以英国某电商平台的年销售数据为例，讲讲从数据清洗到可视化的整个流程怎么做

数据对于互联网+的商业模式存在巨大的价值，在业务中我们遇到的瓶颈往往通过数据分析，可以发现问题以及解决问题的对策。

本文对英国某电商平台的年销售数据进行分析：

一、报告梗概 1. 报告背景及目的

报告对在取数区间内的某电商平台内的所有交易记录进行了分析，平台主要销售独特的全时礼品，公司的许多客户都是批发商。为了更好地了解平台的经营状况，对销售数据进行分析，提出优化平台运营的策略，从而为平台创造更多价值。

1. 数据来源及说明

数据来源于UCI加州大学欧文分校机器学习库，是一个跨国数据集，其中包含2010年12月1日至2011年12月9日之间在英国注册的非商店在线零售的所有交易。

数据集含有8个字段，其含义如下：

InvoiceNo: 6位的发票号，系统为每笔交易自动分配的6为不同的数字序列，如果是以c开头则表明该订单被取消。

StockCode: 产品编号，每一种不同类别的商品对应不同的编号。

Description: 对产品类别的描述。

Quantity: 每次交易的某种产品的购买数量。

InvoiceDate: 每笔交易产生时的日期时间。

UnitPrice: 产品的单价，单位是英镑。

CustomerID: 5位编码的客户id，每个客户的id都不相同。

Country: 客户来源的国家。

二、数据预处理情况 1. 重复值处理

整个数据集有541909条数据，其中完全重复的数据有5268条，剔除后剩下536641条交易数据。

2. 缺失值处理

Description和CustomerID两个字段即商品描述和客户ID有缺失值，其中Descriptio缺失1454条，占总数据量的0.27%；CustomerID缺失135037行，占总数据量的25.2%。

因为商品描述是文本类型数据、对于本分析的结果不重要且缺失值占比非常小，所以不对其进行充填。

对于CustomerID，缺失量占到了总数居的四分之一且其本身对分析结果有重要意义，必须对其填充。在已验证当前CustomerID中没有0值的前提下，充填方式选择为用0代替缺失的CustomerID值。至此，缺失值处理完毕。

3. 异常值处理

基于业务常识，商品单价和商品数量应为正数，查看数据时发现这两种类型的异常值。

取出来查看后，发现由两种原因造成：

订单被取消即发票号以Ｃ开头的记录(共11761条)；

坏账数据即发票号以A开头的记录(共2条)。

对于被取消的订单：由于没有发生实质交易，对平台的交易数据不存在影响故直接删除，但后续可以针对这部分数据可以尝试分析挖掘取消背后的原因；

对于坏账：数据量极小，且坏账金额也极其微小，在此也选择直接删除。

处理完异常值后，总的有效数据量为524878条。

4. 新增字段

为方便后续的时间序列分析，新增交易时间date字段（具体到日）和交易月份month字段；为方便后续的金额分析，新增交易金额SumCost字段（交易金额等于商品数量乘以商品单价）。

至此，数据预处理完成，截取部分有效数据如下所示：

三、订单分析 1. 描述性分析

在订单层面，描述性的统计信息如下图：

平台在此期间总共有19960笔有效订单，每笔平均购买279件商品，笔均消费533英镑，这两者都超过了各自的中位数水平。

说明订单总体差异很大，尤其是笔均消费超过了Q3分位数。

最大的一笔订单中购买了将近81000件商品，最大的单笔消费也高达168469——说明平台用户以批发商为主且存在购买力极强的客户。

2. 订单商品数量分布

剔除离群值，筛选出购买商品件数小于2000的订单绘制商品数量分布图如下：

分布图呈现典型的长尾分布，大部分订单内的商品数量在250以内，大额数量订单稀少。

3. 订单金额分布

剔除离群值，筛选出单笔金额小于1000英镑的订单绘制金额分布图如下:

分布图有长尾趋势，金额主要分布在400英镑以内，说明绝大部分客户在该平台上的消费金额预算为400英镑以内，在350英镑左右出现了最多的订单数。

4. 分析小结

平台在2010年12月1日至2011年12月9日一年多的时间中产生有效交易19960笔，总销售额为8,887,209英镑，平均每日交易54笔，笔均购买量279件商品，笔均消费533英镑。