简介面向Python期末大作业与数据可视化入门者这份商品销售数据分析可视化系统源码提供了从数据采集、清洗到可视化展示的完整可运行项目。项目基于Flask框架搭建集成爬虫脚本、商品/厨卫评论等真实业务数据并借助LDA主题模型进行情感分析最终以图表和网页形式呈现销售趋势与用户评价适合作为课程设计或毕业设计的参考原型。压缩包共73个文件以Python脚本、HTML模板、JavaScript交互、CSV数据表及SQL数据库脚本为主辅以Excel数据、PNG/JPG图片、配置文件等整体约14.28MB目录按功能模块划分便于直接运行和二次开发。目前已有572人学习下载项目经过严格调试且评分达95分以上。通过源码可掌握数据抓取、Pandas处理、Flask后端、ECharts可视化及LDA分析等实际技能并附测试文档与预测代码能帮助快速理解完整分析流程。1. 基于Python的商品销售数据分析可视化系统一份期末大作业该有的体面期末作业想拿95分以上很多同学第一反应是去下一个“基于Python的商品销售数据分析可视化系统源码”压缩包。下载、解压、按README跑结果十有八九是缺库、乱码、图表白屏或者跑出来了但老师追问两句就答不上来。这类项目表面是源码交付本质是一条完整数据流水线数据进来、清洗、聚合、画图、拼大屏、出结论。这篇就按这条流水线把每个环节的参数和坑讲透。适合准备期末大作业的在校生也适合刚入行想快速搭一个数据分析Demo的从业者。照着做你交出去的不再是“能跑的程序”而是“经得起追问的作品”。2. 先把需求盘清楚再动手从95分倒推系统功能与技术选型期末作业评分不是一个黑箱老师手里那张评分表逐项对应的是数据量、清洗过程、分析维度、图表数量和答辩回答。先把这五件事想清楚再去选库系统写起来是顺水推舟而不是边写边拍脑袋。2.1 一份能上95分的作业至少要有四个模块先列功能清单。绝大多数拿90分以上的商品销售分析项目逃不开下面四块数据导入模块能读CSV或Excel至少包含日期、金额、品类、地区四类字段数据清洗模块处理缺失值、重复值、异常值并把清洗前后的行数变化打印出来统计分析模块做时间趋势、品类占比、地域排名的分组聚合可视化输出模块把统计结果转成图表最终拼成一张可交互的可视化大屏或HTML报告。对着这四块打勾缺哪个分就往哪个方向丢。为什么要打印清洗前后的行数变化因为老师看不到数据原貌只能从输出日志判断“这个人真的做了清洗”。很多网上流传的zip里清洗代码写了但没有输出答辩时连删了多少行都说不清。我一般会在每个清洗步骤后加一行print把DataFrame的shape打出来这是成本最低的加分项。项目结构也要在动手前定好。常见做法是把代码按职责拆成几个文件而不是把所有逻辑堆在一个脚本里推荐一个期末大作业够用的目录sales_analysis/ ├── data/ # 数据文件 ├── src/ # 源码 │ ├── data_clean.py # 数据清洗 │ ├── analysis.py # 统计分析 │ └── dashboard.py # 可视化输出 ├── config.py # 字体、路径等全局配置 ├── requirements.txt └── README.md这个结构的好处有两点一是答辩时老师问“数据清洗在哪”你能秒答src/data_clean.py二是自己调试时改清洗逻辑不会影响画图代码。README里写清楚运行顺序和Python安装要求老师拿到就能跑这份“工程感”对评分的影响经常被低估。2.2 技术选型对比选错可视化库等于多写两天代码数据分析部分基本没悬念Pandas加NumPy是事实标准。真正的分叉在可视化那一步。常见做法有三条路Matplotlib加Seaborn学起来最稳图能存成PNG适合把图嵌进Word实验报告pyecharts底层是echarts数据可视化输出HTML图表带悬停提示适合直接交一个网页大屏Streamlit用Python写网页控件适合答辩现场演示“能动的系统”。三者取舍整理成表可视化方案输出形态交互性答辩友好度学习成本Matplotlib SeabornPNG/PDF图片无一般适合写报告低pyecharts独立HTML大屏有悬停与缩放高打开即用中Streamlit本地Web应用有筛选控件最高但依赖环境中高我的建议是主选pyecharts因为它生成单个HTML文件答辩时浏览器打开不依赖Jupyter内核也不会因为现场没装Python而翻车。如果想老老实实放进Word实验报告那Matplotlib是底线。最怕的是两种库混着用图风格不统一一眼就能看出是拼出来的项目。环境问题也在这里一并解决。不管选哪条路都要先在项目根目录建虚拟环境把依赖写进requirements.txt。常见做法是一条命令搞定环境python -m venv venv然后激活环境后统一pip install。依赖文件里至少要有pandas、numpy、matplotlib、pyecharts、openpyxl这几项。很多源码包跑不起来的第一个原因就是依赖缺失提前锁定能省掉答辩现场装库的尴尬。2.3 没有真实销售数据时用仿真数据生成器撑起整个项目数据从哪来是写清洗代码之前必须解决的问题。真实企业数据不会拿得到爬虫现爬又太重。常见做法是自己写一个仿真数据生成器用固定随机种子保证结果可复现字段直接对齐后面的分析需求。下面这段脚本每次做这类项目我都会先跑一遍import pandas as pd import numpy as np np.random.seed(2024) # 固定种子保证每次生成的数据一致 categories [手机数码, 家用电器, 服饰鞋包, 食品饮料, 美妆个护, 图书文娱, 运动户外, 母婴用品] regions [华东, 华北, 华南, 西南, 东北] rows [] for _ in range(3000): order_date np.random.choice(pd.date_range(2024-01-01, 2024-12-31)) category np.random.choice(categories) quantity np.random.randint(1, 5) price np.random.choice([999, 599, 199, 89, 59, 399, 1299, 49]) rows.append([ fDD{np.random.randint(10000, 99999)}, order_date, category, quantity, price * quantity, np.random.choice(regions), ]) df pd.DataFrame( rows, columns[order_id, order_date, category, quantity, sales_amount, region], ) df.to_csv(sales_data.csv, indexFalse, encodingutf-8-sig)这段脚本的逻辑是循环生成3000条订单每条订单由订单号、下单日期、品类、数量、单价和地区组成销售额用价格乘数量算出避免后面分析时还要临时加列。