BD第7课：分析罩杯销售

2023-10-19 07:10
文章标签 分析 销售 bd 罩杯

本文主要是介绍BD第7课：分析罩杯销售，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本文会利用 SQL 语句和 Pandas 对前面抓取和整理的的胸罩数据进行分析，本文主要分析了胸罩销售的比例，以及 A、B、C、D 罩杯的销售比例。

用 SQL 语句分析胸罩（按罩杯尺寸）的销售比例

既然销售数据都保存在 SQLite 数据库中，那么我们不妨先用 SQL 语句做一下统计分析，本节将对胸罩按罩杯的销售量做一个销售比例统计分析。由于抓取的数据没有超过 D 罩杯的，所以做数据分析时就不考虑 D 以上罩杯的胸罩销售数据了，这里只考虑 A、B、C 和 D 罩杯胸罩的销售数据。

本节要统计的是某一个尺寸的胸罩销售数量占整个销售数量的百分比，这里需要统计和计算如下3类数据。

某一个尺寸的胸罩销售数量 胸罩销售总数量 第1类数据和第2类数据的差值（百分比） 这3类数据完全可以用一条 SQL 语句搞定，为了同时搞定 A、B、C 和 D 罩杯的销售比例，可以用4条类似的 SQL 语句，中间用 union all 连接。

        select 'A' as 罩杯,printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null)))  as 比例 from t_sales where size1='A'
union all
select 'B',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null)))  from t_sales where size1='B'
union all
select 'C',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null)))  from t_sales where size1='C'
union all
select 'D',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null)))  from t_sales where size1='D'

执行上面的 SQL 语句，会看到如图1所示的查询结果。


v2-019b957d87ef1d13893c2bb87f860ff6_b.jpg


图1 查询结果

不过图1所示的分析结果有些问题，就是没有按销量排序，而且没有显示具体的销量。如果要按销量排序，而且加上具体的销量，需要使用下面的 SQL 语句。

        select 'A' as 罩杯,printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null)))  as 比例, count(*) as 销量 from t_sales where size1='A'
union all
select 'B',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null))) , count(*) as c from t_sales where size1='B'
union all
select 'C',printf("%0.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null))) , count(*) as c from t_sales where size1='C'
union all
select 'D',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where size1 is not null))) , count(*) as c from t_sales where size1='D'
order by 销量 desc

上面的 SQL 语句不仅加入了销售比例，还加入了销售数量，并且按销量降序排列。这些 SQL 语句需要考虑 size1 字段空值的情况，因为抓取的少部分销售记录并没有罩杯尺寸数据。执行上面的 SQL 语句后，会输出如图2所示的查询结果。


v2-71335c4e2a9fac528286ce21be69866a_b.jpg


从图2的统计结果可以看出，B 罩杯占总体的销售比例最大，其次是 A 罩杯，也就是说中国女性胸部尺寸主要集中在 A 和 B 罩杯。

用 Pandas 和 Matplotlib 分析对胸罩销售比例进行可视化分析

既然 Python 提供了这么好的 Pandas 和 Matplotlib，那么就可以完全不使用 SQL 语句进行数据分析了，可以 100% 使用 Python 代码搞定一切。

本节将使用 Pandas 完成与前面相同的数据分析，并使用 Matplotlib 将分析结果以图形化方式展现出来。

Pandas 在前面的文章已经讲过了，这里不再深入介绍。本次分析主要使用了 groupby 方法按罩杯（size1）分组，然后使用 count 方法统计组内数量，最后使用 insert 方法添加了一个“比例”字段。

        from pandas import *
from matplotlib.pyplot import *
import sqlite3
import sqlalchemy
# 打开bra.sqlite数据库
engine = sqlalchemy.create_engine('sqlite:///bra.sqlite')
rcParams['font.sans-serif'] = ['SimHei']
# 查询t_sales表中所有的数据
sales = read_sql('select source,size1 from t_sales',engine)
# 对size1进行分组，并统计每一组的记录数
size1Count = sales.groupby('size1')['size1'].count()
print(size1Count)
# 计算总销售数量
size1Total = size1Count.sum()
print(size1Total)
print(type(size1Count))
# 将Series转换为DataFrame
size1 = size1Count.to_frame(name='销量')
print(size1)
# 格式化浮点数
options.display.float_format = '{:,.2f}%'.format
# 插入新的“比例”列
size1.insert(0,'比例', 100 * size1Count / size1Total)
print(size1)
# 将索引名改为“罩杯”
size1.index.names=['罩杯']
print(size1)# 数据可视化
print(size1['销量'])
# 饼图要显示的文本
labels = ['A罩杯','B罩杯','C罩杯','D罩杯']
# 用饼图绘制销售比例
size1['销量'].plot(kind='pie',labels = labels, autopct='%.2f%%')
# 设置长宽相同
axis('equal')
legend()
show()

