源码篇：python生成《蔬菜店销售数据分析报告》案例

本文将通过Python实现一个完整的蔬菜销售数据分析项目，涵盖数据生成、清洗、分析及可视化全流程。我们将利用模拟数据生成技术创建90天的销售记录，通过Pandas进行数据处理，结合Matplotlib和Seaborn实现多样化的可视化图表，并最终生成动态交互报告。

一、数据生成：模拟真实销售场景

为了模拟真实的蔬菜销售数据，我们设计了包含10种蔬菜（白菜、土豆、西红柿等）的90天销售记录。数据生成逻辑包含以下关键要素：

1、 价格波动模型

base_price = {'白菜': 2、5, 、、、}
price_fluctuation = 1 + (np、random、random() * 0、3 - 0、15)
price = round(base_price * price_fluctuation, 2)

• 基础价格基于市场均价设定

• 添加±15%的随机波动模拟市场变化

2、 销量生成机制

weekday = date、weekday()
day_factor = 1、3 if weekday >=5 else 1、0  # 周末销量提升30%
seasonal_factor = {'黄瓜':1、3, 、、、}  # 夏季蔬菜销量加成
quantity = int(base_quantity * day_factor * seasonal_factor)

• 结合周内波动和季节性因素

• 使用正态分布生成基础销量（μ=50, σ=10）

3、 利润计算逻辑

sales = price * quantity
cost_rate = np、random、uniform(0、6, 0、7)
profit = sales * (1 - cost_rate)

• 成本率设置为60%-70%的随机值

• 包含销售额、成本、利润等完整财务指标

最终生成的DataFrame包含以下字段：

字段名	类型	说明
日期	datetime	销售日期
蔬菜	string	品种名称
价格(元/kg)	float	当日售价
销量(kg)	int	销售重量
销售额(元)	float	当日总销售额
成本(元)	float	销售成本
利润(元)	float	销售利润
利润率	float	利润占销售额的百分比

二、数据分析：挖掘关键业务指标

1、 基础数据检查

print(df、info())
print(df、describe())

• 数据完整性检查：90天×10种蔬菜=900条记录

• 数值型字段统计：价格均值3、9元，销量均值50kg

2、 品类销售分析

vegetable_summary = df、groupby('蔬菜')、agg({
    '销量(kg)': 'sum',
    '销售额(元)': 'sum',
    '利润(元)': 'sum',
    '价格(元/kg)': 'mean'
})、sort_values('销售额(元)', ascending=False)

• 发现TOP3品类：西红柿（15、8%）、黄瓜（14、2%）、土豆（13、5%）

• 利润率排名：青椒（38、7%）、生菜（36、2%）、茄子（35、5%）

3、 时间序列分析

date_summary = df、groupby('日期')、agg({
    '销量(kg)': 'sum',
    '销售额(元)': 'sum',
    '利润(元)': 'sum'
})

• 周度分析显示周末销量提升20-30%

• 8月中旬（第33周）出现销售高峰

4、 利润构成分析

df['利润率'] = df['利润(元)'] / df['销售额(元)'] * 100

• 整体平均利润率：32、4%

• 发现成本敏感型品类：胡萝卜（利润率28、3%）

三、可视化设计：多维度数据呈现

我们设计了9种可视化图表，覆盖静态分析与动态交互：

1、 动态热力图（每周销售额）

def animate_heatmap(i):
    pivot_df = df、pivot_table(index='周', columns='蔬菜', values='销售额(元)')、iloc[:i+1, :]
    sns、heatmap(pivot_df, cmap='plasma')

• 使用plasma色阶突出数据变化

• 动态展示销售趋势演变（周度累计）

2、 3D关系图（价格-销量-利润）

ax = fig、add_subplot(111, projection='3d')
for veg in df['蔬菜']、unique():
    ax、scatter(avg_price, avg_quantity, avg_profit)

• 发现高利润区：高价格×高销量（如青椒）

• 识别价格敏感品类（如白菜）

3、 动态条形图（周销量排名）

def update_bar_rank(frame):
    week_data = df[df['周'] == frame]、groupby('蔬菜')['销量(kg)']、sum()
    plt、barh(week_data、index, week_data、values)

• 展示品类排名的动态变化

• 发现黄瓜在第32周销量激增现象

4、 雷达图（综合指标评价）

categories = ['销量', '销售额', '利润', '利润率']
angles = [n / len(categories) * 2 * np、pi for n in range(len(categories))]

• 标准化处理各指标（0-1）

• 综合评分显示：西红柿综合表现最佳

5、 瀑布图（利润构成）

values = [avg_price, -avg_cost, avg_profit]
colors = ['#72B7B2', '#F67E4B', '#54A24B']
plt、bar(indices, values, color=colors)

• 清晰展示售价→成本→利润的转化路径

• 发现西红柿的成本占比达68、5%

四、动态报告生成：自动化文档输出

我们使用python-docx库生成结构化报告，包含： 1、 数据字典：字段说明表格 2、 关键指标：总销售额、利润率等核心数据 3、 可视化嵌入：自动插入静态图表 4、 动态图表指引：说明GIF动画文件位置

doc、add_picture('sales_pie_chart、png', width=Inches(6))
doc、add_paragraph("图4、1: 各蔬菜销售额占比饼图")、alignment = WD_ALIGN_PARAGRAPH、CENTER

五、技术实现要点

1、 中文支持

matplotlib、rcParams['font、sans-serif'] = ['SimHei']
matplotlib、rcParams['axes、unicode_minus'] = False

• 解决中文字符显示问题

• 正确显示负号

2、 性能优化

• 数据生成使用列表推导式而非循环

• 动态图表限制帧数（min(30, len(dates))）

• 使用Pandas的groupby进行高效聚合

3、 颜色管理

vegetable_colors = dict(zip(
    df['蔬菜']、unique(), 
    plt、cm、tab10(np、linspace(0, 1, len(df['蔬菜']、unique())))
))

• 为每个品类分配唯一颜色

• 使用tab10色盘保证可读性

六、业务价值与扩展方向

1、 运营建议

• 重点推广高利润品类（青椒、生菜）

• 优化周末库存配置（增加30%）

• 建立价格弹性模型（如黄瓜降价测试）

2、 技术扩展

• 增加实时数据接口

• 引入机器学习预测销量

• 开发交互式仪表盘（Plotly Dash）

3、 数据应用场景

• 供应链优化

• 定价策略制定

• 库存管理

• 促销活动规划

• 

七、源代码

代码见在这个文章的末尾：源码篇：python生成《蔬菜店销售数据分析报告》案例

链接地址：

https://mp.weixin.qq.com/s/Sce3B8L96mLs_xd4HQL4gg