参数选择上随机种子2024让数据可复现作业报告里写“基于模拟数据”就有据可查。日期范围用pd.date_range生成天然是日期类型后面做月度聚合不需要再转换。价格列表设计成电商常见的49、99、599这类价签画出来的销售额分布才接近真实业务不会出现均匀分布的假数据感。注意导出CSV时我用了encodingutf-8-sig而不是utf-8。带BOM的编码在Excel里打开不会乱码在Pandas里读回来也完全兼容这是血泪经验换来的。3. 数据清洗与统计分析模块用 Pandas 把脏数据变成能画图的数据很多人拿到数据的第一反应是plt.show()这是最大的认知偏差。数据可视化系统的地基不是图表而是图表背后的DataFrame。这一章从头到尾只做一件事让数据变干净、能聚合、可解释并且每一步都在终端留下痕迹。3.1 第一步永远不是画图而是读进来看结构读数据之前先假设文件里全是坑。常见做法是在项目根目录建venv虚拟环境避免污染系统Python环境如果你还在为Python安装路径和相关依赖发愁就更要用venv把依赖固定在一个文件夹里。读入代码本身不难但参数值得展开import pandas as pd df pd.read_csv( sales_data.csv, encodingutf-8-sig, parse_dates[order_date], # 直接解析成 datetime64 dtype{order_id: string}, # 订单号是字符串别被推断成 int ) print(df.shape) # 行列数清洗前的底账 print(df.dtypes) # 字段类型重点看 order_date 和 sales_amount print(df.head()) # 前五行肉眼扫一遍有没有乱码 print(df.describe()) # 数值列的均值、最值、分位数逻辑说明read_csv是入口encoding解决BOM兼容问题parse_dates把order_date转成日期类型这一步不做后面所有按时间聚合的操作都会变成字符串拼接排错代价极高。dtype把order_id明确成字符串防止把纯数字订单号读成int64导致前导零丢失。describe的输出是写报告的第一手素材比如“客单价均值约xx元”这句话可以直接引出来。参数说明shape打印的行数是原始行数这一步的数值要记下来后面清洗每删一行都能做减法验证。如果打开的是Excel而不是CSV把read_csv换成read_excel并记得安装openpyxl依赖。实际项目里经常出现两种文件混合的情况我习惯写一个load_data函数内部根据后缀名分发读法代码只维护一处。3.2 缺失值、重复值与类型陷阱清洗顺序决定后面少踩多少坑清洗顺序有讲究一般是先去重、再转类型、再删缺失、最后过滤异常值。顺序反了会出很隐蔽的问题如果把金额先转成数值某些非数值的脏数据会被转成NaN再去重时这些行会互相干扰去重结果变得不可信。# 1. 去重同一订单号只保留一条 df df.drop_duplicates(subset[order_id], keepfirst) print(去重后行数:, df.shape[0]) # 2. 金额转数值无法转换的置为 NaN df[sales_amount] pd.to_numeric(df[sales_amount], errorscoerce) # 3. 删除关键字段缺失的行 df df.dropna(subset[sales_amount, order_date]) print(删缺失后行数:, df.shape[0]) # 4. 过滤异常值金额为负或为 0 的订单直接剔除 df df[df[sales_amount] 0] print(过滤异常后行数:, df.shape[0])逻辑说明drop_duplicates的subset参数指定按order_id判断重复keepfirst保留第一条。真实电商系统同一个订单会拆成多条子订单按订单号去重会误删字段组合要看业务这里因为是仿真数据订单号唯一直接用它即可。pd.to_numeric的errorscoerce把无法解析的字符串转成NaN这行代码的精髓是保证后面求和不会报错把脏数据交给dropna处理。参数说明dropna的subset参数建议填上只填关键字段意味着其他字段缺失不会丢弃整行对品类、地区这类次要字段更宽容。df[sales_amount] 0这个布尔索引隐含了行业惯例电商销售额为负往往是退款单如果作业数据包含退款就不该简单删除而是单独建退款明细。答辩时主动说一句“我把退款单单独存了一份”这个细节比任何炫酷图表都加分。3.3 三个核心分析维度时间趋势、品类占比与地域分布数据干净了接下来是python数据分析与可视化实践里最常用的三个商品销售分析维度时间维度回答“卖得好不好”品类维度回答“什么好卖”地域维度回答“哪里好卖”。这三个维度覆盖了期末评分表里“分析全面”这一栏。# 时间维度按自然月聚合销售额 df[month] df[order_date].dt.to_period(M) monthly_sales df.groupby(month)[sales_amount].sum() # 品类维度各品类总销售额并排序 category_sales df.groupby(category)[sales_amount].sum().sort_values(ascendingFalse) # 地域维度地区销售额与销量双指标 region_stats df.groupby(region)[[sales_amount, quantity]].agg( {sales_amount: sum, quantity: sum} ).sort_values(sales_amount, ascendingFalse) print(monthly_sales) print(category_sales) print(region_stats)逻辑说明dt.to_period(M)把日期折叠成月份周期对象对Period分组比用字符串切片更稳后面画图时X轴标签自动是“2024-01”格式。category_sales排序用sort_values让饼图从大到小排列视觉上更符合阅读习惯。region_stats用agg对两列分别指定聚合方式返回的DataFrame是双指标表实用性很足。参数说明sort_values的ascending控制升降序饼图用降序柱状图如果想让类别固定显示顺序就别排序改用reindex。to_period(M)里的大写M是月度想按季度看改成Q按周看改成W。这个字母规则来自Pandas的offset别名是答辩追问的高频点。3.4 用派生指标拉开差距客单价与Top10单品三个基本维度做完项目只能算完成不算优秀。拉开分数差距的是派生指标也就是从原始字段里“无中生有”算出来的新字段。