k')
plt.xlabel('小时',fontdict={'color':'k', 'size':18})
plt.ylabel("价格",fontdict={'color':'k', 'size':18})
plt.xticks(range(len(x)),x)plt.plot(x,y,color='#1a445d',linewidth=2.0,linestyle='-')
plt.plot(x,y2,color='#6490a9',linewidth=3.0,linestyle='-.')
plt.legend(['客单价','平均订单价'])
# 设置有边框和头部边框颜色为空right、top、left
[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]
plt.grid(axis='y')

#每时间段优惠价格及优惠比例
offer_amount = df3.groupby('order_time_hms')['total_offer_amount'].sum() #计算优惠金额
offer_amount_rate=offer_amount.values/(df3.groupby('order_time_hms')['total_actual_pay'].sum())#每时间段优惠价格及优惠比例#绘图
x0 = offer_amount.index
y0 = offer_amount.values/pay_time_df.values #计算平均订单优惠价格x1 = offer_amount_rate.index
y1 = offer_amount_rate.valuesfig,axes = plt.subplots(1,2,figsize =(20,5),dpi=120)axes[0].plot(x0,y0,color='#1a445d')
axes[0].set_title("每单平均优惠价格", fontsize=25)
axes[0].grid()axes[1].plot(x1,y1,color='#1a445d')
axes[1].set_title("每单价格折扣比例", fontsize=25)
axes[1].grid()[axes[0].spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]
[axes[1].spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]
#将数值转化为百分比显示
def to_percent(temp,position):return'%1.2f'%(100*temp)+'%'
plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))

offer_order1=df3.groupby('order_time_hms')['sale_ord_id'].agg([('order_num','count')])
offer_order2=df3[df3['total_offer_amount']>0].groupby('order_time_hms')['sale_ord_id'].agg([('offer_num','count')])
offer_order=pd.merge(offer_order1,offer_order2,left_index=True,right_index=True)
offer_order['offer_rate']=offer_order['offer_num']/offer_order['order_num']fig = plt.figure(figsize=(20,8),dpi=100)
ax = fig.add_subplot(1,1,1)
plt.tick_params(labelsize=14,colors='k')
plt.xlabel('小时',fontdict={'color':'k', 'size':18})
plt.ylabel('优惠订单数占比',fontdict={'color':'k', 'size':18})
# 设置有边框和头部边框颜色为空right、top、left
[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]plt.xticks(range(len(offer_order.index)),offer_order.index)
plt.plot(offer_order.index,offer_order.offer_rate,color='#1a445d')
plt.grid(axis='y')
#将数值转化为百分比显示
def to_percent(temp,position):return'%1.2f'%(100*temp)+'%'
plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))

地区维度

area=pd.read_csv('city_level.csv',sep=',',encoding='gbk')
area.drop_duplicates(inplace=True)
area = area[["dim_province_name", "province_id"]].drop_duplicates("province_id")  # 只保留省份信息df4=df3.copy()
area['province_id']=area['province_id'].astype('object')
df4=pd.merge(df4, area, left_on='user_site_province_id', right_on='province_id',how='left')
df4['brandname']=df4['brandname'].str.split('（').str[0]
df4=df4[['user_log_acct','sale_ord_id','sale_qtty','total_actual_pay','dim_province_name','brandname','self_ord_flag', 'total_offer_amount']]

#有效订单量,排除省份名未知的，只有8917条有效数据
fig = plt.figure(figsize=(14,8),dpi=120)
ax = fig.add_subplot(111)pro_count=df4[df4.dim_province_name!='Not Given']['dim_province_name'].value_counts()
width=0.6
plt.ylabel('有效订单量',fontdict={'color':'k', 'size':18})# 设置有边框和头部边框颜色为空right、top、left
[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]plt.bar(pro_count.index,pro_count.values,width,color='#6490a9')
plt.grid(axis='y')

# 各省有效订单量占比
data=np.insert(pro_count.values[:19],0,pro_count.values[19:].sum())
label=np.insert(pro_count.index[:19],0,'其他')
plt.figure(figsize = (6,6),dpi=100)plt.pie(data,labels=label,autopct='%1.2f%%',pctdistance = 1.4)
plt.title("各省有效订单量占比", fontsize=20)

#订单量排前15省份客单价比较order_pro_df=df4[df4.dim_province_name.isin(pro_count.index[:15])]\.groupby('dim_province_name')\.agg({'sale_ord_id':'count','user_log_acct':'nunique','total_actual_pay':'sum'})order_pro_df.columns = ([('order_num'),('unique_acc'), ('total_pay')])
order_pro_df['price_per']=order_pro_df['total_pay']/order_pro_df['unique_acc']
order_pro_df.sort_values(['price_per'], ascending =True,inplace=True)fig = plt.figure(figsize=(10,5),dpi=100)
ax = fig.add_subplot(111)plt.xlabel('客单价',fontdict={'color':'k', 'size':18})
plt.ylabel('省份',fontdict={'color':'k', 'size':18})
plt.title('', fontsize=22)[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','bottom']]plt.barh(order_pro_df.index,order_pro_df['price_per'],color='#6490a9')
plt.grid(axis='x')

