Python数据分析案例｜从模拟数据到可视化：零售门店客流量差异分析全流程

1. 依赖库导入

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from matplotlib import font_manager
from datetime import datetime

• matplotlib.pyplot：用于绘制图表。
• numpy：
  numpy：
• pandas：虽然代码中未
• font_manager：设置
• datetime：生成报告的日期信息。

• 2. 中文字体设置

• def set_chinese_font():
      """尝试设置中文字体，回退到通用方案"""
      # 尝试使用系统中常见的中文字体（如黑体、微软雅黑等）
      # 若失败则回退到默认字体

  3. 模拟数据生成

• def generate_store_data(name, loc_base, loc_weekend_factor, scale):
      """生成门店工作日和周末客流量数据"""
      weekday_data = np.random.normal(loc=loc_base, scale=scale, size=100)
      weekend_data = np.random.normal(loc=loc_base * loc_weekend_factor, scale=scale*1.2, size=50)
      return {
          'name': name,
          'weekday': weekday_data,
          'weekend': weekend_data,
          'loc_base': loc_base,
          'color': ''
      }

• 为每个门店生成工作日和周末的客流量数据
• 示例数据：
  • 市中心旗舰店：工作日均值1200，周末均值提高1.8倍。
  • 社区便利店：工作日均值400，周末提高1.5倍。

  • 4. 图表绘制

    (1) 第一子图：单个门店（旗舰店）分时客流分布

  • 直方图：
    • 用ax1.hist()绘制工作日和周末的客流量分布，通过
    • 目标客流量线（红色虚线）和高峰时段标记（红色阴影）用于辅助分析。
  • 关键设置：
    • 坐标轴标签、标题、图例、网格线等。
    • 使用axvline和axvspan标注关键指标。

  • (2) 第二子图：多门店类型对比

  • 分组柱状图：
    • 用ax2.bar()分别绘制每种门店类型的工作日和周末平均客流量（柱状图并排显示）。
    • 数值标签（如“1200”）直接标注在柱子上方。
    • 增长百分比（如“+115%”）显示周末客流较工作日的增幅。
  • 关键设置：
    • 坐标轴标签、标题、图例、网格线。
    • 使用autolabel函数自动添加数值标签。

    • import matplotlib.pyplot as plt
      import numpy as np
      import pandas as pd
      from matplotlib import font_manager
      from datetime import datetime
      
      # 更健壮的字体设置方案
      def set_chinese_font():
          """尝试设置中文字体，回退到通用方案"""
          try:
              # 尝试查找系统中可用的中文字体
              chinese_fonts = ['SimHei', 'Microsoft YaHei', 'KaiTi', 'STXihei', 'STHeiti']
              for font in chinese_fonts:
                  if font in font_manager.findfont(font):
                      plt.rcParams['font.sans-serif'] = [font]
                      plt.rcParams['axes.unicode_minus'] = False
                      return
              # 如果找不到特定字体，尝试使用通用解决方案
              plt.rcParams['font.sans-serif'] = ['sans-serif']
              plt.rcParams['axes.unicode_minus'] = False
          except:
              # 最终回退方案
              plt.rcParams['font.sans-serif'] = ['sans-serif']
              plt.rcParams['axes.unicode_minus'] = False
      
      # 设置字体
      set_chinese_font()
      
      # 生成模拟零售数据
      np.random.seed(2023)
      def generate_store_data(name, loc_base, loc_weekend_factor, scale):
          """生成门店工作日和周末客流量数据"""
          weekday_data = np.random.normal(loc=loc_base, scale=scale, size=100)
          weekend_data = np.random.normal(loc=loc_base * loc_weekend_factor, scale=scale*1.2, size=50)
          return {
              'name': name,
              'weekday': weekday_data,
              'weekend': weekend_data,
              'loc_base': loc_base,
              'color': ''
          }
      
      # 创建不同门店的数据
      stores = [
          generate_store_data('市中心旗舰店', 1200, 1.8, 180),
          generate_store_data('商业区标准店', 800, 2.0, 150),
          generate_store_data('社区便利店', 400, 1.5, 90),
          generate_store_data('机场免税店', 600, 1.2, 220)
      ]
      
      # 设置门店专属色系
      retail_colors = ['#FF6B6B', '#4ECDC4', '#FFD166', '#6A0572']
      for i, store in enumerate(stores):
          store['color'] = retail_colors[i]
      
      # 创建画布和子图
      fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(18, 7), gridspec_kw={'width_ratios': [1, 1.5]})
      fig.suptitle('零售门店客流量分布分析', fontsize=18, fontweight='bold', y=0.98)
      
      # 第一图：单个门店(旗舰店)的分时客流分布
      target_store = stores[0]
      n, bins, patches = ax1.hist(
          target_store['weekday'],
          bins=15,
          alpha=0.85,
          color=target_store['color'],
          edgecolor='#333333',
          linewidth=1.2,
          label='工作日'
      )
      