这类指标不需要额外数据却能证明数据分析素养比如客单价、件单价、Top10贡献度。# 客单价总销售额 / 订单数 average_order_value df[sales_amount].sum() / df[order_id].nunique() # 件单价总销售额 / 总件数 price_per_item df[sales_amount].sum() / df[quantity].sum() # Top5 品类按销售额排行取前五 top_categories category_sales.head(5).to_frame(sales_amount) print(客单价:, round(average_order_value, 2)) print(件单价:, round(price_per_item, 2)) print(top_categories)逻辑说明客单价的分母用order_id的nunique而不是行数因为一行不一定是一单这个细节能体现你是否理解业务语义。件单价是销售额除以总件数反映每件商品的均价对分析“促销是否拉低客单价”很有用。这里仿真数据没有具体商品名列就退而求其次用品类Top5近似展示真做项目时数据源里加一列product_name就可以换成真正的Top10条形图。参数说明nunique()是统计唯一值数量的方法和len(set())等价但性能更好。head(5)默认取前五行依赖前面已经sort_values过这个隐式依赖记得写注释不然别人改代码时会困惑“为什么没排序也能取Top5”。4. 从折线图到可视化大屏图表选型与中文渲染的完整配置统计分析做完系统才进入见人的阶段。这一章解决两件事什么样的业务问题配什么样的图以及怎么让图表在中文环境下不翻车。前者决定作业专不专业后者决定作业能不能看。4.1 每种业务问题都有固定的图表答案不用为了炫技乱选先给一张对照表这是我每次做可视化项目之前都会过一遍的清单要回答的问题推荐图表关键参数/说明销售额随时间怎么变化折线图/面积图强调趋势标记峰值点各品类谁卖得多柱状图排序后绘制横向柱状更适合中文各品类占比饼图/环形图超过五个品类时合并成“其他”地域差异地图/横向条形图没有地理库时用条形图兜底数据分布/异常箱线图看离群点适合金额字段这张表的价值在于答辩时不会在“为什么用饼图不用柱状图”这种问题上卡壳。经验是趋势必须折线排名必须柱状占比用饼图但占比分类超过六个就别用饼图了会挤成一团合并成“其他”才是专业做法。4.2 Matplotlib中文字体与保存参数一次配好到处复用中文乱码是这类项目的头号翻车现场。matplotlib默认字体里没有中文字形所有中文标题都会变成方框。解法是全局配置中文字体再关掉unicode负号。import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [Microsoft YaHei, SimHei] plt.rcParams[axes.unicode_minus] False逻辑说明font.sans-serif接收字体列表matplotlib按顺序找第一个存在的字体。Microsoft YaHei是Windows的微软雅黑SimHei是黑体Mac或Linux换成PingFang SC或Noto Sans CJK SC。第二行必须跟着写默认的负号编码在改字体后会显示成方块。这两行是所有画图代码的地基我习惯放在项目config.py里任何脚本都先import它。fig, ax plt.subplots(figsize(10, 5)) monthly_sales.plot(axax, markero, linewidth2) ax.set_title(2024年月度销售额趋势, fontsize14) ax.set_xlabel(月份, fontsize10) ax.set_ylabel(销售额(元), fontsize10) ax.grid(alpha0.3, linestyle--) fig.autofmt_xdate() # 自动旋转日期标签防止重叠 plt.savefig(monthly_trend.png, dpi150, bbox_inchestight)逻辑说明monthly_sales.plot是Pandas内置的绘图快捷方式内部调用matplotlib。markero在折线每个数据点画圆点让趋势在黑白打印时也看得清。autofmt_xdate是整个图里最容易被忽略的函数它根据日期跨度自动旋转标签角度不调它的话1月和12月的标签会叠在一起。参数说明savefig的dpi建议至少150Word插图清晰度靠它。bbox_inchestight自动裁掉图四周留白对“边缘被截断”和“一大片白”立竿见影。如果图里有多个子图保存前先调用plt.tight_layout()否则子图标题互相压住。4.3 用pyecharts组装可视化大屏从单图到多图联动如果作业目标是交一份可交互的可视化大屏而不是静态图片pyecharts是最常见的选择。它的底层是echarts数据可视化库生成HTML文件打开就能交互对期末答辩来说几乎零风险。from pyecharts import options as opts from pyecharts.charts import Bar, Line, Pie, Page # 月度趋势折线图 line ( Line() .add_xaxis([str(m) for m in monthly_sales.index]) .add_yaxis(销售额, [round(v, 2) for v in monthly_sales.values]) .set_global_opts(title_optsopts.TitleOpts(title月度销售额趋势)) ) # 品类占比环形图 pie ( Pie() .add( 品类, [(str(c), round(float(v), 2)) for c, v in category_sales.items()], radius[40%, 70%], # 环形效果 ) .set_global_opts(legend_optsopts.LegendOpts(pos_top8%)) ) # 地域排名柱状图 bar ( Bar() .add_xaxis(region_stats.index.tolist()) .add_yaxis(销售额, [round(v, 2) for v in region_stats[sales_amount]]) .set_global_opts(title_optsopts.TitleOpts(title地域销售额排名)) ) page Page(layoutPage.SimplePageLayout) page.add(line, pie, bar) page.render(sales_dashboard.html)逻辑说明pyecharts 1.x的API是链式调用每个chart实例通过add_xaxis和add_yaxis喂数据set_global_opts设置标题图例。