洞察数据之美：用可视化探索销售与温度的关系

数据可视化
1.气温数据可视化
- 图片展示
- 将最高和最低气温合并绘制折线图：
- - 将最高和最低气温合并绘制散点图：
2.销售数据可视化
- 几种常见的销售数据可视化方法及其适用场景：
- 图片展示
- - 通过热力图和堆叠柱状图的直观展示，可以得出以下结论：
总结

数据可视化

在这里插入图片描述

是通过图形展示数据的一种方式，能够帮助我们快速理解数据的内在规律和趋势。整个数据可视化流程可以分为以下几个步骤：

获取数据：数据可能来自不同的来源，比如文件（CSV、Excel）、数据库、API 等。数据通常会存储为结构化或非结构化的形式。

数据清洗：实际数据通常会有缺失值、不一致的格式等问题。在可视化之前，我们需要清理数据，处理缺失值、异常值，确保数据质量。

选择合适的图表类型：根据数据类型和分析目的，选择适合的数据可视化图表。常见的图表类型有折线图、柱状图、散点图、热力图等。

绘制图表：使用编程语言和数据可视化工具来生成图表。在 Python 中，常用的可视化工具有 Matplotlib、Seaborn 等。

解释结果：通过图表直观地展示数据的趋势、分布或关系，从而得出结论并做出决策。

1.气温数据可视化

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
plt.rcParams['font.family' ] = 'Arial Unicode MS'np.random.seed(0)
dates = pd.date_range(start='2024-03-01',periods=31,freq='D')
temperature1 = (31,30,31,32,35,35,36,35,31,33,30,25,29,25,30,34,36,38,32,34,31,35,35,31,35,36,31,32,36,35,29,)
plt.figure(figsize=(16, 6))
temperature2 = (20,25,22,26,19,19,29,19,19,19,15,19,21,19,19,21,26,27,19,19,30,28,29,19,19,21,34,23,19,19,20)plt.figure(figsize=(16,6))
plt.plot(dates,temperature1,label='气温',color='blue')
plt.xlabel('日期')
plt.ylabel('气温（摄氏度）')
plt.title(' 3月气温走势（最高）')
plt.legend()plt.figure(figsize=(16,6))
plt.plot(dates,temperature2,label='气温',color='blue')
plt.xlabel('日期')
plt.ylabel('气温（摄氏度）')
plt.title(' 3月气温走势（最低）')
plt.legend()plt.figure(figsize=(16, 6))
plt.scatter(dates,temperature1,label='气温',color='red',marker='o',s=6)
plt.xlabel('日期' )
plt.ylabel('气温 (摄氏度)')
plt.title( ' 3月最高气温走势 (散点)')
plt.legend()plt.figure(figsize=(16,6))
plt.scatter(dates,temperature2,label='气温',color='red',marker='o',s=6)
plt.xlabel('日期')
plt.ylabel('气温（摄氏度）')
plt.title(' 3月最低气温走势（散点）')
plt.legend()

图片展示

在这里插入图片描述

通过绘制了两组温度数据的折线图和散点图，分别对应 3 月份的每日最高和最低气温。代码逻辑看起来非常清晰，只是目前你为两组数据分别绘制了两张图。如果你想将最高和最低气温的变化趋势显示在同一张图上，可以通过以下方式修改代码：

将最高和最低气温合并绘制折线图：

python">plt.figure(figsize=(16, 6))# 绘制最高气温
plt.plot(dates, temperature1, label='最高气温', color='blue')# 绘制最低气温
plt.plot(dates, temperature2, label='最低气温', color='orange')# 添加图例、标题和轴标签
plt.xlabel('日期')
plt.ylabel('气温（摄氏度）')
plt.title(' 3月气温走势（最高与最低）')
plt.legend()plt.show()

将最高和最低气温合并绘制散点图：

python">plt.figure(figsize=(16, 6))# 绘制最高气温的散点
plt.scatter(dates, temperature1, label='最高气温', color='red', marker='o', s=6)# 绘制最低气温的散点
plt.scatter(dates, temperature2, label='最低气温', color='green', marker='o', s=6)# 添加图例、标题和轴标签
plt.xlabel('日期')
plt.ylabel('气温（摄氏度）')
plt.title(' 3月气温走势（最高与最低散点）')
plt.legend()plt.show()

在这里插入图片描述

通过这种方式，你可以在同一张图上对比最高和最低气温的变化情况，更直观地看到它们之间的差异。

2.销售数据可视化

销售数据可视化可以帮助你更直观地了解销售趋势、客户偏好以及其他关键业务指标。

几种常见的销售数据可视化方法及其适用场景：

折线图（Line Chart）：

用途：展示销售额随时间的变化趋势，比如每日、每月或每季度的销售趋势。
适用场景：分析销售高峰期、淡季以及销售趋势的变化。

python"># 示例：每日销售额折线图
dates = pd.date_range(start='2024-01-01', periods=30, freq='D')
sales = np.random.randint(100, 500, size=30)plt.figure(figsize=(12, 6))
plt.plot(dates, sales, label='销售额', color='blue')
plt.xlabel('日期')
plt.ylabel('销售额')
plt.title('每日销售额走势')
plt.legend()
plt.show()

