Python数据分析案例：电商数据清洗与可视化实战

癔中人_Vir

177人浏览 · 2026-06-24 18:09:00

癔中人_Vir · 2026-06-24 18:09:00 发布

博客导语

学完Numpy、Pandas、Matplotlib后，最经典的综合实战就是电商数据分析。本案例模拟真实电商订单数据，完整复现企业数据分析全流程：数据加载、缺失值/重复值清洗、数据统计分析、多维度可视化图表，手把手带你完成一套完整的数据分析报告。

一、技术栈与环境

pip install pandas numpy matplotlib

二、项目流程

数据加载 → 数据探查 → 数据清洗 → 统计分析 → 可视化展示

三、完整实战代码

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 设置中文
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

def analysis_shop_data():
    # 1. 构造模拟电商订单数据
    data = {
        "订单ID": range(1, 101),
        "商品类别": np.random.choice(["服饰","数码","食品","家居"], 100),
        "订单金额": np.random.randint(10, 1000, 100),
        "购买数量": np.random.randint(1, 5, 100),
        "是否退款": np.random.choice([0,1], 100, p=[0.9,0.1])
    }
    df = pd.DataFrame(data)

    # 2. 数据基础探查
    print("===== 数据基本信息 =====")
    print(df.info())
    print("\n===== 数据统计描述 =====")
    print(df.describe())

    # 3. 数据清洗
    # 去除重复值
    df = df.drop_duplicates()
    # 缺失值处理
    df = df.dropna()
    # 过滤异常订单（金额小于0）
    df = df[df["订单金额"] > 0]

    # 4. 统计分析
    print("\n===== 各类别销售额统计 =====")
    category_sum = df.groupby("商品类别")["订单金额"].sum()
    print(category_sum)

    print("\n===== 订单退款率 =====")
    refund_rate = df["是否退款"].mean()
    print(f"整体退款率：{refund_rate:.2%}")

    # 5. 可视化展示
    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14,6))

    # 柱状图：各类别销售额
    category_sum.plot(kind="bar", ax=ax1, color=["#ff9999","#66b3ff","#99ff99","#ffcc99"])
    ax1.set_title("各商品类别销售额对比")
    ax1.set_xlabel("商品类别")
    ax1.set_ylabel("总销售额")

    # 饼图：各类别销量占比
    category_count = df["商品类别"].value_counts()
    ax2.pie(category_count.values, labels=category_count.index, autopct="%1.1f%%")
    ax2.set_title("各商品类别销量占比")

    plt.tight_layout()
    plt.show()

if __name__ == "__main__":
    analysis_shop_data()