杭州网站运营,国外排版网站,电商运营工作很难做吗,传奇霸主页游目录 概述 环境依赖 数据描述 代码概述 导包 数据读取 统计缺失值 数据结构概述 描述统计 时间轴数据转换 月交易统计直方图 周交易统计图 小时数据转换 小时折线图 销售关系可视化统计 销售占比扇形图 价格箱线图 各类别多维度条形图统计 商店位置交易量折线…目录 概述 环境依赖 数据描述 代码概述 导包 数据读取 统计缺失值 数据结构概述 描述统计 时间轴数据转换 月交易统计直方图 周交易统计图 小时数据转换 小时折线图 销售关系可视化统计 销售占比扇形图 价格箱线图 各类别多维度条形图统计 商店位置交易量折线图 不同位置产品受欢迎统计量 总收入统计 总结 配套源码和数据 配套源码和数据 概述 在这个Kaggle的笔记本中作者进行了关于咖啡店销售数据的分析。该案例提供了对数据科学和可视化技巧的全面展示适合用作博客内容来介绍如何用Python分析实际商业数据。这个Kaggle笔记本是一个很好的例子展示了如何利用数据科学技术来分析和解释商业数据适合在博客中介绍数据科学在现实世界中的应用。你可以在博客中详细介绍每个步骤的技术细节和业务洞察为读者提供实际操作的框架和灵感。 环境依赖 编程语言 Python作为数据科学领域最受欢迎的编程语言之一Python 提供了丰富的库和框架适合进行数据处理、分析、机器学习和可视化等任务。 主要的库和工具 NumPy提供高性能的多维数组对象和对这些数组的操作。它是进行科学计算的基础库支持大量的维度数组和矩阵运算。Pandas提供了DataFrame等数据结构支持灵活的数据操作是处理结构化数据的理想工具。Matplotlib一个强大的绘图库支持多种静态、动态和交互式的图表。Seaborn基于Matplotlib集成了更多的图表类型专注于统计可视化使用简单的代码就可以生成复杂的统计图表。Plotly支持创建交互式图表的库使得数据的展示更加直观和互动。 开发环境 Jupyter Notebook 或 JupyterLab这是数据科学领域广泛使用的开发工具提供了一个便捷的web界面允许你创建和共享包含实时代码、可视化和说明文本的文档。IDEs如 PyCharm, Visual Studio Code这些集成开发环境支持更复杂的项目管理和开发需求提供代码编辑、调试和版本控制等功能。 安装和管理工具 pipPython的包安装器用于安装和管理上述库。conda一个开源包管理系统和环境管理系统可以用于安装、运行和升级包和依赖关系。 操作系统 可以在多种操作系统上部署如Windows、macOS和Linux等这些系统提供了运行Python及其库的平台。 数据描述 字段名称描述transaction_id代表单个交易的唯一顺序ID。transaction_date交易日期格式MM/DD/YY。transaction_time交易时间戳格式HH:MM:SS。transaction_qty销售商品的数量。store_id发生交易的咖啡店的唯一ID。store_location发生交易的咖啡店的位置。product_id销售产品的唯一ID。unit_price销售产品的零售价格。product_category产品类别的描述。product_type产品类型的描述。product_detail产品详细描述。 代码概述 导包 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import plotly.express as px from plotly.offline import iplot from plotly.subplots import make_subplots 这段代码是用于导入进行数据分析和可视化所需的Python库的标准代码。各个库的功能和用途如下 numpy (np): 提供了支持大量维度数组与矩阵运算的函数库是科学计算的基础包。广泛用于数据处理中的各种数学运算。 pandas (pd): 是Python的一个数据分析库提供了高效地操作大型数据集所需的工具和数据结构如DataFrame。 matplotlib.pyplot (plt): 是一个非常流行的绘图库提供了一种类似于MATLAB的绘图系统。用于创建静态、动态、交互式的图表。 seaborn (sns): 基于matplotlib的数据可视化库提供了一种高级接口专注于统计图形的绘制。它使得绘制吸引人的统计图表变得更简单。 plotly.express (px) 和 plotly.subplots: plotly.express: 是一个简化的接口允许快速制作复杂的图表。Plotly Express 支持一系列图表和图形类型。make_subplots 和 iplot用于创建多子图subplot的布局和交互式图表。make_subplots 用于构建含有多个子图的图表布局而 iplot 是用于显示交互式图表的函数。 这些库共同为数据科学和机器学习项目提供了强大的数据探索、处理、分析及可视化能力。使用这些工具你可以从大量数据中洞察见解并以图形的方式展示出来非常适合进行复杂的数据分析和生成专业的报告。 数据读取 df pd.read_excel(Coffee Shop Sales.xlsx) df.head() 加载 Excel 文件 pd.read_excel(Coffee Shop Sales.xlsx)这是 Pandas 库用来读取 Excel 文件的函数。它接受文件名作为参数将数据加载到 DataFrame 中。这是直接处理 Excel 文件的高效方法。 查看数据 df.head()此函数默认返回 DataFrame 的前五行。这是一种快速查看数据初貌的方法可以帮助你了解数据集包含哪些列和基本的数据格式。 