Pie的add第二个参数接收[(标签, 值)]列表radius的百分比字符串控制内外半径形成环形图。Page对象把多个图表拼成一页SimplePageLayout让它们纵向排列想做成网格大屏可以改用Grid或自定义HTML模板。参数说明str(m)是关键坑点monthly_sales.index是Period类型直接传add_xaxis会报类型错误先转成“2024-01”格式。值列表用round统一保留两位小数防止HTML显示一长串浮点。如果数据上万条别忘了加datazoom滚动条通过set_global_opts的datazoom_opts控制初始范围和缩放步长。4.4 图表风格的高分感来自配色和留白而不是堆图企业级数据可视化和期末作业最大的差距不在技术而在审美。具体三件事一全系统只用一个主色系比如蓝或青辅助色只用于异常和强调二标题、轴标签、图例的字号层级要拉开标题最大轴标签次之三大屏页面不要满满当当每个图表之间留空隙宁可少放一张图也不要挤成一锅粥。另外图表上要标数据和结论。pyecharts里set_series_opts的label_opts可以让数值直接显示在柱顶或折线上答辩时老师一眼看到数字不用凑到屏幕前猜。这一招对可视化大屏的观感提升比任何复杂图形都管用。5. 期末大作业常见翻车点排查编码、字体、版本与答辩提问这一章是踩坑记录合集下面几条是我见过最典型的翻车现场每条按现象、原因、解决三段来写可以当成排错索引出问题时对号入座。5.1 UnicodeDecodeError编码方向反了文件根本读不进现象read_csv一执行就抛UnicodeDecodeError中文全变乱码。不少源码包里的数据文件是Excel另存出来的编码不一定是UTF-8。原因CSV文件的实际编码与你指定的encoding参数不一致。中国大陆Windows默认的Excel另存CSV常用GBK或GB2312而read_csv写的还是utf-8。解决不要猜用二进制模式读前几行确认。常见做法是试错法先utf-8抛错就换gbk再不行用utf-8-sig。更稳的是先小样本探路pd.read_csv(file, nrows5, encodinggbk)能读出中文说明猜对了。我习惯再包一层try-except-else兜着编码探测交给chardet库处理但期末作业里试错法完全够用。5.2 中文显示成方框rcParams只在当前进程生效现象在Jupyter里画图中文全变成小方框白底黑框特别扎眼同一个配置换到另一个脚本里却正常。原因rcParams是运行时配置只对当前进程生效。换了内核、重启了会话、或在两个Notebook之间切换配置就丢了。另一个隐藏原因是当前环境根本没有微软雅黑字体比如在Linux服务器上跑配了也找不到字形。解决把字体配置写进项目统一的config.py所有画图脚本开头import config而不是每个Notebook单独设置。Linux或Docker环境先确认系统中文字体是否存在用fc-list :langzh查一下。没有字体时退而求其次图表标题全部用英文至少不翻车。5.3 月度聚合后折线图多出奇怪的柱子现象groupby按月求和后画折线X轴上除了正常月份还多出几根奇怪的柱子数据对不上。原因原始order_date可能带时间部分或者数据跨了两年。用dt.month聚合会把不同年份的同月合并到同一根柱子下面如果原始日期混了去年数据折线图就会显示超过12个点。解决先确认日期范围print(df[order_date].min(), df[order_date].max())。聚合统一用to_period(M)X轴标签带年份str(period)正好解决。想精确限制某一年先按df[df[order_date].dt.year 2024]切片再聚合。5.4 pyecharts页面白屏或图表不渲染版本间API断裂现象从网上扒的代码里写bar.add(销售额, axis, values)本地跑出来一个空HTML另一些代码用bar.add_yaxis却报找不到方法。原因pyecharts 0.5.x和1.x是两个互不兼容的大版本。0.5的add是旧API1.x全面改成组件式调用add_xaxis、add_yaxis、set_global_opts。很多老源码包和教程停留在0.5时代。解决统一用1.xpip install pyecharts装到的是最新大版本。遇到别人源码里add不带后缀说明这个zip太老要么升级API要么重写图表部分。判断版本就执行print(pyecharts.version)大于等于1就按1.x写法。5.5 老师盯着图问“这说明什么”源码包从来没给你准备答案现象图表都在、数据也对但老师随便指一张图问业务结论当场愣住。这是期末大作业最常见的低分开场。原因下载的源码包里只有代码和图表没有业务解读。代码能画出图但画图的人不理解图里的数字意味着什么。解决每一张核心图提前在报告里写三句话这张图反映了什么规律这个规律可能的业务原因如果要提升销售下一步做什么。比如“8月销售额达到峰值暑期促销拉动手机数码品类建议对华东地区追加营销预算”。这套话术是可视化系统的灵魂。写代码时顺手把结论打印出来答辩时直接引。6. 上95分的最后一公里把流程封装成函数带着数字讲数据故事6.1 把整套流程封装成三个可复用函数最后一个环节把前面几章的流程收拢成三个函数load_and_clean返回干净的DataFrameanalyze返回统计结果字典render输出HTML大屏。封装之后项目结构从“一堆散脚本”变成“一个可复用系统”这是评分表里“系统性”那一档的加分项。def run_pipeline(csv_path: str) - None: df load_and_clean(csv_path) metrics analyze(df) render_dashboard(df, metrics) print(分析完成报告已生成 sales_dashboard.html)这个入口函数把每个阶段隔离后期替换数据源只改load_and_clean内部逻辑调试时可以随时把render注释掉只看统计结果。csv_path用字符串路径即可但如果要兼容Windows路径建议开头做一次os.path.exists判断路径报错信息会比Pandas抛出来的友好得多。6.2 答辩演示的讲法图是证据结论是主角答辩演示有一个重点先讲业务结论再指图表证据。比如“今年销售额在8月达到峰值主要由手机数码拉动华东贡献最大”说完再让大屏翻到对应图表。记住图是证据结论是主角。这是我带过好几届课程设计之后反复踩坑得到的教训代码再漂亮说不出来等于零结论清楚代码粗糙一点也能过关。最后给一个压箱底建议交作业前把自己当讲师按“现状—结论—原因—建议”讲一遍顺不顺、卡不卡当场就能暴露。数据可视化系统是给人看的不是给机器跑的把话练顺了95分就是水到渠成的事。希望帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/10 17:32:33 · 阅读 1.2k 基于Python的商品销售数据分析可视化系统全流程实战
