数据实验分析

数据分析数据分类与绘图数据分类方法：通过指定列名和函数（如SUM）来分类数据，确保数据集中包含所需列，否则会报错。嵌套柱形图应用：嵌套柱形图用于展示多层次分类的数据，如按店名和化妆品类别分类，明确指定HUE参数以区分不同层次。

数据可视化：通过绘图可以直观地看到不同类别的销售量和销售额，帮助分析和决策。销售数据与消费者偏好

销售数据分析：分析了不同类别（如清洁、补水等）的销售数据，发现男士主要关注清洁和补水类产品，女士则关注更多类别。消费者偏好：通过饼图和柱形图展示了男士和女士在美妆产品上的消费偏好，男士偏好清洁和补水类产品，女士则更为多样化。

本项目来源于和鲸社区，使用转载需要标注来源作者: Miseryzz来源: https://www.heywhale.com/mw/project/5f86a95ce48a3f0030238ca9

#大类销售量、销售额的占比

plt.figure(figsize = (12,12)

#销售量plt.subplot(2,2,1)data.groupby('main_type').sale_count.sum().plot.pie(autopct = '%0f%%',title = '各大类销售量占比')

#销售额plt.subplot(2,2,2)data.groupby('main_type')['销售额'].sum().plot.pie(autopct = '%0f%%',title = '各大类销售额占比')

#小类销售量、销售额的占比plt.subplot(2,2,3)data.groupby('sub_type').sale_count.sum().plot.pie(autopct = '%0f%%',title = '各小类销售量占比')plt.subplot(2,2,4)data.groupby('sub_type')['销售额'].sum().plot.pie(autopct = '%0f%%',title = '各小类销售额占比')plt.tight_layout()

接下来用seaborn包给出每个店铺各个大类以及各个小类的销量销售额¶销售量与销售额对比：男士专用产品的销售量占18.16%，但销售额仅占10%左右，显示出女士在美妆产品上的消费能力更强。

时间因素对销售的影响销售高峰期分析：通过折线图分析了双11期间的销售数据，发现销售量在11月9日达到高峰，商家应在高峰期前安排促销活动。

销售额变化：销售额在11月10日达到顶峰，随后骤然下降，显示出时间因素对销售额的显著影响

评论数据分析评论数与销售数据结合：通过绘制画布和分析评论数据，结合销售数据，可以更全面地了解消费者行为和产品受欢迎程度。

总结数据分析的重要性：通过数据分析可以发现消费者偏好和市场趋势，帮助企业和个人做出更明智的决策。数据可视化工具的应用：使用嵌套柱形图、饼图和折线图等工具可以直观展示数据，便于分析和理解。多维度分析：结合销售量、销售额和评论数等多维度数据，可以更全面地评估市场表现和产品竞争力。数据处理步骤：初步了解数据后，需要进行数据预处理，主要包括处理缺失值、重复值和异常值。数据分析流程：数据预处理完成后，进行数据可视化，并根据可视化的结果进行数据分析​