统计缺失值 print(df.isna().sum()) print(df.isnull().sum()) print(df.isnull().sum()) 数据结构概述 print(df.info())################################################# class pandas.core.frame.DataFrame RangeIndex: 149116 entries, 0 to 149115 Data columns (total 11 columns):# Column Non-Null Count Dtype --- ------ -------------- ----- 0 transaction_id 149116 non-null int64 1 transaction_date 149116 non-null datetime64[ns]2 transaction_time 149116 non-null object 3 transaction_qty 149116 non-null int64 4 store_id 149116 non-null int64 5 store_location 149116 non-null object 6 product_id 149116 non-null int64 7 unit_price 149116 non-null float64 8 product_category 149116 non-null object 9 product_type 149116 non-null object 10 product_detail 149116 non-null object dtypes: datetime64[ns](1), float64(1), int64(4), object(5) memory usage: 12.5 MB 这段代码 df.info() 用于展示 Pandas DataFrame df 中的信息概览。它显示了数据框的每一列的名称、非空值的数量、数据类型以及内存的使用情况。下面是对这段输出的详细中文解释 DataFrame 结构该 DataFrame 共包含 149116 条记录从索引 0 到 149115。 列总数数据集总共有 11 个列。 列的详情 transaction_id交易ID149116 个非空值数据类型为整数int64。transaction_date交易日期149116 个非空值数据类型为日期时间datetime64[ns]。transaction_time交易时间149116 个非空值数据类型为字符串object。transaction_qty交易数量149116 个非空值数据类型为整数int64。store_id商店ID149116 个非空值数据类型为整数int64。store_location商店位置149116 个非空值数据类型为字符串object。product_id产品ID149116 个非空值数据类型为整数int64。unit_price单价149116 个非空值数据类型为浮点数float64。product_category产品类别149116 个非空值数据类型为字符串object。product_type产品类型149116 个非空值数据类型为字符串object。product_detail产品详情149116 个非空值数据类型为字符串object。 内存使用大约为 12.5 MB。 描述统计 # describing the numerical data df.describe() # describing the categorical data df.describe(include object) 时间轴数据转换 # add new column year df[year] df[transaction_date].dt.year# add new column month df[month] df[transaction_date].dt.month_name()# add new column day df[day] df[transaction_date].dt.day_name() 这段代码是在 df DataFrame 中基于 transaction_date 列添加三个新的时间维度列年份year、月份名称month和星期名称day。每个新列都是从原始的日期时间列 transaction_date 派生而来具体功能如下 添加年份列 df[year] df[transaction_date].dt.year通过访问日期时间列的 .dt 属性和 .year 属性将交易日期的年份提取出来并创建一个名为 year 的新列。 添加月份名称列 df[month] df[transaction_date].dt.month_name()同样通过 .dt 属性使用 .month_name() 方法获取月份的英文名称如 January, February 等并将其存储在名为 month 的新列中。 添加星期名称列 df[day] df[transaction_date].dt.day_name()使用 .day_name() 方法从日期中提取出星期的名称如 Monday, Tuesday 等并将这些信息保存在名为 day 的新列中。 月交易统计直方图 iplot(px.bar(xtransactions_per_month.index, ytransactions_per_month.values,labels{x: Month, y: Number of Transactions},titleTransactions per Month, text_auto True)) 代码使用了 Plotly 的 px.bar 函数来创建一个条形图该图显示了每个月的交易数量。这是一个交互式可视化使用 iplot 函数来显示图表。  px.bar这是 Plotly Express 库中的一个函数用于创建条形图。它接收几个参数 xx轴的数据这里是 transactions_per_month.index通常代表月份。yy轴的数据这里是 transactions_per_month.values表示每个月的交易次数。labels一个字典用于自定义 x轴和 y轴的标签。这里将 x轴标签设为“Month”月份y轴标签设为“Number of Transactions”交易数量。title图表的标题“Transactions per Month”每月交易量。text_auto自动在条形图的每个条上显示数值。 iplot这是 Plotly 库的函数用于显示图表。