利用Python進行簡單數據分析--醫院銷售數據分析案例

本案例數據集地址（百度網盤）：連接：https://pan.baidu.com/s/1FsEcr3lanXYbYLxGELtJZw 提取碼：5nvw （此連接永久有效）

或掃描下方二維碼獲取：

在本次博客中，我將利用Python數據分析工具來作一個某醫院某年度的銷售狀況彙總。

項目運行環境：

操做系統	Windows 10 64位
Python	3.7.0
開發工具	Pycharm（ipython）

數據分析的基本過程主要分爲兩方面：

1、數據分析的目的

  一方面是發現問題，而且找到問題的根源，最終經過切實可行的辦法解決存在的問題；另外一方面，提取有用信息和造成結論而對數據加以詳細研究和歸納，對以往的數據分析，總結髮展趨勢，爲網絡營銷決策提供支持。

二 、數據分析基本過程

  數據分析基本過程包括：獲取數據、數據清洗、構建模型、數據可視化、得出結論。

1.獲取數據

注：本次項目使用的數據請在前面連接自行下載
導包

import os import pandas as pd import matplotlib.pyplot as plt

設置工做路徑

os.chdir(r'填寫你的數據所在路徑') #好比：os.chdir(r'F:\360Downloads\朝陽醫院')

讀取數據

dataDF=pd.read_ecxel('文件名（記得帶文件後綴名）') #好比：dataDF=pd.read_excel('朝陽醫院2018年銷售數據.xlsx')

查看前5行數據

dataDF.head() #默認查看前5行

接下來查看數據的下列信息：shape(形狀)、index(索引)、columns(列名)、count（總數）

dataDF.shape #查看數據的結構（行、列數）

dataDF.index #查看數據的索引

dataDF.columns #查看數據的列名

dataDF.count() #查看數據的總數

dataDF.describe() #查看數據的數值詳細信息

經過以上的數據能夠看出： 總共有6578行7列數據，可是「購藥時間」和「社保卡號」這兩列只有6576個數據，而「商品編碼」一直到「實收金額」這些列都是隻有6577個數據。這就意味着數據中存在缺失值，能夠推斷出數據中存在一行缺失值。 此外「購藥時間」和「社保卡號」這兩列都各自存在一個缺失數據，這些缺失數據在後面步驟中須要進一步處理。 並且數據中存在負數，這將在後面也須要進一步處理。

2.數據清洗

數據清洗一般包括：選擇子集、修改列名稱、處理缺失值、處理異常值、轉換數據類型、數據排序（爲可視化作準備），在這裏咱們根據實驗數據自己特徵進行處理，過程以下：


選擇子集：

在進行數據分析時，一般會遇到很是龐大的數據包，而且其中不免會有一些‘無用’的數據，以及和本次項目不相關的信息，這時就須要將其分開並按照需求選擇，獲得有價值的數據集來進行進一步分析，從而挖掘出咱們須要的潛在信息。因爲本次案例使用的數據集量小且簡單，所以能夠忽略這一步。

修改列名稱：

在拿到的原始數據中，列名稱和數據和其餘列名之間可能會類似或者不可以‘見名知意’，致使給後續分析帶來困難，爲了不此現象，咱們能夠根據需求調用rename()函數將列名重命名，好比中文名稱（這裏純屬我的習慣）

dataDF=dataDF.rename(columns={'購藥時間':'銷售時間'}) dataDF.head()

處理缺失值：

經過上面的dataDF.count()能夠看出，數據的「購藥時間」和「社保卡號」行數和其餘數據不相等，證實確定存在空值，爲了避免對後續的操做形成干擾，在這裏須要進一步處理，一般處理方式有兩種：第一，刪除；第二，填充。在本次案例中，因爲數據簡單，咱們採用第一種方式將含有空值的行刪除，獲得‘乾淨’數據，使用到的函數有dropna()

dataDF=dataDF.dropna(subset=['銷售時間','社保卡號'],how='any') dataDF.count()

處理異常值：

咱們先來查看一下數據的當前信息：

dataDF.describe()

能夠看出數據當中存在異常值（負值）。

如今咱們刪除負值所在的行

pop=dataDF.loc[:,'銷售數量']>0

dataDF=dataDF.loc[pop,:] dataDF.describe()

以下圖所示（負值）已經刪除

接下來再查看一下數據信息（行數）

轉換數據類型：

咱們先來查看一下數據的當前類型：

發現銷售時間這一列並非咱們想要的datetime格式，所以須要轉換，爲後續分析作準備。這裏使用到的函數有：astype()函數

在處理以前，原始數據以下圖（發現‘銷售時間’這一列存在星期*，顯然這並非咱們須要的，接下來咱們編寫（分割）函數將其去除，具體操做以下）：

下圖是我編寫的一個（分割）函數以及具體操做（此處方法不少，遠遠不止這一種）

本案例操做方法以下：

調用函數，處理數據(具體過程見上圖的‘函數調用方法’部分)

time=dataDF.loc[:,'銷售時間'] data=SplitSaletime(time) dataDF.loc[:,'銷售時間']=data

處理後的數據（銷售時間）以下：

查看當前數據類型（以下圖，發現銷售時間列格式已經修改爲功，接下來將其轉換爲datetime類型便可）：

dataDF.loc[:,'銷售時間']=pd.to_datetime(dataDF.loc[:,'銷售時間'],format='%Y-%m-%d',errors='coerce')

