【python】python饮料销售数据分析可视化(源码+数据集)【独一无二】

简介: 【python】python饮料销售数据分析可视化(源码+数据集)【独一无二】

一、设计要求

金牛食品有限公司位于金牛街100号,是一家批发销售软饮料的公司。批发销售软饮料行业市场潜力三大,行业增速不断上升,市场竞争异常激烈。文件wal1.xlsx’中有两个sheet,分别存放2021年销售明细和利润表,读取并分析其中数据,做可视化呈现。要求:


  • ①找出销售收入前15的品牌;
  • ②按月汇总,求出每月的毛利及毛利率;
  • ③通过利润表,分析该公司的盈利结构,


👉👉👉 源码获取 关注【测试开发自动化】公众号,回复 “ 饮料销售数据分析 ” 获取。👈👈👈

数据如下:

👉👉👉 源码获取 关注【测试开发自动化】公众号,回复 “ 饮料销售数据分析 ” 获取。👈👈👈


二、可视化展示

通过对销售数据的分组和排序,您得出了销售收入前15的品牌(或商品名称)。这显示了这些品牌在市场上的表现和销售优势。这些信息有助于理解哪些产品更受消费者欢迎,也可能指导库存管理和市场推广策略。

👉👉👉 源码获取 关注【测试开发自动化】公众号,回复 “ 饮料销售数据分析 ” 获取。👈👈👈


通过转置和重命名,整理了利润数据,计算出每月的毛利和毛利率。这些数据展示了公司每月的盈利性表现。毛利和毛利率是评估公司运营效率的重要指标,有助于管理层监控成本控制和定价策略的效果。


通过饼图,展示了公司一年的盈利结构,包括各项费用和收入的比例。这有助于理解公司的财务健康状况,识别成本和收入中的主要组成部分,以及可能的调整点,以改善利润率。

👉👉👉 源码获取 关注【测试开发自动化】公众号,回复 “ 饮料销售数据分析 ” 获取。👈👈👈


三、代码分析

这段代码主要用于处理和可视化销售和利润数据,分别完成三个具体任务。下面详细解释每个部分的功能:

1. 导入模块和设置

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']


  • 导入pandas库,用于数据处理。
  • 导入matplotlib.pyplot库,用于数据可视化。
  • 设置matplotlib的字体参数为SimHei,以便在图表中显示中文。


2. 读取数据

sales_data = pd.read_excel('cwal1.xlsx', sheet_name='销售明细表')
profit_data = pd.read_excel('cwal1.xlsx', sheet_name='利润表')


  • cwal1.xlsx文件中读取两个工作表:销售明细表利润表,分别加载到sales_dataprofit_data变量中。


👉👉👉 源码获取 关注【测试开发自动化】公众号,回复 “ 饮料销售数据分析 ” 获取。👈👈👈


3. 任务1:销售收入前15的品牌

top_brands.plot(kind='bar', color='skyblue', title='销售收入前15的品牌')
# 略......
# 略......
# 略......
plt.xlabel('品牌(商品名称)')
plt.ylabel('总销售收入')


  • 使用groupby按照商品名称进行分组,然后对收入合计列进行求和。
  • 从结果中选出销售收入最高的前15个品牌。
  • 利用条形图显示这15个品牌的销售收入,调整横坐标标签角度以提高可读性。


4. 任务2:每月毛利及毛利率

df = profit_data.T
# 略......
# 略......
# 略......

df['毛利'] = df['一、营业收入'] - df['   减:营业成本']
df['毛利率'] = df['毛利'] / df['一、营业收入']

fig, ax1 = plt.subplots()
color = 'tab:red'
ax1.set_xlabel('月份')

ax2 = ax1.twinx()
ax2.plot(df['月份'], df['毛利率'], color=color)
ax2.tick_params(axis='y', labelcolor=color)

plt.title('每月毛利及毛利率')
plt.show()


  • 转置利润表,以月份为行,利润表各项为列。
  • 重新设置表头并重置索引,确保月份作为一列存在。
  • 计算毛利(营业收入减去营业成本)和毛利率。
  • 使用柱状图和曲线图在同一图表上显示每月的毛利和毛利率。


👉👉👉 源码获取 关注【测试开发自动化】公众号,回复 “ 饮料销售数据分析 ” 获取。👈👈👈


5. 任务3:年度盈利结构分析

annual_data = df[df['月份'] == '本年合计']
categories = annual_data.columns[2:]  # 调整索引以适应具体的列结构
values = annual_data.iloc[0, 2:].values  # 获取第一行(即本年合计行),从第三列开始的数据

fig, ax = plt.subplots()
ax.pie(values, labels=categories, autopct='%1.1f%%', startangle=90)
ax.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
plt.title('金牛食品有限公司2021年盈利结构分析')
plt.show()


  • 筛选出汇总为"本年合计"的行数据。
  • 提取除了月份项目之外的列名和数据。
  • 使用饼图展示金牛食品有限公司2021年的盈利结构,每项盈利的比例显示在图表上。


👉👉👉 源码获取 关注【测试开发自动化】公众号,回复 “ 饮料销售数据分析 ” 获取。👈👈👈

相关文章
|
1月前
|
数据采集 Python
Python实用记录(七):通过retinaface对CASIA-WebFace人脸数据集进行清洗,并把错误图路径放入txt文档
使用RetinaFace模型对CASIA-WebFace人脸数据集进行清洗,并将无法检测到人脸的图片路径记录到txt文档中。
40 1
|
10天前
|
机器学习/深度学习 算法 PyTorch
用Python实现简单机器学习模型:以鸢尾花数据集为例
用Python实现简单机器学习模型:以鸢尾花数据集为例
29 1
|
1月前
|
机器学习/深度学习 数据可视化 Python
Python实用记录(三):通过netron可视化模型
使用Netron工具在Python中可视化神经网络模型,包括安装Netron、创建文件和运行文件的步骤。
32 2
Python实用记录(三):通过netron可视化模型
|
11天前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第33天】本文将介绍如何使用Python编程语言进行数据分析和可视化。我们将从数据清洗开始,然后进行数据探索性分析,最后使用matplotlib和seaborn库进行数据可视化。通过阅读本文,你将学会如何运用Python进行数据处理和可视化展示。
|
1月前
|
数据采集 Web App开发 数据可视化
Python爬虫教程:Selenium可视化爬虫的快速入门
Python爬虫教程:Selenium可视化爬虫的快速入门
|
1月前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据处理与可视化——以气温数据分析为例
【10月更文挑战第12天】使用Python进行数据处理与可视化——以气温数据分析为例
188 0
|
3月前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
在数字化时代,数据分析至关重要,而Python凭借其强大的数据处理能力和丰富的库支持,已成为该领域的首选工具。Python作为基石,提供简洁语法和全面功能,适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器,其DataFrame结构让表格型数据的处理变得简单高效,支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒,能以直观图表展现数据分析结果。掌握这三大神器,你也能成为数据分析领域的高手!
79 2
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
178 4
|
3月前
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
84 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
|
11天前
|
SQL 数据挖掘 Python
数据分析编程:SQL,Python or SPL?
数据分析编程用什么,SQL、python or SPL?话不多说,直接上代码,对比明显,明眼人一看就明了:本案例涵盖五个数据分析任务:1) 计算用户会话次数;2) 球员连续得分分析;3) 连续三天活跃用户数统计;4) 新用户次日留存率计算;5) 股价涨跌幅分析。每个任务基于相应数据表进行处理和计算。