简介面向Python期末大作业与数据可视化入门者这份商品销售数据分析可视化系统源码提供了从数据采集、清洗到可视化展示的完整可运行项目。项目基于Flask框架搭建集成爬虫脚本、商品/厨卫评论等真实业务数据并借助LDA主题模型进行情感分析最终以图表和网页形式呈现销售趋势与用户评价适合作为课程设计或毕业设计的参考原型。压缩包共73个文件以Python脚本、HTML模板、JavaScript交互、CSV数据表及SQL数据库脚本为主辅以Excel数据、PNG/JPG图片、配置文件等整体约14.28MB目录按功能模块划分便于直接运行和二次开发。目前已有572人学习下载项目经过严格调试且评分达95分以上。通过源码可掌握数据抓取、Pandas处理、Flask后端、ECharts可视化及LDA分析等实际技能并附测试文档与预测代码能帮助快速理解完整分析流程。1. 基于Python的商品销售数据分析可视化系统一份期末大作业该有的体面期末作业想拿95分以上很多同学第一反应是去下一个“基于Python的商品销售数据分析可视化系统源码”压缩包。下载、解压、按README跑结果十有八九是缺库、乱码、图表白屏或者跑出来了但老师追问两句就答不上来。这类项目表面是源码交付本质是一条完整数据流水线数据进来、清洗、聚合、画图、拼大屏、出结论。这篇就按这条流水线把每个环节的参数和坑讲透。适合准备期末大作业的在校生也适合刚入行想快速搭一个数据分析Demo的从业者。照着做你交出去的不再是“能跑的程序”而是“经得起追问的作品”。2. 先把需求盘清楚再动手从95分倒推系统功能与技术选型期末作业评分不是一个黑箱老师手里那张评分表逐项对应的是数据量、清洗过程、分析维度、图表数量和答辩回答。先把这五件事想清楚再去选库系统写起来是顺水推舟而不是边写边拍脑袋。2.1 一份能上95分的作业至少要有四个模块先列功能清单。绝大多数拿90分以上的商品销售分析项目逃不开下面四块数据导入模块能读CSV或Excel至少包含日期、金额、品类、地区四类字段数据清洗模块处理缺失值、重复值、异常值并把清洗前后的行数变化打印出来统计分析模块做时间趋势、品类占比、地域排名的分组聚合可视化输出模块把统计结果转成图表最终拼成一张可交互的可视化大屏或HTML报告。对着这四块打勾缺哪个分就往哪个方向丢。为什么要打印清洗前后的行数变化因为老师看不到数据原貌只能从输出日志判断“这个人真的做了清洗”。很多网上流传的zip里清洗代码写了但没有输出答辩时连删了多少行都说不清。我一般会在每个清洗步骤后加一行print把DataFrame的shape打出来这是成本最低的加分项。项目结构也要在动手前定好。常见做法是把代码按职责拆成几个文件而不是把所有逻辑堆在一个脚本里推荐一个期末大作业够用的目录sales_analysis/ ├── data/ # 数据文件 ├── src/ # 源码 │ ├── data_clean.py # 数据清洗 │ ├── analysis.py # 统计分析 │ └── dashboard.py # 可视化输出 ├── config.py # 字体、路径等全局配置 ├── requirements.txt └── README.md这个结构的好处有两点一是答辩时老师问“数据清洗在哪”你能秒答src/data_clean.py二是自己调试时改清洗逻辑不会影响画图代码。README里写清楚运行顺序和Python安装要求老师拿到就能跑这份“工程感”对评分的影响经常被低估。2.2 技术选型对比选错可视化库等于多写两天代码数据分析部分基本没悬念Pandas加NumPy是事实标准。真正的分叉在可视化那一步。常见做法有三条路Matplotlib加Seaborn学起来最稳图能存成PNG适合把图嵌进Word实验报告pyecharts底层是echarts数据可视化输出HTML图表带悬停提示适合直接交一个网页大屏Streamlit用Python写网页控件适合答辩现场演示“能动的系统”。三者取舍整理成表可视化方案输出形态交互性答辩友好度学习成本Matplotlib SeabornPNG/PDF图片无一般适合写报告低pyecharts独立HTML大屏有悬停与缩放高打开即用中Streamlit本地Web应用有筛选控件最高但依赖环境中高我的建议是主选pyecharts因为它生成单个HTML文件答辩时浏览器打开不依赖Jupyter内核也不会因为现场没装Python而翻车。如果想老老实实放进Word实验报告那Matplotlib是底线。最怕的是两种库混着用图风格不统一一眼就能看出是拼出来的项目。环境问题也在这里一并解决。不管选哪条路都要先在项目根目录建虚拟环境把依赖写进requirements.txt。常见做法是一条命令搞定环境python -m venv venv然后激活环境后统一pip install。依赖文件里至少要有pandas、numpy、matplotlib、pyecharts、openpyxl这几项。很多源码包跑不起来的第一个原因就是依赖缺失提前锁定能省掉答辩现场装库的尴尬。2.3 没有真实销售数据时用仿真数据生成器撑起整个项目数据从哪来是写清洗代码之前必须解决的问题。真实企业数据不会拿得到爬虫现爬又太重。常见做法是自己写一个仿真数据生成器用固定随机种子保证结果可复现字段直接对齐后面的分析需求。下面这段脚本每次做这类项目我都会先跑一遍import pandas as pd import numpy as np np.random.seed(2024) # 固定种子保证每次生成的数据一致 categories [手机数码, 家用电器, 服饰鞋包, 食品饮料, 美妆个护, 图书文娱, 运动户外, 母婴用品] regions [华东, 华北, 华南, 西南, 东北] rows [] for _ in range(3000): order_date np.random.choice(pd.date_range(2024-01-01, 2024-12-31)) category np.random.choice(categories) quantity np.random.randint(1, 5) price np.random.choice([999, 599, 199, 89, 59, 399, 1299, 49]) rows.append([ fDD{np.random.randint(10000, 99999)}, order_date, category, quantity, price * quantity, np.random.choice(regions), ]) df pd.DataFrame( rows, columns[order_id, order_date, category, quantity, sales_amount, region], ) df.to_csv(sales_data.csv, indexFalse, encodingutf-8-sig)这段脚本的逻辑是循环生成3000条订单每条订单由订单号、下单日期、品类、数量、单价和地区组成销售额用价格乘数量算出避免后面分析时还要临时加列。