# 各省份的客单价和订单数量对比
x=order_pro_df.price_per
y=order_pro_df.order_numfig = plt.figure(figsize=(6,4),dpi=100)
ax = fig.add_subplot(111)plt.xlabel('客单价',fontdict={'color':'k', 'size':18})
plt.ylabel('订单数量',fontdict={'color':'k', 'size':18})[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]plt.scatter(x,y,c='#6490a9',s=800,alpha=0.6)
plt.grid()#添加散点图标签
for x0,y0,pro in zip(x,y,order_pro_df.index):plt.text(x0-30,y0-20,pro,fontsize=10)

地区+品牌维度

# 各品牌有效订单量
#各品牌有效订单量
df5= df4.groupby('brandname',as_index = False)['sale_ord_id'].count().sort_values('sale_ord_id',ascending = False)df5['rate'] = df5['sale_ord_id'] / (df5['sale_ord_id'].sum())
df5['rate_cum'] = df5['rate'].cumsum()x = df5['brandname']
y1 = df5['sale_ord_id']
y2 = df5['rate_cum']fig,ax1 = plt.subplots(figsize=(10,5))p1=ax1.bar(x,y1,color = '#6490a9',label='订单数量')
ax1.set_ylabel('有效订单数量')
ax1.set_xticklabels(x, rotation=90)
ax2 = ax1.twinx()
p2=ax2.plot(x,y2,color = '#1a445d',label='累计占比')ax2.set_ylabel('累计占比')plt.title('各品牌有效订单数量和累计占比',fontsize=20)
plt.grid(alpha =0.5)ax1.legend(loc='center right')
ax2.legend(bbox_to_anchor=[1,0.45])

df6=df4.groupby('brandname').agg({'sale_qtty':'sum','total_actual_pay':'sum'})
df6['per_price']=df6['total_actual_pay']/df6['sale_qtty']
df6.sort_values('per_price',ascending = False,inplace=True)fig = plt.figure(figsize=(18,8),dpi=120)
ax = fig.add_subplot(111)
width=0.5
plt.ylabel('不同品牌的产品单价',fontdict={'color':'k', 'size':12})# 设置有边框和头部边框颜色为空right、top、left
[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]ax.bar(df6.index,df6.per_price,width,color='#6490a9')
plt.grid(axis='y',alpha=0.5)

#各品牌的订单数量和平均优惠价格
bra_ord_price=pd.merge(df6,df5,on='brandname')x=bra_ord_price.rate
y=bra_ord_price.per_pricefig = plt.figure(figsize=(10,8),dpi=100)
ax = fig.add_subplot(111)plt.xlabel('市场占有率',fontdict={'color':'k', 'size':12})
plt.ylabel('市场平均价格',fontdict={'color':'k', 'size':12})[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]plt.scatter(x,y,c='#6490a9',s=500,alpha=0.6)
plt.grid()#添加散点图标签
for x0,y0,bra in zip(x,y,bra_ord_price.brandname):plt.text(x0-0.004,y0-20,bra,fontsize=10)

bra_offer=df4[df4['total_offer_amount']>0]\.groupby('brandname',as_index = False).agg({'total_offer_amount':'sum','sale_qtty':'sum','sale_ord_id':'count'})
#           .rename(columns=({'sale_ord_id':'offer_num'}))
bra_offer['per_offer']=bra_offer['total_offer_amount']/bra_offer['sale_ord_id']
bra_offer.head()

x=bra_offer.sale_ord_id
y=bra_offer.per_offerfig = plt.figure(figsize=(10,8),dpi=100)
ax = fig.add_subplot(111)plt.xlabel('订单数量',fontdict={'color':'k', 'size':10})
plt.ylabel('平均优惠价格',fontdict={'color':'k', 'size':10})[ax.spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]plt.scatter(x,y,c='#6490a9',s=500,alpha=0.6)
plt.grid()#添加散点图标签
for x0,y0,bra in zip(x,y,bra_offer.brandname):plt.text(x0-100,y0-10,bra,fontsize=10)

