利用Python进行简单数据分析--医院销售数据分析案例

本案例数据集地址（百度网盘）：链接：https://pan.baidu.com/s/1FsEcr3lanXYbYLxGELtJZw 提取码：5nvw （此链接永久有效）

或扫描下方二维码获取：

在本次博客中，我将利用Python数据分析工具来做一个某医院某年度的销售情况汇总。

项目运行环境：

操作系统	Windows 10 64位
Python	3.7.0
开发工具	Pycharm（ipython）

数据分析的基本过程主要分为两方面：

一、数据分析的目的

一方面是发现问题，并且找到问题的根源，最终通过切实可行的办法解决存在的问题；另一方面，提取有用信息和形成结论而对数据加以详细研究和概括，对以往的数据分析，总结发展趋势，为网络营销决策提供支持。

二、数据分析基本过程

数据分析基本过程包括：获取数据、数据清洗、构建模型、数据可视化、得出结论。

1.获取数据

注：本次项目使用的数据请在前面链接自行下载
导包

import os
import pandas as pd
import matplotlib.pyplot as plt

设置工作路径

os.chdir(r'填写你的数据所在路径') #比如：os.chdir(r'F:\360Downloads\朝阳医院')

读取数据

dataDF=pd.read_ecxel('文件名（记得带文件后缀名）') #比如：dataDF=pd.read_excel('朝阳医院2018年销售数据.xlsx')

查看前5行数据

dataDF.head() #默认查看前5行

接下来查看数据的下列信息：shape(形状)、index(索引)、columns(列名)、count（总数）

dataDF.shape #查看数据的结构（行、列数）

dataDF.index #查看数据的索引

dataDF.columns #查看数据的列名

dataDF.count() #查看数据的总数

dataDF.describe() #查看数据的数值详细信息

通过以上的数据可以看出：
总共有6578行7列数据，但是“购药时间”和“社保卡号”这两列只有6576个数据，而“商品编码”一直到“实收金额”这些列都是只有6577个数据。这就意味着数据中存在缺失值，可以推断出数据中存在一行缺失值。
此外“购药时间”和“社保卡号”这两列都各自存在一个缺失数据，这些缺失数据在后面步骤中需要进一步处理。
而且数据中存在负数，这将在后面也需要进一步处理。

2.数据清洗

数据清洗通常包括：选择子集、修改列名称、处理缺失值、处理异常值、转换数据类型、数据排序（为可视化做准备），在这里我们根据实验数据本身特征进行处理，过程如下：

选择子集：

在进行数据分析时，通常会遇到非常庞大的数据包，并且其中难免会有一些‘无用’的数据，以及和本次项目不相关的信息，这时就需要将其分开并按照需求选择，得到有价值的数据集来进行进一步分析，从而挖掘出我们需要的潜在信息。由于本次案例使用的数据集量小且简单，因此可以忽略这一步。

修改列名称：

在拿到的原始数据中，列名称和数据和其他列名之间可能会相似或者不能够‘见名知意’，导致给后续分析带来困难，为了避免此现象，我们可以根据需求调用rename()函数将列名重命名，比如中文名称（这里纯属个人习惯）

dataDF=dataDF.rename(columns={'购药时间':'销售时间'})
dataDF.head()

处理缺失值：

通过上面的dataDF.count()可以看出，数据的“购药时间”和“社保卡号”行数和其他数据不相等，证明肯定存在空值，为了不对后续的操作造成干扰，在这里需要进一步处理，通常处理方式有两种：第一，删除；第二，填充。在本次案例中，由于数据简单，我们采用第一种方式将含有空值的行删除，得到‘干净’数据，使用到的函数有dropna()

dataDF=dataDF.dropna(subset=['销售时间','社保卡号'],how='any')
dataDF.count()

处理异常值：

我们先来查看一下数据的当前信息：

dataDF.describe()

可以看出数据当中存在异常值（负值）。

现在我们删除负值所在的行

pop=dataDF.loc[:,'销售数量']>0

dataDF=dataDF.loc[pop,:]
dataDF.describe()

如下图所示（负值）已经删除

接下来再查看一下数据信息（行数）

转换数据类型：

我们先来查看一下数据的当前类型：

发现销售时间这一列并不是我们想要的datetime格式，因此需要转换，为后续分析做准备。这里使用到的函数有：astype()函数

在处理之前，原始数据如下图（发现‘销售时间’这一列存在星期*，显然这并不是我们需要的，接下来我们编写（分割）函数将其去除，具体操作如下）：

下图是我编写的一个（分割）函数以及具体操作（此处方法很多，远远不止这一种）

本案例操作方法如下：

调用函数，处理数据(具体过程见上图的‘函数调用方法’部分)

time=dataDF.loc[:,'销售时间']
data=SplitSaletime(time)
dataDF.loc[:,'销售时间']=data

处理后的数据（销售时间）如下：

查看当前数据类型（如下图，发现销售时间列格式已经修改成功，接下来将其转换为datetime类型即可）：

dataDF.loc[:,'销售时间']=pd.to_datetime(dataDF.loc[:,'销售时间'],format='%Y-%m-%d',errors='coerce')

此时我们再来看数据（销售时间）类型，发现已经转换成功：

数据排序（重置索引）：

接下来我们按照时间列进行升序排序

dataDF=dataDF.sort_values(by=['销售时间'],ascending=True) #by='填写需要按照那一列来排序'，ascending=True表示升序（False表示降序）

然后重置索引

dataDF=dataDF.reset_index(drop=True)

3.构建模型

数据准备就绪后，根据相关业务利用可视化工具实现图标制作，从而挖掘出数据背后的信息。

需求一：月均消费次数（月均消费次数 = 总消费次数/月份数）

第一步:计算总消费次数（为了便于统计，每张社保卡在当天的所有消费记录当做一次消费，因此首先需要对数据进行‘去重’操作，这里需要用到drop_duplicates（）函数）

dataDF_qc=dataDF.drop_duplicates(subset=['销售时间','社保卡号'])

接着查看数据形状，看是否有变化：

再看一下原始数据形状：

打印重复的行数：

print(f'原始数据与去重后的数据行数相差：{dataDF.shape[0]-dataDF_qc.shape[0]}行。')

计算总消费次数：

Total_time=dataDF_qc.shape[0]

结果如下：

第二步：计算月份数

按照销售时间升序排序，然后重置索引

升序排序	dataDF_shengxu=dataDF_qc.sort_values(by=['销售时间'],ascending=True)
重置索引	dataDF_qc_resrt_index=dataDF_qc.reset_index(drop=True)

现在来查看数据索引
索引：