参数选择上随机种子2024让数据可复现作业报告里写“基于模拟数据”就有据可查。日期范围用pd.date_range生成天然是日期类型后面做月度聚合不需要再转换。价格列表设计成电商常见的49、99、599这类价签画出来的销售额分布才接近真实业务不会出现均匀分布的假数据感。注意导出CSV时我用了encodingutf-8-sig而不是utf-8。带BOM的编码在Excel里打开不会乱码在Pandas里读回来也完全兼容这是血泪经验换来的。3. 数据清洗与统计分析模块用 Pandas 把脏数据变成能画图的数据很多人拿到数据的第一反应是plt.show()这是最大的认知偏差。数据可视化系统的地基不是图表而是图表背后的DataFrame。这一章从头到尾只做一件事让数据变干净、能聚合、可解释并且每一步都在终端留下痕迹。3.1 第一步永远不是画图而是读进来看结构读数据之前先假设文件里全是坑。常见做法是在项目根目录建venv虚拟环境避免污染系统Python环境如果你还在为Python安装路径和相关依赖发愁就更要用venv把依赖固定在一个文件夹里。读入代码本身不难但参数值得展开import pandas as pd df pd.read_csv( sales_data.csv, encodingutf-8-sig, parse_dates[order_date], # 直接解析成 datetime64 dtype{order_id: string}, # 订单号是字符串别被推断成 int ) print(df.shape) # 行列数清洗前的底账 print(df.dtypes) # 字段类型重点看 order_date 和 sales_amount print(df.head()) # 前五行肉眼扫一遍有没有乱码 print(df.describe()) # 数值列的均值、最值、分位数逻辑说明read_csv是入口encoding解决BOM兼容问题parse_dates把order_date转成日期类型这一步不做后面所有按时间聚合的操作都会变成字符串拼接排错代价极高。dtype把order_id明确成字符串防止把纯数字订单号读成int64导致前导零丢失。describe的输出是写报告的第一手素材比如“客单价均值约xx元”这句话可以直接引出来。参数说明shape打印的行数是原始行数这一步的数值要记下来后面清洗每删一行都能做减法验证。如果打开的是Excel而不是CSV把read_csv换成read_excel并记得安装openpyxl依赖。实际项目里经常出现两种文件混合的情况我习惯写一个load_data函数内部根据后缀名分发读法代码只维护一处。3.2 缺失值、重复值与类型陷阱清洗顺序决定后面少踩多少坑清洗顺序有讲究一般是先去重、再转类型、再删缺失、最后过滤异常值。顺序反了会出很隐蔽的问题如果把金额先转成数值某些非数值的脏数据会被转成NaN再去重时这些行会互相干扰去重结果变得不可信。# 1. 去重同一订单号只保留一条 df df.drop_duplicates(subset[order_id], keepfirst) print(去重后行数:, df.shape[0]) # 2. 金额转数值无法转换的置为 NaN df[sales_amount] pd.to_numeric(df[sales_amount], errorscoerce) # 3. 删除关键字段缺失的行 df df.dropna(subset[sales_amount, order_date]) print(删缺失后行数:, df.shape[0]) # 4. 过滤异常值金额为负或为 0 的订单直接剔除 df df[df[sales_amount] 0] print(过滤异常后行数:, df.shape[0])逻辑说明drop_duplicates的subset参数指定按order_id判断重复keepfirst保留第一条。真实电商系统同一个订单会拆成多条子订单按订单号去重会误删字段组合要看业务这里因为是仿真数据订单号唯一直接用它即可。pd.to_numeric的errorscoerce把无法解析的字符串转成NaN这行代码的精髓是保证后面求和不会报错把脏数据交给dropna处理。参数说明dropna的subset参数建议填上只填关键字段意味着其他字段缺失不会丢弃整行对品类、地区这类次要字段更宽容。df[sales_amount] 0这个布尔索引隐含了行业惯例电商销售额为负往往是退款单如果作业数据包含退款就不该简单删除而是单独建退款明细。答辩时主动说一句“我把退款单单独存了一份”这个细节比任何炫酷图表都加分。3.3 三个核心分析维度时间趋势、品类占比与地域分布数据干净了接下来是python数据分析与可视化实践里最常用的三个商品销售分析维度时间维度回答“卖得好不好”品类维度回答“什么好卖”地域维度回答“哪里好卖”。这三个维度覆盖了期末评分表里“分析全面”这一栏。# 时间维度按自然月聚合销售额 df[month] df[order_date].dt.to_period(M) monthly_sales df.groupby(month)[sales_amount].sum() # 品类维度各品类总销售额并排序 category_sales df.groupby(category)[sales_amount].sum().sort_values(ascendingFalse) # 地域维度地区销售额与销量双指标 region_stats df.groupby(region)[[sales_amount, quantity]].agg( {sales_amount: sum, quantity: sum} ).sort_values(sales_amount, ascendingFalse) print(monthly_sales) print(category_sales) print(region_stats)逻辑说明dt.to_period(M)把日期折叠成月份周期对象对Period分组比用字符串切片更稳后面画图时X轴标签自动是“2024-01”格式。category_sales排序用sort_values让饼图从大到小排列视觉上更符合阅读习惯。region_stats用agg对两列分别指定聚合方式返回的DataFrame是双指标表实用性很足。参数说明sort_values的ascending控制升降序饼图用降序柱状图如果想让类别固定显示顺序就别排序改用reindex。to_period(M)里的大写M是月度想按季度看改成Q按周看改成W。这个字母规则来自Pandas的offset别名是答辩追问的高频点。3.4 用派生指标拉开差距客单价与Top10单品三个基本维度做完项目只能算完成不算优秀。