运行程序，会看到在窗口上绘制了如图3所示的胸罩销售比例，用 Pandas 分析得到的数据与使用 SQL 分析得到的数据完全相同。


v2-25117490583cd0de333c2d184f55ea43_b.jpg

直接在 Python 脚本中使用复杂的 SQL 语句

如果读者不想过多使用 Pandas 的 API 进行数据分析，也可以直接在 Pandas 中使用复杂的 SQL 语句，一步到位地获取分析结果。下面的代码直接通过 SQL 语句分析出了结果，最后只是利用 Matplotlib 将数据可视化。

        # 直接使用复杂的SQL语句和视图
from pandas import *
from matplotlib.pyplot import *
import sqlite3
import sqlalchemy
engine = sqlalchemy.create_engine('sqlite:///bra.sqlite')
rcParams['font.sans-serif'] = ['SimHei']
# 执行复杂的SQL语句
sales = read_sql('''
select 'A' as 罩杯,  printf('%.2f%%',(100.0 * count(*) / (select count(*) from t_sales where size1 is not null))) as 比例,count(*) as 销量 from t_sales where size1='A'
union all
select 'B' , printf('%.2f%%',(100.0 * count(*) / (select count(*) from t_sales where size1 is not null))) as 比例,count(*) from t_sales where size1='B'
union all
select 'C' , printf('%.2f%%',(100.0 * count(*) / (select count(*) from t_sales where size1 is not null))) as 比例,count(*)from t_sales where size1='C'
union all
select 'D' , printf('%.2f%%',(100.0 * count(*) / (select count(*) from t_sales where size1 is not null))) as 比例,count(*) from t_sales where size1='D'
order by 销量 desc
''',engine)
print(sales)
# 将前面的SQL语句建成一个视图，然后执行，效果相同
sales1 = read_sql('select * from v_sales', engine)labels = ['A罩杯','B罩杯','C罩杯','D罩杯']
sales1['销量'].plot(kind='pie',labels = labels, autopct='%.2f%%')
axis('equal')
legend()
show()

执行上面的程序，会看到如图4所示的效果。


v2-3623a6906f505baa5ad7cebc0bee0499_b.jpg

用 SQL 语句对天猫商城胸罩销售数据进行分析

我们可以利用 SQL 语句分别统计天猫和京东关于胸罩销售的比例，下面现以天猫为例进行统计。

        select 'A' as 罩杯,printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where source='天猫' and size1 is not null)))  as 比例 from t_sales where size1='A' and source='天猫'
union all
select 'B',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where source='天猫' and  size1 is not null)))  from t_sales where source='天猫' and  size1='B'
union all
select 'C',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where source='天猫' and  size1 is not null)))  from t_sales where source='天猫' and size1='C'
union all
select 'D',printf("%.2f%%",(100.0 * count(*)/ (select count(*) from t_sales  where source='天猫' and size1 is not null)))  from t_sales where source='天猫' and size1='D'

