Python绘制饼状图对商品库存进行分析

### Python 数据分析案例示例 以下是几个常见的 Python 数据分析案例及其对应的代码实现： #### 案例一：药店销售数据分析 通过分析药品销售额、客户行为等指标，帮助企业优化库存管理及市场策略。 ```python import pandas as pd # 加载数据 data = pd.read_csv('pharmacy_sales.csv') # 查看前几行数据 print(data.head()) # 计算每种药品的总销量 total_sales_per_product = data.groupby('product_name')['sales'].sum() print(total_sales_per_product) # 分析按月份的销售趋势 data['date'] = pd.to_datetime(data['date']) data.set_index('date', inplace=True) monthly_sales = data.resample('M').sum()['sales'] print(monthly_sales) ``` 此代码展示了如何加载 CSV 文件并计算产品销量汇总以及月度销售趋势[^1]。 --- #### 案例二：用户购买金额预测 基于多变量回归模型，预测用户的购买金额，从而辅助企业制定精准营销计划。 ```python from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 假设数据集包含多个特征列和目标列 'revenue' X = data[['age', 'gender', 'income', 'location', 'frequency']] y = data['revenue'] # 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 构建线性回归模型 model = LinearRegression() model.fit(X_train, y_train) # 预测测试集结果 predictions = model.predict(X_test) # 评估模型性能 mse = mean_squared_error(y_test, predictions) print(f'Mean Squared Error: {mse}') ``` 该部分实现了构建线性回归模型的过程，并利用均方误差 (Mean Squared Error) 来衡量模型表现[^5]。 --- #### 案例三：数据可视化——药品类别分布图 使用 `matplotlib` 和 `seaborn` 库展示药品类别的占比情况。 ```python import matplotlib.pyplot as plt import seaborn as sns # 统计各类别药品的数量 category_counts = data['category'].value_counts() # 创建饼状图 plt.figure(figsize=(8, 6)) sns.barplot(x=category_counts.index, y=category_counts.values) plt.title('Drug Category Distribution') plt.xlabel('Category') plt.ylabel('Count') plt.xticks(rotation=45) plt.show() ``` 这段代码演示了如何绘制条形图以直观呈现药品分类的比例关系[^2]。 --- #### 案例四：快速生成列表与简化操作 在实际开发过程中，经常需要对原始数据进行预处理。下面是一些简洁高效的技巧用于替代冗长的传统 For 循环结构。 ```python # 使用列表推导式代替传统方法 squares_for_loop = [] for num in range(1, 6): squares_for_loop.append(num ** 2) squares_list_comprehension = [num ** 2 for num in range(1, 6)] print(squares_for_loop) # 输出: [1, 4, 9, 16, 25] print(squares_list_comprehension) # 输出: [1, 4, 9, 16, 25] # 结合 lambda 表达式的应用实例 multiply_by_two = list(map(lambda x: x * 2, range(1, 6))) print(multiply_by_two) # 输出: [2, 4, 6, 8, 10] ``` 这里介绍了两种方式来完成相同任务的同时也引入了匿名函数的概念以便于理解其灵活性[^3]。 --- #### 小结 以上四个例子分别涵盖了基础的数据读取与探索、高级统计建模技术的应用场景以及图形化表达手段等内容；另外还简单提及了一些提高编码效率的小窍门供初学者参考学习[^4]。