拉开分数差距的是派生指标也就是从原始字段里“无中生有”算出来的新字段。这类指标不需要额外数据却能证明数据分析素养比如客单价、件单价、Top10贡献度。# 客单价总销售额 / 订单数 average_order_value df[sales_amount].sum() / df[order_id].nunique() # 件单价总销售额 / 总件数 price_per_item df[sales_amount].sum() / df[quantity].sum() # Top5 品类按销售额排行取前五 top_categories category_sales.head(5).to_frame(sales_amount) print(客单价:, round(average_order_value, 2)) print(件单价:, round(price_per_item, 2)) print(top_categories)逻辑说明客单价的分母用order_id的nunique而不是行数因为一行不一定是一单这个细节能体现你是否理解业务语义。件单价是销售额除以总件数反映每件商品的均价对分析“促销是否拉低客单价”很有用。这里仿真数据没有具体商品名列就退而求其次用品类Top5近似展示真做项目时数据源里加一列product_name就可以换成真正的Top10条形图。参数说明nunique()是统计唯一值数量的方法和len(set())等价但性能更好。head(5)默认取前五行依赖前面已经sort_values过这个隐式依赖记得写注释不然别人改代码时会困惑“为什么没排序也能取Top5”。4. 从折线图到可视化大屏图表选型与中文渲染的完整配置统计分析做完系统才进入见人的阶段。这一章解决两件事什么样的业务问题配什么样的图以及怎么让图表在中文环境下不翻车。前者决定作业专不专业后者决定作业能不能看。4.1 每种业务问题都有固定的图表答案不用为了炫技乱选先给一张对照表这是我每次做可视化项目之前都会过一遍的清单要回答的问题推荐图表关键参数/说明销售额随时间怎么变化折线图/面积图强调趋势标记峰值点各品类谁卖得多柱状图排序后绘制横向柱状更适合中文各品类占比饼图/环形图超过五个品类时合并成“其他”地域差异地图/横向条形图没有地理库时用条形图兜底数据分布/异常箱线图看离群点适合金额字段这张表的价值在于答辩时不会在“为什么用饼图不用柱状图”这种问题上卡壳。经验是趋势必须折线排名必须柱状占比用饼图但占比分类超过六个就别用饼图了会挤成一团合并成“其他”才是专业做法。4.2 Matplotlib中文字体与保存参数一次配好到处复用中文乱码是这类项目的头号翻车现场。matplotlib默认字体里没有中文字形所有中文标题都会变成方框。解法是全局配置中文字体再关掉unicode负号。import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [Microsoft YaHei, SimHei] plt.rcParams[axes.unicode_minus] False逻辑说明font.sans-serif接收字体列表matplotlib按顺序找第一个存在的字体。Microsoft YaHei是Windows的微软雅黑SimHei是黑体Mac或Linux换成PingFang SC或Noto Sans CJK SC。第二行必须跟着写默认的负号编码在改字体后会显示成方块。这两行是所有画图代码的地基我习惯放在项目config.py里任何脚本都先import它。fig, ax plt.subplots(figsize(10, 5)) monthly_sales.plot(axax, markero, linewidth2) ax.set_title(2024年月度销售额趋势, fontsize14) ax.set_xlabel(月份, fontsize10) ax.set_ylabel(销售额(元), fontsize10) ax.grid(alpha0.3, linestyle--) fig.autofmt_xdate() # 自动旋转日期标签防止重叠 plt.savefig(monthly_trend.png, dpi150, bbox_inchestight)逻辑说明monthly_sales.plot是Pandas内置的绘图快捷方式内部调用matplotlib。markero在折线每个数据点画圆点让趋势在黑白打印时也看得清。autofmt_xdate是整个图里最容易被忽略的函数它根据日期跨度自动旋转标签角度不调它的话1月和12月的标签会叠在一起。参数说明savefig的dpi建议至少150Word插图清晰度靠它。bbox_inchestight自动裁掉图四周留白对“边缘被截断”和“一大片白”立竿见影。如果图里有多个子图保存前先调用plt.tight_layout()否则子图标题互相压住。4.3 用pyecharts组装可视化大屏从单图到多图联动如果作业目标是交一份可交互的可视化大屏而不是静态图片pyecharts是最常见的选择。它的底层是echarts数据可视化库生成HTML文件打开就能交互对期末答辩来说几乎零风险。from pyecharts import options as opts from pyecharts.charts import Bar, Line, Pie, Page # 月度趋势折线图 line ( Line() .add_xaxis([str(m) for m in monthly_sales.index]) .add_yaxis(销售额, [round(v, 2) for v in monthly_sales.values]) .set_global_opts(title_optsopts.TitleOpts(title月度销售额趋势)) ) # 品类占比环形图 pie ( Pie() .add( 品类, [(str(c), round(float(v), 2)) for c, v in category_sales.items()], radius[40%, 70%], # 环形效果 ) .set_global_opts(legend_optsopts.LegendOpts(pos_top8%)) ) # 地域排名柱状图 bar ( Bar() .add_xaxis(region_stats.index.tolist()) .add_yaxis(销售额, [round(v, 2) for v in region_stats[sales_amount]]) .set_global_opts(title_optsopts.TitleOpts(title地域销售额排名)) ) page Page(layoutPage.SimplePageLayout) page.add(line, pie, bar) page.render(sales_dashboard.html)逻辑说明pyecharts 1.x的API是链式调用每个chart实例通过add_xaxis和add_yaxis喂数据set_global_opts设置标题图例。