数据分析的基本步骤包括：
1、提出问题
2、理解数据
3、清洗数据
4、构建模型
5、数据可视化
默认环境使用Anaconda软件，python3语言，win10系统
在这里使用朝阳医院18年销售数据作为案例
1、提出问题
假如我们要得到以下指标：
月均消费次数、月均消费金额、客单价、消费趋势
2、理解数据
2.1 安装一个读取excel文件的依赖包：xlrd（如非第一次操作，请跳过）
打开后输入命令：conda install xlrd
等待其结束就好
2.2 将数据信息导入jupyter目录（如非第一次操作，请跳过）
点击“Upload”找到对应文件上传即可
2.3读取数据
打印前五行：
行数、列数：
查看列的数据类型：
3、数据清洗
数据清洗步骤包括：
1、选择子集
2、列名重命名
3、缺失数据处理
4、数据类型转换
5、数据排序
6、异常值处理
下面我们逐一来看
3.1 选择子集
注：根据实际应用场景判断是否有选择必要，本操作暂无必要，故跳过此步骤。
3.2 列名重命名
可以看到列名“购药时间”变成了“销售时间”。
inplace默认为False，数据框不变，创立一个新的改动后的数据框
inplace=True，则是对现有数据框进行改动
3.3 缺失数据的处理
可以看到删除后数据变少了。
一般面对缺失数据的情况有两种解决的思路，一种是删除单条缺失数据，第二种是当缺失数据过多时，建模插值补充数据。根据实际业务场景，销售时间和社保卡号均不能为空，否则单条数据不能用来进行判断，因此删除单条销售时间或社保卡号为空的数据。
python数据缺失值有三种：
1、pandas函数中使用浮点值NaN（Not a Number）表示缺失数值。
2、pandas函数采用了R语言的编程管理，将缺失值称为NA（not available 不可用）
3、python内建的None值在对象数组中也被当做NA来处理。
综述，缺失值为：NaN、NA、None
常用过滤缺失数据的方法有两种：
1、pandas.isnull和布尔值索引手动过滤
2、dropna函数，在数据框上使用dropna，它会返回数据框中所有的非空数据和它的索引值。
这里使用第二种。
3.4 数据类型转换
因为在导入数据框的时候，默认将所有数据的类型相同，但显然这并不符合现实情况。如图。
根据需要，这里对“销售数量”、“应收金额”、“实收金额”这三个列的数据转换类型。如图。
然后，对“销售时间”这列的数据进行处理。
首先这里需要了解分割字符串的方法，通过空格将字符串分为两个部分。如图。
然后就可以取出想要的一部分的值。如图。
由于我们要对数据框中“销售时间”整个列进行处理，所以先要定义一个进行这样操作的函数。如图。
检查一下dateSer的值。如图。
确认无误之后，使用定义的函数进行操作。如图。
清洗过后，再次打印查看结果。
成功~
3.5 数据排序
by：按哪几列排序
ascending=True 表示升序排列，
ascending=True表示降序排列
na_position=True表示排序的时候，把空值放到前列，这样可以比较清晰的看到哪些地方有空值
根据实际业务场景，按销售日期进行升序排列。如图。
3.6 异常值处理
根据实际应用场景，销售数量肯定为正数，所有数据框内数据部分出现错误。现在要把错误数据找出来并删除。
这时候再来看一下指标描述情况。如图。
看不出异常了。
到这里数据清洗结束。
4、构建模型
我们先把之前提出的问题拿过来，并逐一处理。
1、月均消费次数
2、月均消费金额
3、客单价
4、消费趋势
4.1 月均消费次数
月均消费次数 = 总消费次数 / 月份数
获取总消费次数和月份数两个值。如图。
结论：
4.2 月均消费金额
月均消费金额 = 总消费金额 / 月份数
4.3 客单价
客单价=总消费金额 / 总消费次数
4.4 消费趋势
数据可视化方面呢，未完待续hh
