📈

数据分析技术

Python商业数据分析入门课程 - 从零开始掌握数据分析核心技能

📚 学习进度 0 / 10 题

1数据分析概述

🎯 什么是商业数据分析？

商业数据分析是指运用统计学、数据挖掘等方法，对企业经营数据进行分析，从中发现规律、预测趋势，为商业决策提供数据支持的过程。

核心流程：

  1. 明确问题 - 确定分析目标和业务问题
  2. 数据采集 - 收集相关数据（数据库、Excel、API等）
  3. 数据清洗 - 处理缺失值、异常值、重复数据
  4. 数据分析 - 运用统计方法和工具进行分析
  5. 数据可视化 - 将分析结果以图表形式呈现
  6. 结论输出 - 形成分析报告，提供决策建议

🛠️ Python数据分析工具库

Python是数据分析领域最流行的编程语言，拥有丰富的第三方库：

  • NumPy - 数值计算基础库，提供高效的多维数组操作
  • Pandas - 数据处理与分析的核心库，提供DataFrame数据结构
  • Matplotlib - 基础数据可视化库
  • Seaborn - 基于Matplotlib的高级可视化库
# 导入常用数据分析库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

2Pandas数据处理基础

📊 DataFrame - 数据分析的核心

DataFrame是Pandas中最重要的数据结构，类似于Excel表格，由行和列组成。

# 创建DataFrame
import pandas as pd

# 从字典创建
data = {
    '姓名': ['张三', '李四', '王五'],
    '年龄': [25, 30, 28],
    '销售额': [15000, 22000, 18000]
}
df = pd.DataFrame(data)
print(df)

🔍 常用数据查看方法

df.head()      # 查看前5行
df.tail()      # 查看后5行
df.shape       # 查看数据形状 (行数, 列数)
df.info()      # 查看数据信息
df.describe()  # 统计描述
df.columns     # 查看列名

✂️ 数据筛选与过滤

# 筛选单列
df['姓名']

# 筛选多列
df[['姓名', '销售额']]

# 条件筛选
df[df['销售额'] > 16000]  # 销售额大于16000的记录

# 多条件筛选
df[(df['销售额'] > 16000) & (df['年龄'] < 30)]

3数据清洗与预处理

🧹 处理缺失值

真实数据往往存在缺失值，需要进行处理：

# 查看缺失值
df.isnull().sum()

# 删除含有缺失值的行
df.dropna()

# 用均值填充缺失值
df['销售额'].fillna(df['销售额'].mean())

# 用特定值填充
df['类别'].fillna('未知')

🔄 数据类型转换

# 转换数据类型
df['年龄'] = df['年龄'].astype('int')
df['日期'] = pd.to_datetime(df['日期'])

# 删除重复值
df.drop_duplicates()

# 重命名列
df.rename(columns={'旧名': '新名'})

4数据统计分析

📐 基础统计量

df['销售额'].mean()    # 平均值
df['销售额'].median()   # 中位数
df['销售额'].sum()      # 总和
df['销售额'].max()      # 最大值
df['销售额'].min()      # 最小值
df['销售额'].std()      # 标准差

📊 分组统计 - groupby

按照某一列进行分组，然后对每组进行统计：

# 按类别分组，计算每组销售额的平均值
df.groupby('类别')['销售额'].mean()

# 多列分组
df.groupby(['类别', '地区'])['销售额'].agg(['mean', 'sum', 'count'])

5数据可视化入门

📈 常用图表类型

import matplotlib.pyplot as plt

# 柱状图
df['销售额'].plot(kind='bar')
plt.show()

# 折线图
df['销售额'].plot(kind='line')
plt.show()

# 饼图
df['类别'].value_counts().plot(kind='pie')
plt.show()

6编程练习题

请根据题目要求编写Python代码，完成后点击查看参考答案。

1 创建销售数据DataFrame

创建一个包含以下销售数据的DataFrame：张三销售额15000元，李四销售额22000元，王五销售额18000元，赵六销售额25000元。然后筛选出销售额大于18000元的员工。

💡 提示：使用pd.DataFrame()创建数据，然后用条件筛选df[df['列名'] > 值]

✅ 参考答案

import pandas as pd

# 创建DataFrame
data = {
    '姓名': ['张三', '李四', '王五', '赵六'],
    '销售额': [15000, 22000, 18000, 25000]
}
df = pd.DataFrame(data)

# 筛选销售额大于18000的员工
result = df[df['销售额'] > 18000]
print(result)

解析：首先用字典创建数据，然后用pd.DataFrame()转换为DataFrame。筛选时使用布尔索引 df['销售额'] > 18000，返回True的行会被保留。

2 计算销售统计指标

给定销售数据 [12000, 15000, 18000, 22000, 25000, 28000, 30000]，计算平均销售额、最高销售额、最低销售额，并找出超过平均值的销售记录。

💡 提示：使用NumPy数组进行计算，mean()求平均，max()求最大，min()求最小

✅ 参考答案

import numpy as np

sales = np.array([12000, 15000, 18000, 22000, 25000, 28000, 30000])

