如何用 Python 分析数据？

 

0. 序言

 

经过前期的读取数据、清洗数据、操作数据、转换数据和整理数据，接下来我们将进入分析数据的阶段，这是数据分析工作的重中之重。

 

 

假设你的客户（可能是你的领导，也可能就是你自己），给你发来一份销售数据，他希望你分析分析，看看如何提高销量。

 

你不妨先自己思考一下，当你接到这个分析任务的时候，你会怎么做？然后再看看下面我是怎么做的，这也是一种对比思维，促进自己多思考和总结，欢迎在文章下面留言分享你的想法。

 

1. 明确目标

 

上初中的时候，我们学过函数的概念，通常用 y = f(x) 来表示函数，它包含 3 个要素：自变量 x、因变量 y 和对应法则 f。我们可以把函数中的 y 理解为目标，把 x 理解为数据，把 f 理解为实现目标的方法，要找到合适的方法不容易，这需要对业务有深刻的理解。

 

数据分析的第一步，是明确业务的目标，关键在于搞清楚客户关心的是什么。如果未明确目标就进行数据分析，那么就如同旅行没有目的地，不知道终点在哪里。

比如说，客户的目标是提高销量，但这还不够明确，为了搞清楚客户的真正意图，你得了解更多的信息，多问几个「是多少」，使目标得到量化。例如：您希望销量提高多少？

 

2. 应用思维

 

现实世界复杂多变，我们通常应用思维来理解业务的实际情况。

 

你的分析观点往往来自于你的分析思维，所以正确地运用好分析思维是非常重要的。

 

参考《数据分析的 8 种思维》，首先，我们可以运用对比思维，对数据进行有效的对比，这是数据分析工作的核心方法之一。

 

其次，我们运用细分思维，对数据进行细分，关键是要找出高效的对比因子，先分维度，再分粒度。通过多个维度的细分，将对比的差异按粒度逐级锁定，对问题进行定位，寻找问题的根源。

 

然而，问题的答案可能还是没有找到，此时你可以运用溯源思维，密切关注更多的细节数据，想办法从原始数据中进行追溯，思考用户的行为特征，深入挖掘数据背后隐藏的信息。

 

在数据分析的过程中，我们可以运用假设等思维，大胆假设，小心求证。无论是构建复杂的分析模型，还是进行简单的数据决策，都要做出自己的设想和判断。

 

最后，要做好思想准备，如果通过分析，发现数据有违你的假设，那么就更加需要你进行详细思考，仔细推敲，在这个过程中，你对用户行为的理解也会逐渐加深，从而数据分析的功力也会得到增强。

 

3. 处理数据

 

假设经过整理后的销售数据如下表：

 

 

我们用 Python 进行读取并预览数据。

 

 

通过观察发现，数据中包含每天的实际销量、目标销量和目标完成率，为了从更加宏观的层面，把握销售的整体情况，我们按月份进行汇总，首先，在表格最前面的位置插入一列：月份。

 

 

然后按月份进行汇总求和，重新计算月度汇总的目标完成率，并将汇总结果保存到 Excel 文件中。

 

 

 

4. 分析推理

 

 

仔细观察上面的月度汇总数据，你会发现，与 7 月份进行对比，8 月份的销量略有上升，但与目标进行对比，目标完成率反而下降，这是一个比较严重的问题。

 

为了搞清楚这个问题产生的原因，你可以先进行探索性的数据分析。

 

在 Python 中，有一个很实用的包：pandas-profiling，号称用 1 行代码就能生成数据分析报告。如果你还没有安装的话，推荐你在命令行运行一下：pip install pandas-profiling，然后在 Jupyter Notebook 中运行以下代码：

 

 

这是一份比较详细的探索性数据分析报告，上图仅显示了其中一小部分信息，往下拉，可以看到每个变量的数据分布等情况。

 

 

继续往下拉，还可以看到各个变量之间的相关性，从图中能够直观地看到：实际销量与目标完成率之间具有比较强的正相关性，这也很好理解，因为在目标销量变化不大的情况下，实际销量越高，目标完成率也就越高。

 

 

 

在做进一步的分析之前，你还需要熟悉业务的背景，假设公司经营的业务是在网上商城卖化妆品，提高 8 月份目标销量，是因为 8 月份加大了广告费的投入。但是，广告的效果并没有达到预期，所以目标完成率下降了。

 

对于「如何提高销量」这样一个大问题，我们很难直接回答，可以试着细分为小问题，例如：哪种促销方式效果更好？我们的用户希望得到什么？

 

上面案例中的销量数据，已经按时间的维度做了划分，实际上，除了按时间维度进行细分以外，还可以尝试很多种不同的细分维度。比如说，按地区的维度：省份、城市等等，按销售渠道的维度：京东、天猫等等。

 

现实情况往往是复杂的，需要你运用相关思维，理清各种关系。比如说，从广告展示，到用户点击，再到付款购买，形成一个销售漏斗，每个环节都有相应的转化率指标。

 

为了寻找提高销量的机会，你可以尝试运用假设思维，列出一些假设情况，例如：假设换种促销方式会怎么样？假设降低产品的价格会怎么样？

 

假设你经过深入分析，在原始数据中，发现一些购买保湿霜的男性用户，而这些保湿霜原本是专门为女性用户设计的。经过调研，你知道了这些男性购买化妆品的用途，原来他们是用保湿霜来做剃须后的保养，这恐怕是一个有价值的发现。

 

5. 提出建议

 

 

你怀着激动的心情，开始撰写数据分析报告。此时你要记住，数据分析报告的重点，不是那些花里胡哨的图表，而是提出有效的行动建议。

 

除非将数据分析用于做出更好的决策，否则，数据分析将毫无用处。

 

因此，作为一名数据分析师，要想方设法提出有效的行动建议，为业务创造价值。

 

首先，你要清楚地知道，自己从数据中发现了什么，要指出不确定因素，小心防范并想办法填补知识的空白，尽量避免作出过头的结论，对分析结果负责，积累自己的信用，让客户更尊重和信任你，并理解你的分析和判断也具有局限性。

 

其次，你提出的行动建议，重点是要得到客户的理解，鼓励客户以数据为基础，从而作出明智的决策。

 

最后，在数据分析报告中，你需要简明扼要地阐述分析成果，并提出建议改善的措施。

 

例如：我深入地分析了销售数据，做了很多种不同的大胆假设，并小心检验了假设的合理性。我发现有一群男性用户，他们用女性的保湿霜，来做剃须后的保养。这群人对产品的需求很特别，但是，他们并不宣扬自己的这种需求，导致我们平时很难发现他们。因此，建议推出男性更容易接受的剃须保养产品，增加对这群人的广告投放，我认为这将提高销量。

 

6. 小结

 

本文介绍了分析数据、解决问题的一种思路。

 

首先，明确业务的具体目标。

 

其次，应用分析思维来理解业务的实际情况。

 

再次，用 Python 对数据进行汇总处理。

 

然后，综合运用各种分析思维和分析工具，对数据进行分析推理。

 

最后，得出主要的分析结论，提出有效的行动建议。

 

限于文章的篇幅，本文并没有深入探究具体的业务细节，如果你想了解更多分析数据的方法，请在文章下面留言告诉我。

 

下面是本文的思维导图：

 

 

 

 

End.

爱数据网专栏作者：林骥

作者介绍：数据赋能者，专注数据分析 10 多年。

个人公众号：林骥（linjiwx）

本文为挖数网专栏作者原创文章，未经允许禁止转载，需要转载请微信联系授权（微信号：lovedata0520）

更多文章前往爱数据社区网站首页浏览http://www.itongji.cn/