好的，我们将使用Python完成整个分析过程。以下是完整的Python代码实现，包括数据预处理、统计处理、数据分析与可视化、以及用户画像与促销策略分析。 首先，我们需要确保已经安装了必要的库： ```bash pip install pandas matplotlib seaborn openpyxl ``` 接下来，我们编写完整的Python脚本： ```python import pandas as pd import matplotlib.pyplot as plt import seaborn as sns # 读取CSV文件 file_path = '某超市的销售数据.csv' df = pd.read_csv(file_path) # 数据预处理与规约处理 def preprocess_data(df): # 将销售日期转换为日期格式 df['销售日期'] = pd.to_datetime(df['销售日期'], format='%Y%m%d') # 删除含有负数销售数量或销售金额的异常值 df = df[(df['销售数量'] >= 0) & (df['销售金额'] >= 0)] # 检查并处理缺失值（如果有） df.dropna(subset=['销售数量', '销售金额'], inplace=True) return df df = preprocess_data(df) # 数据统计处理 def statistical_processing(df): # 统计各大类商品的销售金额 category_sales = df.groupby('大类名称')['销售金额'].sum().reset_index() # 统计各中类商品的促销和非促销销售金额 subcategory_sales = df.groupby(['中类名称', '是否促销'])['销售金额'].sum().unstack().fillna(0).reset_index() # 统计生鲜类产品和一般产品的每周销售金额 weekly_sales = df.groupby([pd.Grouper(key='销售日期', freq='W'), '商品类型'])['销售金额'].sum().unstack().fillna(0) # 统计每位顾客每月的消费额及消费天数 customer_monthly_spending = df.groupby(['顾客编号', df['销售日期'].dt.to_period('M')]).agg({ '销售金额': 'sum', '销售日期': 'nunique' }).reset_index() customer_monthly_spending.columns = ['顾客编号', '销售月份', '月消费金额', '消费天数'] return category_sales, subcategory_sales, weekly_sales, customer_monthly_spending category_sales, subcategory_sales, weekly_sales, customer_monthly_spending = statistical_processing(df) # 数据分析与可视化 def data_analysis_and_visualization(df, weekly_sales): # 绘制生鲜类商品和一般商品每天销售金额的折线图 daily_sales = df.groupby([df['销售日期'].dt.date, '商品类型'])['销售金额'].sum().unstack().fillna(0) plt.figure(figsize=(14, 7)) daily_sales.plot(kind='line') plt.title('生鲜类商品和一般商品每天销售金额折线图') plt.xlabel('日期') plt.ylabel('销售金额(元)') plt.legend(title='商品类型') plt.show() # 按月绘制各大类商品销售金额的占比饼图 monthly_sales = df.groupby([df['销售日期'].dt.to_period('M'), '大类名称'])['销售金额'].sum().unstack().fillna(0) for month, sales_by_category in monthly_sales.iterrows(): plt.figure(figsize=(10, 6)) plt.pie(sales_by_category, labels=sales_by_category.index, autopct='%1.1f%%', startangle=140) plt.title(f'{month}各大类商品销售金额占比饼图') plt.show() # 绘制促销商品和非促销商品销售金额的周环比增长率柱状图 promotion_sales = df[df['是否促销'] == '是'].groupby(pd.Grouper(key='销售日期', freq='W'))['销售金额'].sum() non_promotion_sales = df[df['是否促销'] == '否'].groupby(pd.Grouper(key='销售日期', freq='W'))['销售金额'].sum() promotion_growth_rate = promotion_sales.pct_change() * 100 non_promotion_growth_rate = non_promotion_sales.pct_change() * 100 promotion_growth_rate.dropna(inplace=True) non_promotion_growth_rate.dropna(inplace=True) plt.figure(figsize=(14, 7)) plt.bar(promotion_growth_rate.index, promotion_growth_rate, label='促销商品', alpha=0.7) plt.bar(non_promotion_growth_rate.index, non_promotion_growth_rate, label='非促销商品', alpha=0.7) plt.title('促销商品和非促销商品销售金额周环比增长率柱状图') plt.xlabel('周') plt.ylabel('增长率(%)') plt.legend() plt.show() data_analysis_and_visualization(df, weekly_sales) # 用户画像与促销策略 def user_profile_and_promotion_analysis(customer_monthly_spending, df): # 选取累计消费最高的前三名顾客 top_customers = customer_monthly_spending.groupby('顾客编号').agg({'月消费金额': 'sum'}).sort_values(by='月消费金额', ascending=False).head(3) print("累计消费前3的顾客：") print(top_customers) # 分析各大类商品的销售情况，总结其销售规律，分析促销对商品销售的影响 sales_summary = df.groupby(['大类名称', '是否促销'])['销售金额'].sum().unstack().fillna(0) print("\n各大类商品的销售情况：") print(sales_summary) # 绘制促销和非促销销售金额的对比图 plt.figure(figsize=(10, 6)) sales_summary.plot(kind='bar', stacked=True) plt.title('各大类商品促销与非促销销售金额对比') plt.xlabel('大类名称') plt.ylabel('销售金额(元)') plt.show() user_profile_and_promotion_analysis(customer_monthly_spending, df) # 撰写项目分析报告（这部分可以通过Markdown或Word手动完成，或者使用Python生成报告） report_content = """ # 超市销售数据分析报告 ## 一、数据预处理与规约处理 1. **缺失值处理**：删除含有负数销售数量或销售金额的异常值。 2. **异常值处理**：确保所有数值字段合理，删除异常值。 3. **规约处理**：将`销售日期`转换为日期格式，方便后续的时间序列分析。 ## 二、数据统计处理 1. **各大类商品销售金额统计** 2. **各中类商品促销和非促销销售金额统计** 3. **生鲜类产品和一般产品每周销售金额统计** 4. **每位顾客每月的消费额及消费天数统计** ## 三、数据分析与可视化 1. **生鲜类商品和一般商品每天销售金额的折线图** 2. **各大类商品销售金额占比饼图（按月）** 3. **促销商品和非促销商品销售金额周环比增长率柱状图** ## 四、用户画像与促销策略 1. **累计消费前3的顾客画像** 2. **各大类商品销售情况及促销影响分析** ## 五、总结与建议 根据上述分析，提出具体的经营策略调整建议。 """ with open('supermarket_sales_analysis_report.md', 'w', encoding='utf-8') as f: f.write(report_content) print("项目分析报告已生成至'supermarket_sales_analysis_report.md'") ``` 这段代码涵盖了从数据预处理到最终生成报告的所有步骤。具体来说： 1. **数据预处理与规约处理**：删除负数销售数量和销售金额的异常记录，处理缺失值。 2. **数据统计处理**：统计各大类商品的销售金额、各中类商品的促销和非促销销售金额、生鲜类和一般产品的每周销售金额、每位顾客每月的消费额及消费天数。 3. **数据分析与可视化**：绘制相关图表以直观展示销售数据的趋势和比例。 4. **用户画像与促销策略**：分析高价值顾客的行为特征，并评估促销活动对销售的影响。 5. **撰写项目分析报告**：生成Markdown格式的报告文件。 请确保在运行此代码之前，已经正确设置了文件路径并且CSV文件存在于指定位置。如果有任何进一步的需求或调整，请随时告知。