柱状图（Bar Chart）：

用途：展示不同时间段或类别的销售量。特别适合展示类别间的比较，如产品、区域或销售员的业绩。
适用场景：分析不同产品或区域的销售表现。

python"># 示例：按产品类别的销售额柱状图
categories = ['产品A', '产品B', '产品C', '产品D']
sales_by_category = [1500, 2000, 1800, 1200]plt.figure(figsize=(10, 6))
plt.bar(categories, sales_by_category, color='green')
plt.xlabel('产品类别')
plt.ylabel('销售额')
plt.title('按产品类别的销售额')
plt.show()

堆叠柱状图（Stacked Bar Chart）：

用途：展示不同类别的销售额占比，比如每个季度内各产品的销售额对比。
适用场景：展示多个产品或区域的销售占比。

python"># 示例：季度销售额堆叠柱状图
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
product_A = [500, 700, 900, 800]
product_B = [300, 500, 600, 700]plt.figure(figsize=(10, 6))
plt.bar(quarters, product_A, label='产品A', color='blue')
plt.bar(quarters, product_B, bottom=product_A, label='产品B', color='orange')
plt.xlabel('季度')
plt.ylabel('销售额')
plt.title('季度销售额（堆叠柱状图）')
plt.legend()
plt.show()

饼图（Pie Chart）：

用途：展示某一时间段内不同类别或产品的销售额占比。
适用场景：分析不同产品、地区或客户群体的销售占比。

python"># 示例：不同产品销售占比饼图
product_sales = [3000, 2500, 1800, 1200]
product_labels = ['产品A', '产品B', '产品C', '产品D']plt.figure(figsize=(8, 8))
plt.pie(product_sales, labels=product_labels, autopct='%1.1f%%', colors=['blue', 'green', 'red', 'orange'])
plt.title('产品销售额占比')
plt.show()

热力图（Heatmap）：

用途：展示不同时间段和产品的销售表现。颜色越深表示销售额越高。
适用场景：分析销售数据的季节性变化或区域销售情况。

python"># 示例：按月份和产品的销售额热力图
sales_data = np.random.randint(100, 1000, size=(4, 5))  # 4个月，5种产品
sns.heatmap(sales_data, annot=True, cmap='Blues', xticklabels=['产品A', '产品B', '产品C', '产品D', '产品E'], yticklabels=['1月', '2月', '3月', '4月'])
plt.title('每月每个产品的销售额热力图')
plt.show()

散点图（Scatter Plot）：

用途：展示销售额与其他变量（如客户、价格、库存）之间的关系。
适用场景：分析价格与销售额的相关性或其他变量的影响。

python"># 示例：价格与销售额的散点图
prices = np.random.randint(50, 500, size=30)
sales = np.random.randint(100, 1000, size=30)plt.figure(figsize=(10, 6))
plt.scatter(prices, sales, color='purple')
plt.xlabel('价格')
plt.ylabel('销售额')
plt.title('价格与销售额的关系')
plt.show()

这些可视化方法可以帮助你深入分析销售数据的变化和模式，你可以根据实际的数据类型选择合适的图表类型。如果有具体的数据或场景，我可以帮助你设计更适合的可视化图表。

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt# 设置中文字体
plt.rcParams['font.family'] = 'Arial Unicode MS'# 随机生成数据
np.random.seed(0)
years = ['2019', '2020', '2021', '2022', '2023']
categories = ['PA', 'PB', 'PC', 'PD', 'PE']
data = np.random.randint(10, 100, size=(len(years), len(categories)))df = pd.DataFrame(data, columns=categories, index=years)# 1. 绘制热力图
plt.figure(figsize=(10, 6))
sns.heatmap(df, cmap='YlGnBu', annot=True, fmt='d', cbar=True)
plt.xlabel('产品种类')
plt.ylabel('年份')
plt.title(' 热力图')# 2. 绘制堆叠柱状图
plt.figure(figsize=(10, 6))
bottom = np.zeros(len(years))
for category in categories:plt.bar(years, df[category], label=category, bottom=bottom)bottom += df[category]plt.xlabel('年份')
plt.ylabel('数量')
plt.title(' 产品数量堆叠柱状图')
plt.legend(title='产品种类')
plt.show()

图片展示

在这里插入图片描述

通过热力图和堆叠柱状图的直观展示，可以得出以下结论：

整体趋势：

从热力图中可以看到，PA 和 PC 类产品在大部分年份中保持较高的销量，而 PB 类产品的销量相对较低。这可能意味着公司在 PA 和 PC 产品上具备较强的市场竞争力，而 PB 产品的市场表现有待提升。
堆叠柱状图展示了各年产品销售总量的变化。例如，2021 年的总销售量较低，可能由于市场因素或产品策略调整所致，而 2023 年的销售量明显增长，显示出产品策略的优化或市场需求的变化。
产品表现：

通过对比不同年份的销售数据，PA 和 PE 类产品在不同年份的波动较大，说明这两类产品的销量受到外部因素的影响较大。而 PC 类产品表现相对稳定，可能为公司提供了持续的收入来源。