6. 批量处理分析数据

需求：有20个品牌共生产了127个类目的产品，筛选出近一年销售额总额TOP5的品牌以及对应的销售额。

思路：先做第一个然后如法炮制将结果汇总即可。

数据信息如下：
在这里插入图片描述
加载数据：

接着，是要汇总不同品牌在这个细分行业下的销售额，我们要汇总的是各品牌近一年（2018年9月-2019年8月）的销售额，先看看日期是否正确：

每个品牌每个月份销售额计算如下：

按照品牌分组计算销售额总和前五的品牌：
在这里插入图片描述
这里有个细节，最终要汇总的是所有细分行业的销售额top5，给所属类别添加标签。

最终最终结果：

import time
start = time.time()
result = pd.DataFrame()
for name in os.listdir():
    df = pd.read_excel(name)
    df['销售额']= df['访客数']* df['转化率']*df['客单价']
    df_sum = df.groupby('品牌',)['销售额'].sum().reset_index()
    df_sum['类目'] = name.replace(".xlsx","")
    result = pd.concat([result,df_sum])
final = result.groupby('品牌')['销售额'].sum().reset_index().sort_values('销售额',ascending=False)
final.head()

在这里插入图片描述
看起来很奇怪的销售额，是pandas自作主张把实际销售额变成了科学记数法形式来展示，要还原数值，需要更改一下原始的设置：

总结

本文以一个简单又复杂的场景切入，简单是需求本身非常简单，而复杂则是基础数据涉及到的表格多而杂。代码和逻辑本身浅显易懂，主要为了抛出一块砖，敲开批量处理表格的思维藩篱，以引出同志们实践中，在合适场景下用Python来化繁为简的玉。核心是分析出逻辑思维然后逐步细化。

参考

提取码：7kyt

6. 批量处理分析数据

总结

参考

猜你喜欢