数据分析实例——医院销售数据分析

1 序言

数据分析的基本步骤是：提出问题——理解数据——数据清洗——构建模型——数据可视化。本文基于Python中的Pandas包，对某医院销售数据进行分析。

2 分析目的

根据原始销售数据，分析月均消费次数、月均消费金额、客单价、消费趋势4个业务指标。

3 理解数据

首先导入销售数据表：

# 导入pandas包，从文件读取Excel数据
import pandas as pd
fileNameStr='./朝阳医院2018年销售数据.xlsx'
xls = pd.ExcelFile(fileNameStr, dtype='object')
salesDf = xls.parse('Sheet1',dtype='object')
# 查看数据基本信息
salesDf.head()

# 查看数据集大小
salesDf.shape
(6578, 7)
# 查看数据类型
salesDf.dtypes
购药时间 object
社保卡号 object
商品编码 object
商品名称 object
销售数量 object
应收金额 object
实收金额 object
dtype: object

4 数据清洗

数据清洗的一般步骤包括：选择子集—列名重命名—缺失数据处理—数据类型转换—数据排序—异常值处理。下面将通过此例逐步实践上述过程。

1） 选择子集

本案例数据集能够满足分析要求，不需要选择子集。

2） 列名重命名

#创建旧列名和新列名对应关系，并在原数据框中进行重命名
colNameDict = {'购药时间':'销售时间'}
salesDf.rename(columns = colNameDict,inplace=True)
salesDf.head()

3） 缺失数据处理

pandas使用浮点值NaN表示浮点和非浮点数组里的缺失数据，可以用isnull()和notnull()函数来判断缺失情况。

对于缺失数据的一般处理方法是删除或者填充。本例对缺失数据进行删除处理。

print('删除缺失值前大小',salesDf.shape)
删除缺失值前大小 (6578, 7)
# 删除列（销售时间，社保卡号）中为空的行
salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')
print('删除缺失后大小',salesDf.shape)
删除缺失后大小 (6575, 7)

4） 数据类型转换

读取数据时是按照字符串格式读取的，需要将数据列从字符串格式转换为数值型。

#字符串转换为数值（浮点型）
salesDf['销售数量'] = salesDf['销售数量'].astype('float')
salesDf['应收金额'] = salesDf['应收金额'].astype('float')
salesDf['实收金额'] = salesDf['实收金额'].astype('float')
print('转换后的数据类型：\n',salesDf.dtypes)
转换后的数据类型：
销售时间 object
社保卡号 object
商品编码 object
商品名称 object
销售数量 float64
应收金额 float64
实收金额 float64
dtype: object


数据集中，销售时间的格式为“2018-01-01 星期五”，分析中并不需要星期信息，因此需通过字符串分割，将其删除，只保留日期“2018-01-01”。

def splitSaletime(timeColSer):
timeList=[]
for value in timeColSer:
#例如2018-01-01 星期五，分割后为：2018-01-01
dateStr=value.split(' ')[0]
timeList.append(dateStr)
#将列表转行为一维数据Series类型
timeSer=pd.Series(timeList)
return timeSer
#获取“销售时间”列
timeSer=salesDf.loc[:,'销售时间']
#对字符串进行分割，获取销售日期
dateSer=splitSaletime(timeSer)
#修改销售时间这一列的值
salesDf.loc[:,'销售时间']=dateSer
salesDf.head()

# 将“销售时间”转换为日期格式
# format 是原始数据中日期的格式
salesDf.loc[:,'销售时间']=pd.to_datetime(salesDf.loc[:,'销售时间'],
format='%Y-%m-%d',
errors='coerce')
salesDf.dtypes
销售时间 datetime64[ns]
社保卡号 object
商品编码 object
商品名称 object
销售数量 float64
应收金额 float64
实收金额 float64
dtype: object
# 转换后出现空行，将其删除
salesDf=salesDf.dropna(subset=['销售时间','社保卡号'],how='any')

5） 数据排序

# 按销售日期进行升序排列
salesDf=salesDf.sort_values(by='销售时间',
ascending=True)
salesDf.head()

#重命名行名（index）：排序后的列索引值是之前的行号，需要修改成从0到N按顺序的索引值
salesDf=salesDf.reset_index(drop=True)
salesDf.head()

6） 异常值处理

# 查看数据统计信息，“销售数量”值不能小于0
salesDf.describe()

# 删除异常值：通过条件判断筛选出数据
# 查询条件
querySer=salesDf.loc[:,'销售数量']>0
# 应用查询条件
salesDf=salesDf.loc[querySer,:]

4 构建模型

1） 业务指标1：月均消费次数=总消费次数 / 月份数

# 同一天、同一个社保卡号视为一次消费，因此需删除重复记录
kpi1_Df=salesDf.drop_duplicates(
subset=['销售时间', '社保卡号']
)
# 总消费次数：有多少行
totalI=kpi1_Df.shape[0]
print('总消费次数=',totalI)
总消费次数= 5342
# 计算月份数
# 按销售时间升序排序
kpi1_Df=kpi1_Df.sort_values(by='销售时间',
ascending=True)
# 重命名行名（index）
kpi1_Df=kpi1_Df.reset_index(drop=True)
# 获取时间范围
startTime=kpi1_Df.loc[0,'销售时间']
endTime=kpi1_Df.loc[totalI-1,'销售时间']
#天数
daysI=(endTime-startTime).days
#月份数
monthsI=daysI//30
print('月份数：',monthsI)
月份数： 6
#业务指标1：月均消费次数=总消费次数 / 月份数
kpi1_I=totalI // monthsI
print('业务指标1：月均消费次数=',kpi1_I)
业务指标1：月均消费次数= 890

2） 业务指标2：月均消费金额 = 总消费金额 / 月份数

#总消费金额
totalMoneyF=salesDf.loc[:,'实收金额'].sum()
#月均消费金额
monthMoneyF=totalMoneyF / monthsI
print('业务指标2：月均消费金额=',monthMoneyF)
业务指标2：月均消费金额= 50668.35166666666

3） 业务指标3：客单价 = 总消费金额 / 总消费次数

pct=totalMoneyF / totalI
print('客单价：',pct)
客单价： 56.909417821040805

4） 业务指标4：消费趋势

# 数据分组
groupDf=salesDf
# 重命名行名（index）为销售时间所在列的值
groupDf.index=groupDf['销售时间']
gb=groupDf.groupby(groupDf.index.month)
monthDf=gb.sum()
monthDf

import matplotlib.pyplot as plt
x = monthDf.loc[:,'销售数量']
x
plt.plot(x,marker='o',markerfacecolor='blue', markersize=8)
plt.title('Trend of change in sales volume')
plt.xlabel('Months')
plt.ylabel('sales volume')
plt.show()

y = monthDf.loc[:,'实收金额']
y
plt.plot(y,marker='o',markerfacecolor='blue', markersize=8)
plt.title('Trend of change in sales amount')
plt.xlabel('Months')
plt.ylabel('sales amount')
plt.show()