在 Jupyter Notebook 或其他支持的环境中它会生成一个交互式图表允许用户通过鼠标悬停、放大、缩小等操作来更详细地查看数据。 # Same plot using seaborn plt.figure(figsize(10, 6)) sns.barplot(xtransactions_per_month.index, ytransactions_per_month.values, colorskyblue, palette RdBu) plt.title(Transactions per Month) plt.xlabel(Month) plt.ylabel(Number of Transactions) plt.show() 这段代码使用了 Seaborn 库来创建一个条形图显示每个月的交易数量。与前面使用 Plotly Express 的方法相比Seaborn 提供了一个更静态的可视化方式但它在学术和专业报告中非常受欢迎因为其美观和易于生成的高质量图形。下面是代码详细解释 plt.figure这是 Matplotlib 库的一个函数用于创建一个新的图形窗口。这里设置图形的大小为 10x6 英寸。 sns.barplot这是 Seaborn 库的函数用于绘制条形图。它的参数包括 xx轴的数据这里是 transactions_per_month.index通常表示月份。yy轴的数据这里是 transactions_per_month.values表示每个月的交易数量。color设置条形的颜色这里选用的是 skyblue。palette颜色主题这里使用的是 RdBu它是从红到蓝的渐变色通常用于强调数据的高低或正负变化。 plt.title, plt.xlabel, plt.ylabel这些 Matplotlib 函数用于设置图形的标题和坐标轴标签。 plt.show这个函数用于显示整个图形。在 Jupyter Notebook 中这会导致图形在输出单元中显示。 周交易统计图 iplot(px.bar(xtransactions_per_day.index, ytransactions_per_day.values,labels{x: Month, y: Number of Transactions},titleTransactions per Day, text_auto True)) 这段代码使用了 Plotly Express 库的 px.bar 函数来创建一个每日交易量的条形图。这是一种交互式可视化可以通过 iplot 函数直接在支持的环境如 Jupyter Notebook中显示。以下是代码的详细说明 px.barPlotly Express 的条形图绘制函数接收的参数如下 xx轴数据这里是 transactions_per_day.index通常表示每天的日期。yy轴数据这里是 transactions_per_day.values表示每天的交易数量。labels定义 x 轴和 y 轴的标签这里的 x 轴标签误标为 Month应改为 Day。title图表的标题这里是 Transactions per Day每日交易量。text_auto自动在每个条形上显示数值使得每个条形的具体数值一目了然。 iplot用于显示图表的 Plotly 函数。它生成的是交互式图表使得用户可以通过鼠标悬停、缩放等操作详细查看图表数据。 # Same plot using seaborn plt.figure(figsize(10, 6)) sns.barplot(xtransactions_per_day.index, ytransactions_per_day.values, colorskyblue, palette RdBu) plt.title(Transactions per Day) plt.xlabel(Month) plt.ylabel(Number of Transactions) plt.show() 这段代码使用 Seaborn 库来创建一个显示每天交易量的条形图。与 Plotly 的交互式图表相比Seaborn 提供的是静态图表但同样清晰美观适用于打印或展示在报告中。下面是代码的详细解释 plt.figure设置图表的尺寸为10英寸宽和6英寸高。 sns.barplot这是一个用于生成条形图的 Seaborn 函数其参数如下 xx轴数据此处为 transactions_per_day.index表示日期。yy轴数据此处为 transactions_per_day.values表示每天的交易数量。color设置条形的颜色为 skyblue。palette颜色主题这里使用 RdBu它是红蓝渐变色用于表示数据的变化强度或范围。 plt.title, plt.xlabel, plt.ylabel设置图表的标题、x轴和y轴标签。注意这里的 plt.xlabel 应标记为 Day 而非 Month以正确反映数据的时间维度。 plt.show这个函数用于在 Python 脚本或 Jupyter Notebook 中显示生成的图形。 小时数据转换 # add new column hour df[hour] df[transaction_time].apply(lambda x : x.hour)df.head() 添加小时列 df[hour] df[transaction_time].apply(lambda x: x.hour) 通过一个 lambda 函数提取时间对象的小时部分。这里假设 transaction_time 列已经是时间对象因此可以直接调用 .hour 属性。 查看结果 df.head() 显示 DataFrame 的前五行以验证新列 hour 是否已正确添加。 小时折线图 # see distributionsns.kdeplot(df[hour]) plt.title(Most Sales per each hour) plt.show() 这段代码使用了 Seaborn 的 sns.kdeplot 函数来绘制 hour 列的核密度估计KDE图这是一种用于展示变量分布的图表特别适用于显示销售在一天中各个小时的分布情况。以下是代码的详细解释 sns.kdeplot(df[hour])这个函数调用绘制了 hour 数据的核密度估计图。