利用Python进行简单数据分析--医院销售数据分析案例

本案例数据集地址（百度网盘）：连接：https://pan.baidu.com/s/1FsEcr3lanXYbYLxGELtJZw 提取码：5nvw （此连接永久有效）

或扫描下方二维码获取：

在本次博客中，我将利用Python数据分析工具来作一个某医院某年度的销售状况汇总。

项目运行环境：

操做系统	Windows 10 64位
Python	3.7.0
开发工具	Pycharm（ipython）

数据分析的基本过程主要分为两方面：

1、数据分析的目的

  一方面是发现问题，而且找到问题的根源，最终经过切实可行的办法解决存在的问题；另外一方面，提取有用信息和造成结论而对数据加以详细研究和归纳，对以往的数据分析，总结发展趋势，为网络营销决策提供支持。

二 、数据分析基本过程

  数据分析基本过程包括：获取数据、数据清洗、构建模型、数据可视化、得出结论。

1.获取数据

注：本次项目使用的数据请在前面连接自行下载
导包

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

设置工做路径

os.chdir(r'填写你的数据所在路径') #好比：os.chdir(r'F:\360Downloads\朝阳医院')

读取数据

dataDF=pd.read_ecxel('文件名（记得带文件后缀名）') #好比：dataDF=pd.read_excel('朝阳医院2018年销售数据.xlsx')

查看前5行数据

dataDF.head() #默认查看前5行

接下来查看数据的下列信息：shape(形状)、index(索引)、columns(列名)、count（总数）

dataDF.shape #查看数据的结构（行、列数）

dataDF.index #查看数据的索引

dataDF.columns #查看数据的列名

dataDF.count() #查看数据的总数

dataDF.describe() #查看数据的数值详细信息

经过以上的数据能够看出： 总共有6578行7列数据，可是“购药时间”和“社保卡号”这两列只有6576个数据，而“商品编码”一直到“实收金额”这些列都是只有6577个数据。这就意味着数据中存在缺失值，能够推断出数据中存在一行缺失值。 此外“购药时间”和“社保卡号”这两列都各自存在一个缺失数据，这些缺失数据在后面步骤中须要进一步处理。 并且数据中存在负数，这将在后面也须要进一步处理。

2.数据清洗

数据清洗一般包括：选择子集、修改列名称、处理缺失值、处理异常值、转换数据类型、数据排序（为可视化作准备），在这里咱们根据实验数据自己特征进行处理，过程以下：


选择子集：

在进行数据分析时，一般会遇到很是庞大的数据包，而且其中不免会有一些‘无用’的数据，以及和本次项目不相关的信息，这时就须要将其分开并按照需求选择，获得有价值的数据集来进行进一步分析，从而挖掘出咱们须要的潜在信息。因为本次案例使用的数据集量小且简单，所以能够忽略这一步。

修改列名称：

在拿到的原始数据中，列名称和数据和其余列名之间可能会类似或者不可以‘见名知意’，致使给后续分析带来困难，为了不此现象，咱们能够根据需求调用rename()函数将列名重命名，好比中文名称（这里纯属我的习惯）

dataDF=dataDF.rename(columns={'购药时间':'销售时间'}) dataDF.head()

处理缺失值：

经过上面的dataDF.count()能够看出，数据的“购药时间”和“社保卡号”行数和其余数据不相等，证实确定存在空值，为了避免对后续的操做形成干扰，在这里须要进一步处理，一般处理方式有两种：第一，删除；第二，填充。在本次案例中，因为数据简单，咱们采用第一种方式将含有空值的行删除，获得‘干净’数据，使用到的函数有dropna()

dataDF=dataDF.dropna(subset=['销售时间','社保卡号'],how='any') dataDF.count()

处理异常值：

咱们先来查看一下数据的当前信息：

dataDF.describe()

能够看出数据当中存在异常值（负值）。

如今咱们删除负值所在的行

pop=dataDF.loc[:,'销售数量']>0

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

以下图所示（负值）已经删除

接下来再查看一下数据信息（行数）

转换数据类型：

咱们先来查看一下数据的当前类型：

发现销售时间这一列并非咱们想要的datetime格式，所以须要转换，为后续分析作准备。这里使用到的函数有：astype()函数

在处理以前，原始数据以下图（发现‘销售时间’这一列存在星期*，显然这并非咱们须要的，接下来咱们编写（分割）函数将其去除，具体操做以下）：

下图是我编写的一个（分割）函数以及具体操做（此处方法不少，远远不止这一种）

本案例操做方法以下：

调用函数，处理数据(具体过程见上图的‘函数调用方法’部分)

time=dataDF.loc[:,'销售时间'] data=SplitSaletime(time) dataDF.loc[:,'销售时间']=data

处理后的数据（销售时间）以下：

查看当前数据类型（以下图，发现销售时间列格式已经修改为功，接下来将其转换为datetime类型便可）：

dataDF.loc[:,'销售时间']=pd.to_datetime(dataDF.loc[:,'销售时间'],format='%Y-%m-%d',errors='coerce')