上面 SQL 语句的执行结果如图5所示。


v2-5f46c9c61d34794f8781bfd4c406e6e4_b.jpg

我们可以看到，天猫商城胸罩销售比例与总体销售比例的趋势类似，只是具体的数值有差异，但仍然是 B 罩杯销售的最好。

使用 Pandas 分别对天猫和京东胸罩销售数据进行分析

        # 分析与可视化天猫和京东胸罩ABCD罩杯的销售比例
from pandas import *
from matplotlib.pyplot import *
import sqlite3
import sqlalchemy
# 打开数据库
engine = sqlalchemy.create_engine('sqlite:///bra.sqlite')
rcParams['font.sans-serif'] = ['SimHei']
options.display.float_format = '{:,.2f}%'.format# 只选取source和size1，source表示数据来源（天猫或京东）
sales = read_sql('select source,size1 from t_sales',engine)
# 过滤天猫胸罩销售数据，并按罩杯分组（size1字段），统计出每个罩杯的具体销量
tmallSize1GroupCount = sales[sales['source'] == '天猫'].groupby('size1')['size1'].count()
# 计算出总销量
tmallSize1Total = tmallSize1GroupCount.sum()
print(tmallSize1Total)
# 将Series转换为DataFrame
tmallSize1 = tmallSize1GroupCount.to_frame(name='销量')
# 插入一个“比例”字段，用于显示销售比例
tmallSize1.insert(0,'比例',100 * tmallSize1GroupCount / tmallSize1Total)
# 将索引名改成“罩杯”
tmallSize1.index.names=['罩杯']
print(tmallSize1)# 京东的分析方式与天猫类似
jdSize1GroupCount = sales[sales['source'] == '京东'].groupby('size1')['size1'].count()
jdSize1Total = jdSize1GroupCount.sum()
print(jdSize1GroupCount)
# 将Series转换为DataFrame
jdSize1 = jdSize1GroupCount.to_frame(name='销量')jdSize1.insert(0,'比例',100 * jdSize1GroupCount / jdSize1Total)
jdSize1.index.names=['罩杯']
print(jdSize1)labels1 = []
labels2 = []
labels1 = tmallSize1.index.tolist()
labels2= jdSize1.index.tolist()
for i in range(len(labels1)):labels1[i] = labels1[i] + '罩杯'
for i in range(len(labels2)):labels2[i] = labels2[i] + '罩杯'
# 下面的代码会将天猫和京东的胸罩销售数据饼图放到同一个窗口显示
fig,(ax1,ax2) = subplots(1,2,figsize=(12,6))
ax1.pie(tmallSize1['销量'],labels = labels1, autopct='%.2f%%')
ax2.pie(jdSize1['销量'],labels = labels2, autopct='%.2f%%')
ax1.legend()
ax2.legend()
ax1.axis('equal')
ax2.axis('equal')
show()

执行上面的代码，会显示如图6所示的胸罩销售比例统计图。


v2-260932c7f3990b433b477a360dc3a1f8_b.jpg

从图6的分析结果可以看出，天猫和京东的 B 罩杯销售比例都很大，不过京东 B 罩杯销售比例特别大，不知道是什么原因导致的，姑且认为到京东买胸罩的大多都是 B 罩杯吧！

如果你有疑问欢迎加微信咨询：


v2-52b6f837be283214a9815bdaf2650b34_b.jpg


也可以关注我的公众号想我提问：

v2-0a9159f405d92730d1183d93d381d65d_b.jpg

这篇关于BD第7课：分析罩杯销售的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/238181。

相关文章

Spring事务中@Transactional注解不生效的原因分析与解决

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3
阅读更多...
找不到Anaconda prompt终端的原因分析及解决方案

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An
阅读更多...
Spring定时任务只执行一次的原因分析与解决方案

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况？这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次？3.1 未启用
阅读更多...
C++ 各种map特点对比分析

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map（如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现：基于红黑
阅读更多...
Spring、Spring Boot、Spring Cloud 的区别与联系分析

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin
阅读更多...
Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory
阅读更多...
MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

《MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析》本文将详细讲解MyBatis-Plus中的lambdaUpdate用法,并提供丰富的案例来帮助读者更好地理解和应... 目录深入探索MyBATis-Plus中Service接口的lambdaUpdate用法及示例案例背景
阅读更多...
MyBatis-Plus中静态工具Db的多种用法及实例分析

MyBatis-Plus中静态工具Db的多种用法及实例分析

《MyBatis-Plus中静态工具Db的多种用法及实例分析》本文将详细讲解MyBatis-Plus中静态工具Db的各种用法,并结合具体案例进行演示和说明,具有很好的参考价值,希望对大家有所帮助,如有... 目录MyBATis-Plus中静态工具Db的多种用法及实例案例背景使用静态工具Db进行数据库操作插入
阅读更多...
Go使用pprof进行CPU,内存和阻塞情况分析

Go使用pprof进行CPU,内存和阻塞情况分析

《Go使用pprof进行CPU,内存和阻塞情况分析》Go语言提供了强大的pprof工具,用于分析CPU、内存、Goroutine阻塞等性能问题,帮助开发者优化程序,提高运行效率,下面我们就来深入了解下... 目录1. pprof 介绍2. 快速上手：启用 pprof3. CPU Profiling：分析 C
阅读更多...
MySQL表锁、页面锁和行锁的作用及其优缺点对比分析

MySQL表锁、页面锁和行锁的作用及其优缺点对比分析

《MySQL表锁、页面锁和行锁的作用及其优缺点对比分析》MySQL中的表锁、页面锁和行锁各有特点,适用于不同的场景,表锁锁定整个表,适用于批量操作和MyISAM存储引擎,页面锁锁定数据页,适用于旧版本... 目录1. 表锁（Table Lock）2. 页面锁（Page Lock）3. 行锁（Row Lock
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2