#头部省份：有效订单数量排前15名的身份
#品牌市场占有率：该省份品牌的订单数/该省份总订单数
pro=pro_count.index[:15]
pro_df = df4[df4['dim_province_name'].isin(pro)]\.groupby(['dim_province_name','brandname'],as_index=False)['sale_ord_id'].count()pro_df=pro_df.sort_values(['dim_province_name','sale_ord_id'],axis=0,ascending=[True,False])
pro_df1=pd.DataFrame(columns=pro_df.columns.to_list())
for i in pro_count.index[0:15]:pro_df1=pd.concat((pro_df1,pro_df[pro_df.dim_province_name==i][0:4]),axis=0)   pro_df1=pd.merge(pro_df1,pro_count,how='left',left_on='dim_province_name',right_index=True)
pro_df1['bra_rate']=pro_df1['sale_ord_id']/pro_df1['dim_province_name_y']
pro_df1=pro_df1.pivot(values ='bra_rate' ,columns ='brandname',index ='dim_province_name_x' )

pro_df1.plot(kind="bar",figsize=(16,8),title = '头部省份前四名的品牌在该省的市场占有率',width=0.8,stacked=True,grid=True) #计算累计占比并绘图'Blues_r'def to_percent(temp,position):return'%1.2f'%(100*temp)+'%'
plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))plt.legend(bbox_to_anchor=(1,0.5), loc='center left', borderaxespad=2)
plt.xlabel('')

#头部品牌顶单数占比前4的省份
#头部品牌：有效订单数量排前6名的品牌
#品牌市场占有率：该省份品牌的订单数/该品牌总订单数（总数排除省份未填的订单数）
brand=['海尔','容声','美的','康佳','志高','海信']
df4.dim_province_name.fillna('Not Given',inplace=True)df7=df4[(df4.dim_province_name!='Not Given')&(df4.brandname.isin(brand))]
bra_df = df7.groupby(['dim_province_name','brandname'],as_index=False)['sale_ord_id'].count()
bra_num=df7.groupby('brandname')['sale_ord_id'].count()
bra_df=pd.merge(bra_df,bra_num,left_on='brandname',right_index=True,how='left')
bra_df['bra_rate']=bra_df['sale_ord_id_x']/bra_df['sale_ord_id_y']
bra_df.sort_values(['brandname','bra_rate'],ascending=[True,False],inplace=True)bra_df1=pd.DataFrame(columns=bra_df.columns.to_list())
for i in bra_df.brandname.unique():  #pro_count.index[1:15]bra_df1=pd.concat((bra_df1,bra_df[bra_df.brandname==i][0:4]),axis=0)
bra_df1bra_df1=bra_df1.pivot(values ='bra_rate' ,columns ='dim_province_name',index ='brandname' )

bra_df1.plot(kind="bar",figsize=(16,8),title = '头部品牌市场占有率排前四名的省份',stacked=True,grid=True) #计算累计占比并绘图'Blues_r'def to_percent(temp,position):return'%1.2f'%(100*temp)+'%'
plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))plt.legend(bbox_to_anchor=(1,0.5), loc='center left', borderaxespad=2)
plt.xlabel('')

自营/非自营+品牌

#自营和非自营的有效订单占比
self_df=df4.groupby('self_ord_flag',as_index=False)\.agg({'user_log_acct':'nunique','sale_ord_id':'count','total_actual_pay':'sum','total_offer_amount':'sum'})#客单价
self_df['acc_price']=self_df['total_actual_pay']/self_df['user_log_acct']
#平均优惠价格
self_df['offer_price']=self_df['total_offer_amount']/self_df['sale_ord_id']
self_df['self_ord_flag']=self_df['self_ord_flag'].map({0:'非自营',1:'自营'})

fig,axes = plt.subplots(1,3,figsize =(21,7),dpi=120)labels1=self_df.self_ord_flag
X=self_df.sale_ord_id
axes[0].pie(X,labels=labels1,autopct='%1.2f%%',colors = ['#6490a9','#1a445d'],pctdistance = 1.3,startangle = 90)
axes[0].set_title('自营和非自营的有效订单占比', fontsize=20)axes[1].bar(self_df.self_ord_flag,self_df.acc_price,color=['#6490a9','#1a445d'])
axes[1].grid(axis='y')
axes[1].set_title('自营和非自营订单的客单价对比', fontsize=20)
[axes[1].spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]axes[2].bar(self_df.self_ord_flag,self_df.offer_price,color=['#6490a9','#1a445d'])
axes[2].grid(axis='y')
axes[2].set_title('自营和非自营订单的平均优惠价格对比', fontsize=20)
[axes[2].spines[loc_axis].set_visible(False) for loc_axis in ['top','right','left']]

