Python程序设计#_作业_3.docxVIP

实验3：超市数据统计分析

实验目标

掌握数据收集和预处理的方法。

学会使用基本的数据分析技术（如统计、排序、可视化等）。

能够对超市销售数据进行分析并得出有意义的结论。

实验内容

任务1：数据收集

数据结构设计：

商品名称

商品类别（如食品、日用品、电子产品等）

销售数量

单价

销售日期

总价（数量×单价）

数据生成：

创建一个包含10条销售记录的表格（可以手动输入或使用随机生成的方法）。

任务2：数据预处理

数据清洗：

检查并处理缺失值（如某条记录缺少销售数量）。

检查并处理异常值（如单价为负数）。

数据转换：

计算每条记录的总价（数量×单价）。

将日期格式统一为YYYY-MM-DD。

任务3：数据分析

销售总额统计：

计算所有商品的销售总额。

按类别统计销售额：

统计每个类别商品的销售额占比。

最畅销商品：

找出销售数量最多的商品。

销售趋势分析：

绘制销售总额随日期变化的折线图。

任务4：结果展示

可视化：

使用柱状图展示各类别商品的销售额。

使用饼图展示各类别商品的销售额占比。

使用折线图展示销售总额随日期的变化趋势。

报告总结：

总结分析结果，提出改进建议（如哪些商品需要增加库存，哪些商品需要促销等）。

实验代码示例（以Python为例）

Python复制

importpandasaspd

importmatplotlib.pyplotasplt

#任务1：数据收集

data={

商品名称:[苹果,牛奶,面包,洗发水,手机,香蕉,鸡蛋,牙膏,电脑,橙子],

商品类别:[食品,食品,食品,日用品,电子产品,食品,食品,日用品,电子产品,食品],

销售数量:[10,5,8,20,5,15,20,30,3,12],

单价:[5.0,8.5,6.0,15.0,2999.0,3.5,7.0,5.0,4999.0,4.0],

销售日期:[2023-10-01,2023-10-02,2023-10-03,2023-10-04,2023-10-05,

2023-10-06,2023-10-07,2023-10-08,2023-10-09,2023-10-10]

}

df=pd.DataFrame(data)

df[总价]=df[销售数量]*df[单价]

#任务2：数据预处理

#检查缺失值

print(缺失值检查：)

print(df.isnull().sum())

#检查异常值（如单价为负数）

print(\n异常值检查：)

print(df[df[单价]0])

#任务3：数据分析

#销售总额

total_sales=df[总价].sum()

print(f\n销售总额：{total_sales:.2f}元)

#按类别统计销售额

category_sales=df.groupby(商品类别)[总价].sum()

print(\n各类别销售额：)

print(category_sales)

#最畅销商品（按销售数量）

best_selling=df.loc[df[销售数量].idxmax()]

print(f\n最畅销商品：{best_selling[商品名称]}，销售数量：{best_selling[销售数量]})

#任务4：结果展示

#柱状图：各类别销售额

plt.figure(figsize=(10,6))

category_sales.plot(kind=bar)

plt.title(各类别销售额)

plt.xlabel(商品类别)

plt.ylabel(销售额（元）)

plt.show()

#饼图：各类别销售额占比

plt.figure(figsize=(10,6))

category_sales.plot(kind=pie,autopct=%1.1f%%)

plt.title(各类别销售额占比)

plt.ylabel()

plt.show()

#折线图：销售总额随日期变化

date_sales=df.groupby(销售日期)[总价].sum()

plt.figure(figsize=(10,6))

date_sales.plot(kind=line,marker=o)

plt.title(销售总额随日期变化)

plt.xlabel(日期)

plt.ylabel(销售额（元）)

plt.xticks(rotation=45)

plt.show()

实验总结

数据收集与预处理：

数据收集是分析的基础，确保数据的完整性和准确性。

数据预处理（如