此時咱們再來看數據（銷售時間）類型，發現已經轉換成功：

數據排序（重置索引）：

接下來咱們按照時間列進行升序排序

dataDF=dataDF.sort_values(by=['銷售時間'],ascending=True) #by='填寫須要按照那一列來排序'，ascending=True表示升序（False表示降序）

而後重置索引

dataDF=dataDF.reset_index(drop=True)

3.構建模型

數據準備就緒後，根據相關業務利用可視化工具實現圖標製做，從而挖掘出數據背後的信息。

需求一：月均消費次數（月均消費次數 = 總消費次數/月份數）

第一步:計算總消費次數（爲了便於統計，每張社保卡在當天的全部消費記錄當作一次消費，所以首先須要對數據進行‘去重’操做，這裏須要用到drop_duplicates（）函數）

dataDF_qc=dataDF.drop_duplicates(subset=['銷售時間','社保卡號'])

接着查看數據形狀，看是否有變化：

再看一下原始數據形狀：

打印重複的行數：

print(f'原始數據與去重後的數據行數相差：{dataDF.shape[0]-dataDF_qc.shape[0]}行。')

計算總消費次數：

Total_time=dataDF_qc.shape[0]

結果以下：

第二步：計算月份數

按照銷售時間升序排序，而後重置索引

升序排序	dataDF_shengxu=dataDF_qc.sort_values(by=['銷售時間'],ascending=True)
重置索引	dataDF_qc_resrt_index=dataDF_qc.reset_index(drop=True)

如今來查看數據索引
索引：

計算銷售時間範圍：

StartTime=dataDF_qc_resrt_index.loc[0,'銷售時間']

EndTime=dataDF_qc_resrt_index.loc[Total_time-1,'銷售時間']

此時發現銷售時間出現空值，所以這裏咱們刪除空值所在行數據：

dataDF_qc_resrt_index.dropna(subset=['銷售時間'],inplace=True)

而後查看數據行數信息（以下圖，發現再沒有空值）：

如今咱們重複上述步驟獲取開始和結束時間：

StartTime=dataDF_qc_resrt_index.loc[0,'銷售時間']

EndTime=dataDF_qc_resrt_index.loc[Total_time-1,'銷售時間']

計算總天數：

Day_time=(EndTime-StartTime).days

計算月份數：

Month_time=Day_time//30 #其中//爲整除運算，每個月按30天計

月均消費次數 = 總消費次數/月份數：

Ave_time=Total_time//Month_time

需求二：月均消費金額（月均消費次數 = 總消費金額/月份數）

第一步：計算總消費金額（這裏用到sum（）函數求和）

Total_Money=data_new.loc[:,'實收金額'].sum()

第二步：計算月均消費金額

print(f'每個月平均消費{(Total_Money//Month_time)}元。')

需求三：每次購藥平均消費金額（每次購藥平均消費金額 = 總消費金額/總購藥次數）

print(f'每次購藥平均消費金額爲：{(Total_Money/Total_time)}元。')

4.數據可視化

準備工做：

導入可視化包： import matplotlib.pyplot as plt 遇到數據中有中文的時候，必定要先設置中文字體 plt.rcParams['font.sans-serif']=['SimHei'] # 用黑體顯示中文

首先將數據複製到一個新的變量，專門用做數據可視化

Data_KSH=dataDF_qc_resrt_index

需求一：查看每日消費金額

重置索引爲‘銷售時間’列：

Data_KSH.index=Data_KSH['銷售時間']

繪製圖形：

總結：日均 消費金額大部分集中在500元左右，而且上下波動不大。

需求二：查看每個月銷售金額

數據聚合（按照月份）：

Mon=Data_KSH.groupby(Data_KSH.index.month)

利用sum()求和，計算每個月銷售金額：

Mon_Money=Mon.sum()

繪製圖形：

總結：如圖所示：三、四、五、6月份銷售數據相對平穩均在4500元左右，其餘月份波動較大。

需求三：查看銷售量前十的藥品

按照銷售數量排序：

Data_XSSL=Data_KSH.sort_values(by='銷售數量')

按照銷售數量去重：

Data_XSSL=Data_XSSL.drop_duplicates(subset=['銷售數量'])

提取前十行數據：

Top_10=Data_XSSL.iloc[:10,:]

查看前十行數據：

繪製圖形：

總結：銷售量前十的藥品如圖所示。

3、附件：本案例源代碼

本案例數據集地址（百度網盤）：連接：https://pan.baidu.com/s/1mStg3VcubipPx3EzQwMLEQ 提取碼：5ua5 （此連接永久有效）

或者掃描下方二維碼獲取源代碼：

看完記得點贊收藏哈~