# 计算统计指标
mean_sales = sales.mean()
max_sales = sales.max()
min_sales = sales.min()

print(f"平均销售额: {mean_sales}")
print(f"最高销售额: {max_sales}")
print(f"最低销售额: {min_sales}")

# 找出超过平均值的记录
above_average = sales[sales > mean_sales]
print(f"超过平均值的销售: {above_average}")

解析：将列表转换为NumPy数组后，可以直接调用.mean()、.max()、.min()方法。布尔索引 sales > mean_sales 会返回一个布尔数组，再用它筛选原数组。

3 处理缺失值

给定一个包含缺失值的销售数据DataFrame，包含列：日期、销售额、地区。其中部分销售额为缺失值。请用该列的平均值填充缺失值，然后按地区分组计算平均销售额。

💡 提示：fillna()填充缺失值，groupby()分组统计

✅ 参考答案

import pandas as pd
import numpy as np

data = {
    '日期': ['2024-01', '2024-01', '2024-02', '2024-02', '2024-03'],
    '销售额': [15000, np.nan, 22000, np.nan, 18000],
    '地区': ['华南', '华南', '华北', '华北', '华南']
}
df = pd.DataFrame(data)

# 用平均值填充缺失值
df['销售额'] = df['销售额'].fillna(df['销售额'].mean())

# 按地区分组计算平均销售额
region_avg = df.groupby('地区')['销售额'].mean()
print(region_avg)

解析：fillna()方法可以填充缺失值，传入该列的均值即可。groupby('地区')按地区分组后，用.mean()计算每组的平均值。

4 数据排序与排名

有一个包含产品名称、销售额、利润的数据集。请按销售额降序排列，并为每个产品添加利润排名列（利润最高的排名为1）。

💡 提示：sort_values()排序，rank()排名

✅ 参考答案

import pandas as pd

data = {
    '产品': ['产品A', '产品B', '产品C', '产品D', '产品E'],
    '销售额': [50000, 35000, 42000, 28000, 55000],
    '利润': [12000, 8000, 15000, 5000, 18000]
}
df = pd.DataFrame(data)

# 按销售额降序排列
df_sorted = df.sort_values('销售额', ascending=False)

# 添加利润排名（降序，利润最高的排名为1）
df_sorted['利润排名'] = df_sorted['利润'].rank(ascending=False)

print(df_sorted)

解析：sort_values()默认升序，设置ascending=False实现降序。rank()默认升序排名，ascending=False让最大值排名为1。

5 多条件筛选与统计

给定员工数据，包含姓名、部门、工龄、月薪。请筛选出：工龄大于2年且月薪低于8000的员工，计算这部分员工的平均月薪和人数。

💡 提示：多条件用 & 连接，每个条件用括号括起来

✅ 参考答案

import pandas as pd

data = {
    '姓名': ['张三', '李四', '王五', '赵六', '孙七', '周八'],
    '部门': ['销售', '技术', '销售', '技术', '销售', '技术'],
    '工龄': [1, 3, 5, 2, 4, 6],
    '月薪': [6000, 9000, 7500, 8500, 7000, 12000]
}
df = pd.DataFrame(data)

# 筛选工龄>2且月薪<8000的员工
filtered = df[(df['工龄'] > 2) & (df['月薪'] < 8000)]

# 计算平均月薪和人数
avg_salary = filtered['月薪'].mean()
count = len(filtered)

print(f"符合条件的员工人数: {count}")
print(f"平均月薪: {avg_salary:.2f}")
print(filtered)

解析：多条件筛选时，每个条件要用括号括起来，条件之间用 &（与）或 |（或）连接。len()可以获取DataFrame的行数。

6 分组聚合分析

有一份销售数据，包含月份、产品类别、销售额。请按产品类别分组，计算每个类别的总销售额、平均销售额、销售次数，并找出销售额最高的类别。

💡 提示：agg()可以进行多聚合操作，idxmax()找最大值索引

✅ 参考答案

import pandas as pd

data = {
    '月份': ['1月', '1月', '2月', '2月', '3月', '3月'],
    '产品类别': ['电子产品', '服装', '电子产品', '服装', '电子产品', '服装'],
    '销售额': [50000, 30000, 55000, 28000, 60000, 35000]
}
df = pd.DataFrame(data)

# 按类别分组聚合
category_stats = df.groupby('产品类别')['销售额'].agg(['sum', 'mean', 'count'])
category_stats.columns = ['总销售额', '平均销售额', '销售次数']
print(category_stats)