核密度估计是一种平滑的概率密度函数能够清晰地展示数据点在各个值上的分布密度。 plt.title(Most Sales per each hour)设置图表的标题这里描述的是“每个小时的最多销售量”意在展示一天中哪些小时是销售高峰。 plt.show()此函数调用确保了图表能够在 Python 脚本或 Jupyter Notebook 中被渲染并显示出来。 销售关系可视化统计 iplot(px.bar(xno_sales_quantity.index, yno_sales_quantity.values,labels{x: Quantity, y: Number of sales},titleNumber of sales quantity, text_auto True)) px.barPlotly Express 中用于生成条形图的函数它接受以下参数 xx轴的数据这里是 no_sales_quantity.index通常代表销售数量的不同类别或分组。yy轴的数据这里是 no_sales_quantity.values表示每个销售数量对应的销售次数。labels一个字典用于定义x轴和y轴的标签这里的x轴标签设为 Quantity数量y轴标签设为 Number of sales销售次数。title图表的标题这里设为 Number of sales quantity。text_auto自动在条形上显示数值这使得每个条形的具体数值一目了然。 iplot这是一个 Plotly 函数用于在 Jupyter Notebook 或类似环境中显示交互式图表。它会渲染出一个可以通过鼠标悬停、缩放、拖动等操作交互的图表。 使用这种方式生成的交互式图表不仅能够提供静态的数据视图还允许用户通过交互操作来更深入地探索数据。这种图表非常适合于演示或需要动态交互式数据展示的场合。 销售占比扇形图 iplot(px.pie(namessales_per_store.index, valuessales_per_store.values,titleNumber of sales for each store)) px.pie这是 Plotly Express 中用于生成饼图的函数它接受以下参数 names这个参数代表饼图中每个扇区的名字通常对应于数据的分类标签在这里是 sales_per_store.index表示每个商店的标识。values这个参数代表与 names 对应的数值即每个分类的大小在这里是 sales_per_store.values表示每个商店的销售数量。title图表的标题这里设置为 Number of sales for each store每个商店的销售数量。 iplot这个函数用于在 Jupyter Notebook 或类似环境中显示 Plotly 生成的交互式图表。用户可以通过点击不同的扇区来查看详细的数值信息还可以通过图表下方的工具栏进行放大、缩小、旋转等操作。 价格箱线图 # see 5 number summary to check outlierssns.boxplot(y unit_price, data df) yunit_price指定箱线图的数据源这里使用 unit_price 列。y 参数表示箱线图的数值是垂直显示的。datadf指定数据框架即包含 unit_price 数据的 DataFrame。 执行这行代码将绘制 unit_price 的箱线图图中会显示以下几个关键数据点 最小值Minimum箱形图下边界之下的线段末端。第一四分位数Q1, 25th Percentile箱形的下边界。中位数Median, 50th Percentile箱形图中间的线。第三四分位数Q3, 75th Percentile箱形的上边界。最大值Maximum箱形图上边界之上的线段末端。异常值Outliers用小点表示这些点表示那些远离四分位数范围的数据点。 这个图非常有助于识别可能的数据输入错误或异常数据可以为进一步的数据清洗和分析提供指导。在商业分析和数据分析的上下文中识别和处理异常值是非常重要的因为它们可能扭曲分析结果导致错误的商业决策。 # see distributionsns.kdeplot(x df[unit_price], fill True) plt.show() 这段代码使用 Seaborn 的 sns.kdeplot 函数来绘制 unit_price 列的核密度估计KDE图这是一种用于展示变量分布的平滑图形方法。以下是代码的详细解释 sns.kdeplot该函数用于生成一个核密度估计图这是一种分析单变量分布的方法它使用核技术平滑地估计概率密度函数。 x df[unit_price]指定 x 轴的数据源为 df 数据框中的 unit_price 列。fill True设置 fillTrue 参数将会填充曲线下的区域使得密度图的视觉效果更加明显和易于理解。 plt.show()调用这个函数来显示图形。在使用 Matplotlib 和 Seaborn 绘图时这个函数用来确保所有的绘图命令被渲染并且显示一个干净的图形没有额外的文本或信息。 各类别多维度条形图统计 # Assuming counts is the DataFrame obtained from your groupby operation counts df.groupby([product_category, product_type]).size().reset_index(name count)# Get unique categories categories counts[product_category].unique()# Create subplots for each category in a 4x2 grid fig, axes plt.subplots(5, 2, figsize (15, 20))# Flatten the axes for easier iteration axes axes.flatten()for i, category in enumerate(categories):# Filter data for each categorysubset