此时咱们再来看数据（销售时间）类型，发现已经转换成功：

数据排序（重置索引）：

接下来咱们按照时间列进行升序排序

dataDF=dataDF.sort_values(by=['销售时间'],ascending=True) #by='填写须要按照那一列来排序'，ascending=True表示升序（False表示降序）

而后重置索引

dataDF=dataDF.reset_index(drop=True)

3.构建模型

数据准备就绪后，根据相关业务利用可视化工具实现图标制做，从而挖掘出数据背后的信息。

需求一：月均消费次数（月均消费次数 = 总消费次数/月份数）

第一步:计算总消费次数（为了便于统计，每张社保卡在当天的全部消费记录当作一次消费，所以首先须要对数据进行‘去重’操做，这里须要用到drop_duplicates（）函数）

dataDF_qc=dataDF.drop_duplicates(subset=['销售时间','社保卡号'])

接着查看数据形状，看是否有变化：

再看一下原始数据形状：

打印重复的行数：

print(f'原始数据与去重后的数据行数相差：{dataDF.shape[0]-dataDF_qc.shape[0]}行。')

计算总消费次数：

Total_time=dataDF_qc.shape[0]

结果以下：

第二步：计算月份数

按照销售时间升序排序，而后重置索引

升序排序	dataDF_shengxu=dataDF_qc.sort_values(by=['销售时间'],ascending=True)
重置索引	dataDF_qc_resrt_index=dataDF_qc.reset_index(drop=True)

如今来查看数据索引
索引：

计算销售时间范围：

StartTime=dataDF_qc_resrt_index.loc[0,'销售时间']

EndTime=dataDF_qc_resrt_index.loc[Total_time-1,'销售时间']

此时发现销售时间出现空值，所以这里咱们删除空值所在行数据：

dataDF_qc_resrt_index.dropna(subset=['销售时间'],inplace=True)

而后查看数据行数信息（以下图，发现再没有空值）：

如今咱们重复上述步骤获取开始和结束时间：

StartTime=dataDF_qc_resrt_index.loc[0,'销售时间']

EndTime=dataDF_qc_resrt_index.loc[Total_time-1,'销售时间']

计算总天数：

Day_time=(EndTime-StartTime).days

计算月份数：

Month_time=Day_time//30 #其中//为整除运算，每个月按30天计

月均消费次数 = 总消费次数/月份数：

Ave_time=Total_time//Month_time

需求二：月均消费金额（月均消费次数 = 总消费金额/月份数）

第一步：计算总消费金额（这里用到sum（）函数求和）

Total_Money=data_new.loc[:,'实收金额'].sum()

第二步：计算月均消费金额

print(f'每个月平均消费{(Total_Money//Month_time)}元。')

需求三：每次购药平均消费金额（每次购药平均消费金额 = 总消费金额/总购药次数）

print(f'每次购药平均消费金额为：{(Total_Money/Total_time)}元。')

4.数据可视化

准备工做：

导入可视化包： import matplotlib.pyplot as plt 遇到数据中有中文的时候，必定要先设置中文字体 plt.rcParams['font.sans-serif']=['SimHei'] # 用黑体显示中文

首先将数据复制到一个新的变量，专门用做数据可视化

Data_KSH=dataDF_qc_resrt_index

需求一：查看每日消费金额

重置索引为‘销售时间’列：

Data_KSH.index=Data_KSH['销售时间']

绘制图形：

总结：日均 消费金额大部分集中在500元左右，而且上下波动不大。

需求二：查看每个月销售金额

数据聚合（按照月份）：

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

利用sum()求和，计算每个月销售金额：

Mon_Money=Mon.sum()

绘制图形：

总结：如图所示：三、四、五、6月份销售数据相对平稳均在4500元左右，其余月份波动较大。

需求三：查看销售量前十的药品

按照销售数量排序：

Data_XSSL=Data_KSH.sort_values(by='销售数量')

按照销售数量去重：

Data_XSSL=Data_XSSL.drop_duplicates(subset=['销售数量'])

提取前十行数据：

Top_10=Data_XSSL.iloc[:10,:]

查看前十行数据：

绘制图形：

总结：销售量前十的药品如图所示。

3、附件：本案例源代码

本案例数据集地址（百度网盘）：连接：https://pan.baidu.com/s/1mStg3VcubipPx3EzQwMLEQ 提取码：5ua5 （此连接永久有效）

或者扫描下方二维码获取源代码：

看完记得点赞收藏哈~