👉博__主👈：米码收割机
👉技__能👈：C++/Python语言
👉公众号👈：测试开发自动化【获取源码+商业合作】
👉荣__誉👈：阿里云博客专家博主、51CTO技术博主
👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。
系列文章目录
目录
- 系列文章目录
- 一、功能设计
- 项目代码设计重点提取
- 二、数据可视化
- 三、逻辑回归模型构建与评估
一、功能设计
项目代码设计重点提取
-
目标：对化妆品销售数据进行深入分析与挖掘，通过数据可视化和逻辑回归模型，为商家提供市场洞察和决策支持。
-
数据加载和预处理：
- 使用Pandas库读取Excel文件并预览数据。
- 处理日期格式不统一和数值字段包含非数值字符的问题，编写自定义日期解析函数和正则表达式。
- 确保所有字段均为有效的数值类型，移除缺失值行。
-
数据可视化：
- 使用Matplotlib库绘制多种图表，展示数据特征和趋势：
- 折线图：展示订单金额随日期的变化，揭示销售的时间趋势。
- 散点图：分析订购数量与金额的关系，显示订购数量对总金额的影响。
- 柱状图：显示各省份的总金额分布，为区域销售策略的制定提供依据。
- 饼状图：展示各省份的订单数量占比，直观了解不同区域的市场份额。
- 雷达图：比较各商品编号的订购数量、订购单价和金额，评估不同商品的销售表现。
- 箱线图：展示订购数量和金额的分布情况，识别数据中的异常值和分布特征。
- 使用Matplotlib库绘制多种图表，展示数据特征和趋势：
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
-
逻辑回归模型：
- 通过定义高金额订单的阈值，将目标变量分为高金额和低金额两类。
- 使用LabelEncoder将分类变量转换为数值。
- 将数据分为训练集和测试集，利用逻辑回归模型进行训练和预测。
- 评估模型性能，计算准确率、混淆矩阵和分类报告。
- 绘制热力图和目标变量分布图，分析特征间的相关性和目标变量的分布情况。
-
整体设计思路：
- 注重数据清理、可视化和建模三部分的紧密结合。
- 通过系统化的分析方法，从多角度挖掘数据价值，为商家提供全面的市场分析和决策支持。
- 确保分析结果的准确性和可靠性，为后续的模型优化和应用拓展提供坚实基础。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
二、数据可视化
折线图：展示订单金额随日期变化的趋势，帮助分析销售的时间变化。
plt.plot(df['订单日期'], df['金额'], marker='o', linestyle='-', color='b')
折线图展示了订单金额随日期的变化趋势，帮助了解销售的时间分布和变化规律。通过识别销售高峰期和低谷期，可以优化销售策略、安排促销活动和调整库存管理，提升销售效率。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
散点图：分析订购数量与金额之间的关系，揭示数量对总金额的影响。
plt.scatter(df['订购数量'], df['金额'], c='r', marker='x')
散点图揭示了订购数量与订单金额之间的关系，帮助理解不同订购数量对销售金额的影响。通过观察散点的分布情况，可以发现订购数量与销售金额的相关性，识别出表现异常的订单，并为商品定价策略和销售预测提供依据。
柱状图：显示各省份的总金额分布，为区域销售策略提供依据。
plt.bar(province_amount['所在省份'], province_amount['金额'], color='g')
柱状图显示了各省份的总销售金额，为提供了区域销售的概览。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
饼状图：展示各省份的订单数量占比，直观了解不同区域的市场份额。
plt.pie(province_count, labels=province_count.index, autopct='%1.1f%%', startangle=140)
饼状图直观展示了各省份订单数量在总订单中的占比，帮助了解不同区域的市场份额和客户分布情况。通过比较各省份的占比，可以发现市场渗透率较高的区域和潜在的增长区域，为市场扩展和推广活动提供指导。
箱线图：展示订购数量和金额的分布情况，识别数据中的异常值和分布特征。
axes[0].boxplot(df['订购数量'])
axes[1].boxplot(df['金额'])
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
三、逻辑回归模型构建与评估
功能：构建逻辑回归模型，预测高金额订单，评估模型性能。
具体操作： 定义目标变量（高金额订单），并使用LabelEncoder将分类变量转换为数值。将数据分为训练集和测试集，确保模型的训练和评估过程科学合理。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
模型训练：
使用逻辑回归模型对训练集进行训练，构建预测模型。
model = LogisticRegression()
model.fit(X_train, y_train)
模型评估：
进行预测并评估模型性能，计算准确率、混淆矩阵和分类报告，全面评估模型的预测效果。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
accuracy = accuracy_score(y_test, y_pred)
conf_matrix = confusion_matrix(y_test, y_pred)
class_report = classification_report(y_test, y_pred)
热力图：展示特征之间的相关性，帮助理解特征间的相互关系。热力图展示了各特征之间的相关性，帮助理解特征间的相互关系和对目标变量的影响。
目标变量分布图：展示高金额和低金额订单的数量分布，帮助理解目标变量的分布情况。目标变量分布图展示了高金额和低金额订单的数量分布情况，帮助直观了解目标变量的分布特征。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
订购数量与金额关系图：展示不同金额订单的订购数量分布。订购数量与金额关系图展示了不同金额订单的订购数量分布，并通过颜色区分高金额和低金额订单。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “化妆品逻辑” 获取。👈👈👈