# 找出总销售额最高的类别
top_category = category_stats['总销售额'].idxmax()
print(f"销售额最高的类别: {top_category}")

解析：agg()可以同时计算多个统计量，传入列表['sum', 'mean', 'count']。idxmax()返回最大值对应的索引，即销售额最高的类别名称。

7 数据合并与关联

有两张表：员工表（员工ID、姓名、部门ID）和部门表（部门ID、部门名称、部门预算）。请将两张表合并，显示每个员工的姓名、部门名称和部门预算。

💡 提示：merge()合并数据，on指定关联键

✅ 参考答案

import pandas as pd

employees = {
    '员工ID': [1, 2, 3, 4],
    '姓名': ['张三', '李四', '王五', '赵六'],
    '部门ID': ['D01', 'D02', 'D01', 'D03']
}
df_emp = pd.DataFrame(employees)

departments = {
    '部门ID': ['D01', 'D02', 'D03'],
    '部门名称': ['销售部', '技术部', '财务部'],
    '部门预算': [500000, 800000, 300000]
}
df_dept = pd.DataFrame(departments)

# 合并两张表
merged = pd.merge(df_emp, df_dept, on='部门ID')

# 选择需要的列
result = merged[['姓名', '部门名称', '部门预算']]
print(result)

解析：merge()类似SQL的JOIN操作，on参数指定关联键。合并后选择需要的列即可。默认是内连接（inner join），只保留匹配的记录。

8 时间序列分析

有一份按月统计的销售额数据。请计算每个月的环比增长率和同比增长率（假设数据为2023年和2024年各12个月），并找出增长率最高的月份。

💡 提示：shift()获取前一行数据，pct_change()计算百分比变化

✅ 参考答案

import pandas as pd

data = {
    '月份': pd.date_range('2024-01', periods=12, freq='M'),
    '销售额': [100, 120, 110, 130, 140, 135, 150, 160, 155, 170, 180, 190]
}
df = pd.DataFrame(data)

# 计算环比增长率
df['环比增长率'] = df['销售额'].pct_change() * 100

# 找出增长率最高的月份
max_growth_idx = df['环比增长率'].idxmax()
max_growth_month = df.loc[max_growth_idx, '月份']
max_growth_rate = df.loc[max_growth_idx, '环比增长率']

print(df)
print(f"增长率最高的月份: {max_growth_month.strftime('%Y-%m')}")
print(f"增长率: {max_growth_rate:.2f}%")

解析：pct_change()计算当前行与前一行的百分比变化，即环比增长率。idxmax()找到最大值的索引，再用loc定位具体月份。

9 数据透视表

有一份销售数据，包含销售员、产品类别、季度、销售额。请创建数据透视表，显示每个销售员在每个季度的销售额，并计算每个销售员的总销售额。

💡 提示：pivot_table()创建透视表，margins=True添加汇总

✅ 参考答案

import pandas as pd

data = {
    '销售员': ['张三', '张三', '李四', '李四', '王五', '王五'],
    '产品类别': ['电子', '服装', '电子', '服装', '电子', '服装'],
    '季度': ['Q1', 'Q2', 'Q1', 'Q2', 'Q1', 'Q2'],
    '销售额': [50000, 30000, 45000, 35000, 60000, 25000]
}
df = pd.DataFrame(data)

# 创建数据透视表
pivot = df.pivot_table(
    values='销售额',
    index='销售员',
    columns='季度',
    aggfunc='sum',
    margins=True,
    margins_name='总计'
)
print(pivot)

解析：pivot_table()参数：values是要聚合的数据，index是行标签，columns是列标签，aggfunc是聚合函数。margins=True会在行列末尾添加汇总。

10 综合实战：销售数据分析

给定一份完整的销售数据（包含日期、产品、地区、销售额、成本），请完成以下分析： 1. 计算每个产品的利润（销售额-成本）和利润率（利润/销售额） 2. 找出利润率最高的产品 3. 按地区统计总销售额和平均利润率 4. 筛选出利润率高于20%且销售额超过50000的记录

💡 提示：先计算利润相关列，再进行分组和筛选

✅ 参考答案

import pandas as pd

data = {
    '日期': ['2024-01-15', '2024-02-20', '2024-03-10', '2024-01-25', '2024-02-15'],
    '产品': ['产品A', '产品B', '产品A', '产品C', '产品B'],
    '地区': ['华南', '华北', '华南', '华东', '华北'],
    '销售额': [60000, 80000, 55000, 45000, 70000],
    '成本': [40000, 50000, 35000, 38000, 45000]
}
df = pd.DataFrame(data)

# 1. 计算利润和利润率
df['利润'] = df['销售额'] - df['成本']
df['利润率'] = (df['利润'] / df['销售额']) * 100

# 2. 找出利润率最高的产品
product_profit = df.groupby('产品')['利润率'].mean()
top_product = product_profit.idxmax()
print(f"利润率最高的产品: {top_product}")

# 3. 按地区统计
region_stats = df.groupby('地区').agg({
    '销售额': 'sum',
    '利润率': 'mean'
})
print(region_stats)

# 4. 筛选高利润高销售额记录
high_performers = df[(df['利润率'] > 20) & (df['销售额'] > 50000)]
print(high_performers)

解析：这是一道综合题，涉及列计算、分组聚合、条件筛选。关键是先计算利润相关列，然后逐步进行分析。agg()可以同时对多列进行不同的聚合操作。

🎉 恭喜完成所有练习！

你已经掌握了Python数据分析的基础技能。继续加油，探索更多数据分析的奥秘！