counts[counts[product_category] category]# Sort the data by count column in descending ordersubset subset.sort_values(count, ascending False)# Create a bar plot for each category with sorted ordersns.barplot(x count, y product_type, data subset, ax axes[i], order subset[product_type])axes[i].set_title(fProduct Types in {category})axes[i].set_ylabel()axes[i].set_xlabel()axes[i].tick_params(axis x, rotation 45)axes[i].grid(True)# Adding bar labelsfor idx, bar in enumerate(axes[i].patches):axes[i].text(bar.get_width(), bar.get_y() bar.get_height() / 2, subset.iloc[idx][count], ha left, va center)# Hide extra subplots if there are fewer categories than subplots for j in range(len(categories), len(axes)):axes[j].axis(off)plt.tight_layout() plt.show() 这段代码非常适合用于在较大的数据集中可视化不同产品类别中各产品类型的数量。它使用了 matplotlib 和 seaborn 库来创建多个条形图每个图代表一个产品类别。以下是详细步骤的解释 数据准备: counts df.groupby([product_category, product_type]).size().reset_index(name count)首先通过对 product_category 和 product_type 进行分组并使用 size() 方法统计每组的大小然后调用 reset_index() 来将分组键转换成列并将计数结果命名为 count。 获取唯一的产品类别: categories counts[product_category].unique()提取所有独特的产品类别为后续的循环创建图表做准备。 创建多个子图: fig, axes plt.subplots(5, 2, figsize (15, 20))创建一个 5x2 的子图网格每个网格用于绘制一个产品类别的条形图设置整个图形的大小为 15x20 英寸。 循环绘图: 循环遍历每一个产品类别并在每个子图中创建一个针对该类别的条形图。subset counts[counts[product_category] category]筛选出当前类别的数据。subset subset.sort_values(count, ascending False)按照 count 列降序排序以便最常见的产品类型最先显示。sns.barplot(x count, y product_type, data subset, ax axes[i], order subset[product_type])使用 seaborn 的 barplot 绘制每个产品类型的数量确保条形图按数量排序。设置标题、去除 y 轴和 x 轴的标签并调整 x 轴标签的角度为 45 度以增加可读性。在每个条形图上添加数值标签显示每个产品类型的具体数量。 隐藏多余的子图: 如果产品类别的数量少于子图的数量在本例中为10个子图则隐藏多余的子图。 显示最终结果: 使用 plt.tight_layout() 优化子图的布局避免标签或标题重叠。plt.show() 显示最终的图形。 商店位置交易量折线图 # stores Vs transaction quantities# Calculate sum of transaction quantities for each store_location sum_transaction_qty df.groupby(store_location)[transaction_qty].sum().reset_index()# Create a Plotly line plot iplot(px.line(sum_transaction_qty, xstore_location, ytransaction_qty, titleTotal Transaction Quantities per Store Location,labels{store_location: Store Location, transaction_qty: Total Transaction Quantity})) 这段代码利用 Plotly Express 创建了一个线性图表用来展示每个商店位置的交易数量总和。下面是代码的具体解释和步骤 计算每个商店位置的交易数量总和 sum_transaction_qty df.groupby(store_location)[transaction_qty].sum().reset_index()首先通过 groupby 方法对 store_location 分组并对每个组的 transaction_qty 进行求和。然后调用 reset_index() 方法使得 store_location 成为 DataFrame 的一列而不是索引这对后续的绘图很重要。 创建 Plotly 线图 iplot(px.line(sum_transaction_qty, xstore_location, ytransaction_qty, titleTotal Transaction Quantities per Store Location, labels{store_location: Store Location, transaction_qty: Total Transaction Quantity}))使用 Plotly Express 的 line 函数创建线图。 