### 商品每月销售统计的Python实现 以下是基于提供的引用内容以及专业知识设计的一个完整的 Python 实现方案，用于计算商品每月的销售总数量、总金额及平均单价。 #### 数据准备与处理逻辑 假设原始数据存储在一个 CSV 文件中，文件结构如下： | 销售时间 | 商品名称 | 单价 | 数量 | |----------------|-------------|---------|------| | 2023-01-05 | 商品A | 10 | 5 | | 2023-01-15 | 商品B | 20 | 3 | 通过 Pandas 库加载并整理数据后，可以按月份聚合统计数据。具体代码实现如下： ```python import pandas as pd # 假设数据来源于CSV文件 data = { "销售时间": ["2023-01-05", "2023-01-15", "2023-02-05"], "商品名称": ["商品A", "商品B", "商品C"], "单价": [10, 20, 15], "数量": [5, 3, 8] } df = pd.DataFrame(data) # 将"销售时间"列转换为日期格式，并提取年份和月份 df["销售时间"] = pd.to_datetime(df["销售时间"]) df["年月"] = df["销售时间"].dt.strftime("%Y-%m") # 计算每笔交易的销售额 df["销售额"] = df["单价"] * df["数量"] # 按照"年月"进行分组汇总 monthly_stats = ( df.groupby("年月") .agg( 总数量=("数量", "sum"), # 统计每个月的总销售数量 总金额=("销售额", "sum"), # 统计每个月的总销售额 平均单价=("单价", "mean") # 计算每个月的平均单价 ) .reset_index() ) print(monthly_stats) ``` 上述代码实现了以下功能： 1. **数据预处理**：将 `销售时间` 转换为日期格式，并创建一个新的字段 `年月` 表示每年的月份[^1]。 2. **新增销售额列**：利用单价乘以数量得到每次交易的具体销售额[^2]。 3. **按月聚合**：通过对 `年月` 字段进行分组操作，分别求得该时间段内的总销售数量、总金额以及平均单价[^3]。 最终输出结果类似于下表所示形式： | 年月 | 总数量 | 总金额 | 平均单价 | |--------|--------|--------|----------| | 2023-01 | 8 | 110 | 17.5 | | 2023-02 | 8 | 120 | 15.0 | 此方法能够高效完成所需的任务需求。