# 从品牌的角度来看，非自营商铺的订单主要集中于价格较低的品牌
#自营和非自营的有效订单占比
self_bra=df4.groupby(['self_ord_flag','brandname'],as_index=False)['sale_ord_id'].count()\.sort_values(['self_ord_flag','sale_ord_id'],axis=0,ascending=[True,False])
self_bra['self_ord_flag']=self_bra['self_ord_flag'].map({0:'非自营',1:'自营'})
self_bra=pd.merge(self_bra,self_df[['self_ord_flag','sale_ord_id']],on='self_ord_flag')
self=['自营','非自营']self_bra1=pd.DataFrame(columns=self_bra.columns.to_list())
for i in self:self_bra1=pd.concat((self_bra1,self_bra[self_bra.self_ord_flag==i][0:5]),axis=0)
self_bra1['ord_rate']=self_bra1['sale_ord_id_x']/self_bra1['sale_ord_id_y']self_bra2=self_bra1[self_bra1['self_ord_flag']=='自营'].sort_values('ord_rate')
self_bra3=self_bra1[self_bra1['self_ord_flag']=='非自营'].sort_values('ord_rate')fig,axes = plt.subplots(1,2,figsize =(14,5),dpi=120)axes[0].set_title('自营订单数量排名前五的品牌', fontsize=22)
[axes[0].spines[loc_axis].set_visible(False) for loc_axis in ['top','right','bottom']]
axes[0].barh(self_bra2.brandname,self_bra2['ord_rate'],color='#6490a9')
axes[0].grid(axis='x')
def to_percent(temp,position):return'%1.2f'%(100*temp)+'%'
plt.gca().xaxis.set_major_formatter(FuncFormatter(to_percent))axes[1].set_title('非自营订单数量排名前五的品牌', fontsize=22)
[axes[1].spines[loc_axis].set_visible(False) for loc_axis in ['top','right','bottom']]
axes[1].barh(self_bra3.brandname,self_bra3['ord_rate'],color='#6490a9')
axes[1].grid(axis='x')

冰箱日订单数据分析(京东）python代码相关推荐

冰箱日订单数据分析报告(京东）
数据来源 2020年5月25日京东大家电-家用电器-冰箱订单数据,按10%抽样,约22MB(70k+条数据) 订单数据分析的基本思路宏观分析宏观把握订单的总体特征订单总量:61535 GMV:6 ...
居然在 Bloody Monday 这部日剧里看到 Python 代码了
看到一位 Pythoner 在博客里推荐了 Bloody Monday, 就看了几集,没想到看到好多的 Python 代码特写镜头... 不能不说这部片子拍的很认真,虽然剧情太俗套,但是作为首部出现 ...
python盘点订单_在线超市-Ulabox订单数据分析（python）
摘要本次实践案例利用数据kaggle数据进行分析.链接如下该数据集为西班牙在线杂货店Ulabox订单数据,数据集包括匿名的子集30K订单从2017年开始的所有类型的客户.整个分析分为五个步骤:&q ...
手把手教你用直方图、饼图和条形图做数据分析（Python代码）
导读:对数据进行质量分析以后,接下来可通过绘制图表.计算某些特征量等手段进行数据的特征分析. 其中,分布分析能揭示数据的分布特征和分布类型.本文就手把手教你做分布分析. 作者:张良均谭立云刘名军 ...
python股票直方图代码_手把手教你用直方图、饼图和条形图做数据分析（Python代码）...
云栖号资讯:[点击查看更多行业资讯] 在这里您可以找到不同行业的第一手的上云资讯,还在等什么,快来! 导读:对数据进行质量分析以后,接下来可通过绘制图表.计算某些特征量等手段进行数据的特征分析. 其中 ...
美团差评数据分析，python代码实现
文章目录明确问题理解数据处理数据异常值处理标签处理新增计算列数据分析分析思路描述性分析探索性分析送达总时长时间过长,导致的差评骑手个人行为导致的差评商户行为导致的差评其他评 ...
python银行信贷风险分析_Lending Club贷款数据分析（python代码）
背景目的数据集获取数据处理一.背景公司背景 Lending Club 创立于2006年,主营业务是为市场提供P2P贷款的平台中介服务,公司总部位于旧金山. 公司在运营初期仅提供个人贷款服务, ...
python 京东_Python数据分析-京东订单数据分析实战
本次数据来源于京东,类目为大家电-家用电器-冰箱,抽取2020年5月25日10%数据,数据量为 70k+,在 jupyer notebook 内进行分析. 数据文件: 链接:迅雷云盘:提取码:ezQq ...
【2023年第十一届泰迪杯数据挖掘挑战赛】B题：产品订单的数据分析与需求预测建模及python代码详解问题一
相关链接 [2023年第十一届泰迪杯数据挖掘挑战赛]B题:产品订单的数据分析与需求预测建模及python代码详解问题一 [2023年第十一届泰迪杯数据挖掘挑战赛]B题:产品订单的数据分析与需求预测 ...

冰箱日订单数据分析(京东）python代码

数据