xstore_location设置 x 轴为商店位置。ytransaction_qty设置 y 轴为每个位置的交易数量总和。title图表的标题。labels定义轴标签的字典以提高图表的可读性。 不同位置产品受欢迎统计量 # Stores VS product categories# Calculate number of product categories at each store location popular_products df.groupby(store_location)[product_category].value_counts().reset_index(namecount)# set figure size plt.figure(figsize(10, 5))# Create a bar plot sns.barplot(x store_location, y count, hue product_category, data popular_products, palette RdBu)plt.tight_layout() plt.show() 这段代码用于绘制一个条形图显示不同商店位置下各个产品类别的数量。通过这种方式你可以很容易地识别出在每个店铺中哪些产品类别更受欢迎。以下是具体代码解释和步骤 数据准备: popular_products df.groupby(store_location)[product_category].value_counts().reset_index(namecount)这一行代码首先对 store_location 和 product_category 进行分组并计算每个商店位置下每个产品类别的数量。使用 value_counts() 生成计数然后通过 reset_index() 将结果转换成一个更易于操作的 DataFrame并将计数列命名为 count。 设置图形尺寸: plt.figure(figsize(10, 5))设置图形的尺寸为 10x5 英寸以确保所有的数据都能被清楚地展示。 创建条形图: sns.barplot(x store_location, y count, hue product_category, data popular_products, palette RdBu)使用 seaborn 的 barplot 来绘制条形图。 xstore_location指定 x 轴为 store_location即商店位置。ycount指定 y 轴为计数值即每个产品类别在各商店位置的数量。hueproduct_categoryhue 参数用来表示不同的产品类别使得每个类别都有不同的颜色便于区分。paletteRdBu选择色板为“RdBu”它提供了从红到蓝的颜色渐变有助于在视觉上区分不同的产品类别。 调整布局并显示图形: plt.tight_layout()此函数用于自动调整子图参数确保子图的标题和轴标签不会重叠整个图形看起来更加整洁。plt.show()显示图形。这个命令在脚本或 Jupyter Notebook 中执行后会在输出区域渲染图形。 总收入统计 # Month VS revenue# Grouping by month and summing the revenue monthly_revenue df.groupby(month)[Total revenue].sum().reset_index().sort_values(by Total revenue)# create line plot sns.lineplot(x month, y Total revenue, data monthly_revenue , marker o)plt.tight_layout() plt.show() 这段代码用于创建一个折线图展示每个月的总收入情况。折线图是理解时间序列数据如收入趋势的一个非常有效的工具。以下是详细的步骤和代码解释 数据聚合: monthly_revenue df.groupby(month)[Total revenue].sum().reset_index().sort_values(byTotal revenue)首先通过 groupby 方法按照 month 对数据进行分组然后对每个组中的 Total revenue 进行求和得到每个月的总收入。接着使用 reset_index() 使得 month 从索引变成列便于后续操作。最后通过 sort_values(byTotal revenue) 按照总收入进行排序确保数据在图表中的顺序是按收入大小排列的。 创建折线图: sns.lineplot(xmonth, yTotal revenue, datamonthly_revenue, markero)使用 seaborn 的 lineplot 函数绘制折线图。 xmonth设置 x 轴为 month表示时间月份。yTotal revenue设置 y 轴为 Total revenue表示每月的收入总额。datamonthly_revenue指定数据源为 monthly_revenue DataFrame。markero在每个数据点处添加圆形标记o使图表的数据点更加突出便于观察每个月的具体收入。 布局调整和显示图形: plt.tight_layout()调用此函数以自动调整子图参数确保图表中的元素如标签和标题不会重叠使图表整体布局更加美观。plt.show()显示最终的图形。这个命令会在 Python 脚本或 Jupyter Notebook 中渲染并展示图形。 总结 本次Kaggle项目中我们通过一系列详尽的数据分析和可视化手段深入探讨了咖啡店销售数据。通过处理和分析时间序列数据我们得以观察到交易数量和销售收入在不同时间维度如月、日、小时的分布情况。进一步的数据聚合揭示了各个商店地点和产品类别的流行度以及每个商店的交易量。此外我们也评估了产品价格的分布情况识别潜在的异常值。最终这些分析为咖啡店的运营管理和策略制定提供了有价值的洞察帮助业务更好地理解市场动态和顾客偏好。 配套源码和数据 配套源码和数据