      # 添加周末客流分布作为对比
      ax1.hist(
          target_store['weekend'],
          bins=bins,
          alpha=0.45,
          color=target_store['color'],
          edgecolor='#333333',
          linewidth=1.0,
          hatch='//',
          label='周末'
      )
      
      # 添加目标客流量线
      target_goal = 1500
      ax1.axvline(x=target_goal, color='#1A936F', linestyle='-', linewidth=2.5, alpha=0.9)
      ax1.text(target_goal+20, ax1.get_ylim()[1]*0.9, f'目标客流: {target_goal}', 
               color='#1A936F', fontweight='bold')
      
      # 标记高峰时段
      peak_window = (1400, 1800)
      ax1.axvspan(peak_window[0], peak_window[1], alpha=0.08, color='red')
      ax1.text(peak_window[0]+50, ax1.get_ylim()[1]*0.75, 
               f'高峰时段 {peak_window[0]}-{peak_window[1]}', color='#C44536')
      
      ax1.set_title(f"{target_store['name']}分时客流分布", fontsize=14)
      ax1.set_xlabel('每小时客流量 (人次)', fontsize=12)
      ax1.set_ylabel('出现频率', fontsize=12)
      ax1.grid(axis='y', linestyle=':', alpha=0.4)
      ax1.legend(loc='upper left')
      ax1.set_axisbelow(True)
      
      # 第二图：所有门店工作日和周末对比
      bar_width = 0.35
      x = np.arange(len(stores))
      
      # 计算工作日和周末的平均客流量
      weekday_means = [np.mean(store['weekday']) for store in stores]
      weekend_means = [np.mean(store['weekend']) for store in stores]
      
      # 创建分组柱状图
      rects1 = ax2.bar(
          x - bar_width/2, 
          weekday_means, 
          bar_width,
          color=[store['color'] for store in stores],
          alpha=0.8,
          edgecolor='#333333',
          linewidth=1.0,
          label='工作日平均客流'
      )
      
      rects2 = ax2.bar(
          x + bar_width/2, 
          weekend_means, 
          bar_width,
          color=[store['color'] for store in stores],
          alpha=0.95,
          edgecolor='#333333',
          linewidth=1.0,
          hatch='//',
          label='周末平均客流'
      )
      
      # 添加数值标签
      def autolabel(rects, ax):
          for rect in rects:
              height = rect.get_height()
              ax.annotate(f'{height:.0f}',
                          xy=(rect.get_x() + rect.get_width() / 2, height),
                          xytext=(0, 3),  # 3点垂直偏移
                          textcoords="offset points",
                          ha='center', va='bottom',
                          fontsize=10,
                          fontweight='bold')
      
      autolabel(rects1, ax2)
      autolabel(rects2, ax2)
      
      # 设置门店标签
      ax2.set_xticks(x)
      ax2.set_xticklabels([store['name'] for store in stores], fontsize=12)
      ax2.set_title('门店类型客流对比 (工作日 vs 周末)', fontsize=14)
      ax2.set_ylabel('平均每小时客流量 (人次)', fontsize=12)
      ax2.grid(axis='y', linestyle=':', alpha=0.3)
      ax2.legend(loc='upper left', framealpha=0.9)
      ax2.set_axisbelow(True)
      
      # 添加增长百分比
      for i, store in enumerate(stores):
          growth = (weekend_means[i] - weekday_means[i]) / weekday_means[i] * 100
          ax2.text(i, max(weekday_means[i], weekend_means[i]) + 50, 
                   f'+{growth:.1f}%', 
                   ha='center', fontsize=11, fontweight='bold',
                   color='#E63946')
      
      # 添加数据说明
      current_date = datetime.now().strftime('%Y-%m-%d')
      analytics_text = (
          f"数据分析周期: 2023年1月-2023年6月 | 生成日期: {current_date}\n"
          "趋势洞察: 商业区门店周末客流增长最显著(+115%)，社区店晚高峰(18:00-20:00)客流占比高达40%"
      )
      
      plt.figtext(0.5, 0.01, analytics_text, 
                  ha='center', fontsize=10.5, style='italic', 
                  bbox=dict(facecolor='#F8F9FA', edgecolor='#DEE2E6', alpha=0.8))
      
      # 布局优化
      plt.tight_layout(rect=[0, 0.03, 1, 0.95])
      
      # 添加版权信息
      plt.figtext(0.95, 0.01, "© 2023 零售数据分析团队", ha='right', fontsize=9, alpha=0.7)
      
      # 保存和显示
      plt.savefig('retail_traffic_analysis.png', dpi=120, bbox_inches='tight')
      plt.show()