Python 数据可视化实战：多维度销售数据分析与图表绘制

Python 数据可视化实战：多维度销售数据分析与图表绘制

原创 IT小本本 https://mp.weixin.qq.com/s/1-f0nrER_RJbHmC0iIEXMw 2025年03月27日 11:30 北京

本文将通过一个完整的实战案例。读取现有的excel数据，演示如何使用 Python 生成模拟数据、构建多维度分析模型，并结合 matplotlib、seaborn 等库实现 9 种专业图表的绘制。

一、数据读取与存储

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib.patches import Circle
import mplfinance as mpf

1. 数据

• 销售数据：包含 5 大地区 × 5 大品类 × 12 个月的模拟数据，包含销售额、利润、销售量、客户满意度等指标。

• 股价数据： 2023 年 1 月的股票交易数据，包含开盘价、最高价、最低价、收盘价和成交量。

with pd.ExcelWriter('sales_data.xlsx') as writer:
    df.to_excel(writer, sheet_name='销售数据', index=False)
    stock_df.to_excel(writer, sheet_name='股价数据', index=False)

sales_data.xlsx  数据内容：

二、数据可视化方案

我们将通过 9 种图表类型，从不同维度解析销售数据：

三、核心图表解析

以下是对代码中各个可视化图表的详细讲解，帮助读者理解不同图表类型的作用及实现原理：

1. 区域销售对比（条形图）

图表类型：垂直条形图
实现方式：

region_sales = sales_df.groupby('地区')['销售额'].sum().sort_values(ascending=False)
sns.barplot(x=region_sales.index, y=region_sales.values)

核心功能：

• 通过groupby按地区聚合销售额总和

• 使用sort_values降序排列，突出高销售区域

• Seaborn的barplot自动生成带颜色主题的条形图
  分析价值：快速识别销售额最高的地区（如华东），发现区域市场差异。

2. 品类销售分布（柱状图）

图表类型：单色柱状图
代码亮点：

sns.barplot(..., color='green')  # 统一颜色
plt.xticks(rotation=45)          # 标签倾斜防止重叠

设计选择：

• 使用单一颜色避免多分类颜色干扰

• 45度标签旋转提升可读性
  业务意义：对比不同产品类别（如电子产品 vs 日用品）的销售额贡献。

3. 月度销售趋势（折线图）

关键代码：

monthly_sales = sales_df.groupby('日期')['销售额'].sum()
plt.plot(..., marker='o')  # 添加数据点标记

数据处理：

• 按日期聚合每日销售额总和

• 未显式重采样，需确保日期格式为连续序列
  趋势洞察：识别销售高峰月份（如11月可能受促销影响）。

4. 品类占比（饼图）

可视化优化：

plt.pie(..., autopct='%1.1f%%', startangle=90)  # 显示百分比，调整起始角度
plt.axis('equal')  # 强制圆形显示

适用场景：展示整体销售构成，但超过5个分类时建议改用条形图。

5. 销售额-利润关系（散点图）

代码细节：

plt.scatter(..., alpha=0.5)  # 半透明点处理重叠

分析维度：

• X/Y轴分别映射销售额和利润

• 点透明度避免高密度区域遮盖
  潜在发现：识别离群点（如高销售额低利润的异常订单）。

6. 品类趋势叠加（面积图）

数据重塑：

category_monthly = sales_df.pivot_table(...)  # 生成日期-类别矩阵

图表特性：

• 面积堆叠显示总量趋势

• 颜色区分品类贡献比例
  趋势解读：观察不同品类随时间的增长/衰退模式（如服饰类季节性波动）。

7. 地区占比（圆环图）

实现技巧：

plt.pie(..., wedgeprops=dict(width=0.5))  # 控制环宽
plt.gca().add_patch(Circle(...))         # 中心挖空

对比优势：相比饼图，更突出中心区域的可注释空间。

8. 多维指标（雷达图）

关键步骤：

1. 数据标准化：

   region_metrics_norm = (region_metrics - min) / (max - min)
   

2. 角度计算：

   angles = np.linspace(0, 2*np.pi, len(metrics))
   

分析价值：综合比较不同地区在销售额、利润等多指标上的均衡性。

9. 三维关系（气泡图）

维度映射：

• X轴：销售额

• Y轴：利润

• 气泡大小：销售量
  代码实现：

s=data['销售量']/50  # 缩放气泡尺寸
alpha=0.7           # 透明叠加

业务洞察：发现高销售量但低利润的问题组合（需深入分析定价策略）。

知识拓展

1. 布局管理：

   plt.tight_layout()  # 自适应间距
   plt.subplots_adjust(hspace=0.4, wspace=0.3)  # 手动调整
   

2. 样式统一：

   sns.set_style("whitegrid")  # 网格背景
   plt.rcParams.update({'font.size': 10})  # 统一字体
   

3. 输出质量：

   plt.savefig(..., dpi=300, bbox_inches='tight')  # 高清保存
   

通过组合这些图表，可构建完整的销售分析看板，覆盖分布、趋势、构成、关联等多维度分析需求。实际应用中需根据数据特点调整图表类型，例如时序预测可加入ARIMA模型折线，地理数据可转换地图可视化。

四、技术实现亮点

1. 中文支持优化

plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文显示
plt.rcParams['axes.unicode_minus'] = False  # 负号显示

1. 图表布局管理

plt.tight_layout()  # 自动调整子图间距
plt.savefig('sales_analysis.png', dpi=300, bbox_inches='tight')  # 高质量保存

1. 数据预处理

• 日期格式标准化（freq='ME' 生成月末日期）

• 异常值处理（股价数据 price = max(price + change, 50)）

• 数据聚合（groupby 和 pivot_table 灵活组合）

五、图表选择建议

🔮 源码获取
看原文：Python 数据可视化实战：多维度销售数据分析与图表绘制