Pie的add第二个参数接收[(标签, 值)]列表radius的百分比字符串控制内外半径形成环形图。Page对象把多个图表拼成一页SimplePageLayout让它们纵向排列想做成网格大屏可以改用Grid或自定义HTML模板。参数说明str(m)是关键坑点monthly_sales.index是Period类型直接传add_xaxis会报类型错误先转成“2024-01”格式。值列表用round统一保留两位小数防止HTML显示一长串浮点。如果数据上万条别忘了加datazoom滚动条通过set_global_opts的datazoom_opts控制初始范围和缩放步长。4.4 图表风格的高分感来自配色和留白而不是堆图企业级数据可视化和期末作业最大的差距不在技术而在审美。具体三件事一全系统只用一个主色系比如蓝或青辅助色只用于异常和强调二标题、轴标签、图例的字号层级要拉开标题最大轴标签次之三大屏页面不要满满当当每个图表之间留空隙宁可少放一张图也不要挤成一锅粥。另外图表上要标数据和结论。pyecharts里set_series_opts的label_opts可以让数值直接显示在柱顶或折线上答辩时老师一眼看到数字不用凑到屏幕前猜。这一招对可视化大屏的观感提升比任何复杂图形都管用。5. 期末大作业常见翻车点排查编码、字体、版本与答辩提问这一章是踩坑记录合集下面几条是我见过最典型的翻车现场每条按现象、原因、解决三段来写可以当成排错索引出问题时对号入座。5.1 UnicodeDecodeError编码方向反了文件根本读不进现象read_csv一执行就抛UnicodeDecodeError中文全变乱码。不少源码包里的数据文件是Excel另存出来的编码不一定是UTF-8。原因CSV文件的实际编码与你指定的encoding参数不一致。中国大陆Windows默认的Excel另存CSV常用GBK或GB2312而read_csv写的还是utf-8。解决不要猜用二进制模式读前几行确认。常见做法是试错法先utf-8抛错就换gbk再不行用utf-8-sig。更稳的是先小样本探路pd.read_csv(file, nrows5, encodinggbk)能读出中文说明猜对了。我习惯再包一层try-except-else兜着编码探测交给chardet库处理但期末作业里试错法完全够用。5.2 中文显示成方框rcParams只在当前进程生效现象在Jupyter里画图中文全变成小方框白底黑框特别扎眼同一个配置换到另一个脚本里却正常。原因rcParams是运行时配置只对当前进程生效。换了内核、重启了会话、或在两个Notebook之间切换配置就丢了。另一个隐藏原因是当前环境根本没有微软雅黑字体比如在Linux服务器上跑配了也找不到字形。解决把字体配置写进项目统一的config.py所有画图脚本开头import config而不是每个Notebook单独设置。Linux或Docker环境先确认系统中文字体是否存在用fc-list :langzh查一下。没有字体时退而求其次图表标题全部用英文至少不翻车。5.3 月度聚合后折线图多出奇怪的柱子现象groupby按月求和后画折线X轴上除了正常月份还多出几根奇怪的柱子数据对不上。原因原始order_date可能带时间部分或者数据跨了两年。用dt.month聚合会把不同年份的同月合并到同一根柱子下面如果原始日期混了去年数据折线图就会显示超过12个点。解决先确认日期范围print(df[order_date].min(), df[order_date].max())。聚合统一用to_period(M)X轴标签带年份str(period)正好解决。想精确限制某一年先按df[df[order_date].dt.year 2024]切片再聚合。5.4 pyecharts页面白屏或图表不渲染版本间API断裂现象从网上扒的代码里写bar.add(销售额, axis, values)本地跑出来一个空HTML另一些代码用bar.add_yaxis却报找不到方法。原因pyecharts 0.5.x和1.x是两个互不兼容的大版本。0.5的add是旧API1.x全面改成组件式调用add_xaxis、add_yaxis、set_global_opts。很多老源码包和教程停留在0.5时代。解决统一用1.xpip install pyecharts装到的是最新大版本。遇到别人源码里add不带后缀说明这个zip太老要么升级API要么重写图表部分。判断版本就执行print(pyecharts.version)大于等于1就按1.x写法。5.5 老师盯着图问“这说明什么”源码包从来没给你准备答案现象图表都在、数据也对但老师随便指一张图问业务结论当场愣住。这是期末大作业最常见的低分开场。原因下载的源码包里只有代码和图表没有业务解读。代码能画出图但画图的人不理解图里的数字意味着什么。解决每一张核心图提前在报告里写三句话这张图反映了什么规律这个规律可能的业务原因如果要提升销售下一步做什么。比如“8月销售额达到峰值暑期促销拉动手机数码品类建议对华东地区追加营销预算”。这套话术是可视化系统的灵魂。写代码时顺手把结论打印出来答辩时直接引。6. 上95分的最后一公里把流程封装成函数带着数字讲数据故事6.1 把整套流程封装成三个可复用函数最后一个环节把前面几章的流程收拢成三个函数load_and_clean返回干净的DataFrameanalyze返回统计结果字典render输出HTML大屏。封装之后项目结构从“一堆散脚本”变成“一个可复用系统”这是评分表里“系统性”那一档的加分项。def run_pipeline(csv_path: str) - None: df load_and_clean(csv_path) metrics analyze(df) render_dashboard(df, metrics) print(分析完成报告已生成 sales_dashboard.html)这个入口函数把每个阶段隔离后期替换数据源只改load_and_clean内部逻辑调试时可以随时把render注释掉只看统计结果。csv_path用字符串路径即可但如果要兼容Windows路径建议开头做一次os.path.exists判断路径报错信息会比Pandas抛出来的友好得多。6.2 答辩演示的讲法图是证据结论是主角答辩演示有一个重点先讲业务结论再指图表证据。比如“今年销售额在8月达到峰值主要由手机数码拉动华东贡献最大”说完再让大屏翻到对应图表。记住图是证据结论是主角。这是我带过好几届课程设计之后反复踩坑得到的教训代码再漂亮说不出来等于零结论清楚代码粗糙一点也能过关。最后给一个压箱底建议交作业前把自己当讲师按“现状—结论—原因—建议”讲一遍顺不顺、卡不卡当场就能暴露。数据可视化系统是给人看的不是给机器跑的把话练顺了95分就是水到渠成的事。希望帮到你。本文还有配套的精品资源点击获取