★ FEATURED ARTICLE 简介这是一套面向高校学生的Python电商平台数据分析系统完整项目适用于期末大作业、课程设计及毕业设计场景难度适中评审得分达98分内容经助教老师审定。项目围绕电商业务展开涵盖销售趋势分析、复购率计算、用户行为分析、渠道来源统计及RFM用户分层等典型分析模块帮助读者掌握从数据清洗到可视化呈现的完整流程。资源包共30个文件约1.68MB其中7个py源码文件承载核心分析逻辑19个png图片用于展示分析结果与图表另有pyc编译文件及README说明文档便于快速理解项目结构与运行方式。目前已有197人学习关注。通过研读源码与配套文档读者可获得一套可直接参考的高分项目方案理解各分析模块的实现思路与脏数据处理方法并借助可视化图表对照验证结果为自身作业或设计提供清晰的结构参考与排错思路。1. 电商数据分析大作业从“能跑”到“高分”差在哪每年期末总有一批同学在群里问同一句话“电商平台数据分析系统到底怎么做才能拿高分”我见过太多交上去的版本——爬了几百条评论画两张柱状图README 写三行最后分数卡在及格线。问题不在技术难度而在于大多数人把它当“作业”而不是“项目”来做。一个能拿高分的 Python 大作业电商平台数据分析系统核心不是模型多花哨而是数据链路完整、分析维度有业务含义、文档说明能让老师三分钟看懂你做了什么。这篇笔记面向正在做课程设计或毕业设计的同学也面向想用 Python 快速搭一套电商数据分析原型的开发者。我会把从数据采集、清洗、指标计算到可视化呈现的完整路径拆开讲源码结构和文档说明的写法也会一并给出照着做能少走至少两周弯路。2. 先想清楚分析什么电商数据指标体系的搭建逻辑2.1 为什么不能上来就写爬虫很多人拿到题目的第一反应是打开 requests 或 scrapy 开始抓数据这是典型的翻车起点。电商平台数据分析系统的价值不在于数据量大小而在于你选的指标能不能回答业务问题。老师看的是你有没有“分析思维”不是爬了多少条。我一般会先画一张指标地图把电商场景拆成四个维度用户维度新增用户、活跃度、复购率、商品维度销量排名、品类占比、价格带分布、交易维度GMV、客单价、转化率、时间维度日/周/月趋势、促销期波动。每个维度选 2 到 3 个可计算的指标总共控制在 10 到 15 个足够撑起一份高分作业。选指标的原则是能从你拿到的数据里算出来。比如你只有订单表没有用户行为埋点那“页面停留时长”就别写进去否则答辩时被问“这个数怎么来的”会很难受。2.2 数据源选型公开数据集 vs 自采数据数据来源决定了后续所有工作的复杂度。常见做法有三种数据源类型获取方式优点缺点适用场景公开数据集Kaggle、天池、和鲸社区下载字段完整、量级大、省时间业务背景陌生、可能过时时间紧、想专注分析自采数据requests BeautifulSoup 抓取业务场景自选、可控反爬、字段缺失、清洗量大想体现工程能力模拟生成Faker 随机规则生成完全可控、字段自定义数据真实性差演示流程、快速验证我的建议是如果时间充裕且想拿高分用“公开数据集 少量自采”组合。公开数据集保证分析深度自采数据体现你的工程能力。比如从 Kaggle 下载一份电商订单数据集做主分析再写个小爬虫抓取某品类商品评论做情感分析补充。2.3 用 pandas 做数据清洗的最小可复现流程拿到数据后80% 的时间会花在清洗上。下面是一个我常用的清洗模板覆盖缺失值、异常值、格式统一三类问题import pandas as pd import numpy as np # 读取原始数据 df pd.read_csv(ecommerce_orders.csv, encodingutf-8) # 1. 查看整体情况 print(df.info()) print(df.describe()) print(df.isnull().sum()) # 2. 处理缺失值数值列用中位数填充类别列用众数填充 num_cols df.select_dtypes(include[np.number]).columns cat_cols df.select_dtypes(include[object]).columns for col in num_cols: df[col].fillna(df[col].median(), inplaceTrue) for col in cat_cols: df[col].fillna(df[col].mode()[0], inplaceTrue) # 3. 处理异常值用 IQR 方法识别并替换 def replace_outliers(series): Q1 series.quantile(0.25) Q3 series.quantile(0.75) IQR Q3 - Q1 lower Q1 - 1.5 * IQR upper Q3 1.5 * IQR return series.clip(lower, upper) for col in [price, quantity, amount]: if col in df.columns: df[col] replace_outliers(df[col]) # 4. 统一日期格式 df[order_date] pd.to_datetime(df[order_date], errorscoerce) df.dropna(subset[order_date], inplaceTrue) # 5. 去重 df.drop_duplicates(subset[order_id], keepfirst, inplaceTrue) print(f清洗后数据量{len(df)}) df.to_csv(cleaned_orders.csv, indexFalse)这段代码的逻辑是先诊断再治疗。info()和isnull().sum()让你知道数据长什么样然后按列类型分别处理缺失值。IQR 方法把超出 1.5 倍四分位距的值截断到边界比直接删除温和不会损失太多样本。日期列用errorscoerce把无法解析的值变成 NaT 再删掉避免后续时间序列分析报错。参数方面fillna的填充策略可以根据业务调整如果缺失率超过 40%建议直接删列而不是填充否则引入的噪声比信息还多。clip的上下界系数 1.5 是统计学惯例如果数据本身波动大可以放宽到 3。提示清洗完一定要保存一份中间结果后续分析都基于清洗后的数据避免每次从头跑。3. 核心分析模块的代码实现从指标计算到可视化3.1 GMV、客单价、复购率的计算代码指标体系搭好后计算本身不难难的是口径统一。下面是我常用的核心指标计算函数import pandas as pd def calc_core_metrics(df): 输入清洗后的订单数据包含 order_id, user_id, amount, order_date 输出核心指标字典 # GMV所有订单金额之和 gmv df[amount].sum() # 客单价GMV / 去重用户数 unique_users df[user_id].nunique() avg_order_value gmv / unique_users if unique_users 0 else 0 # 复购率下单次数 2 的用户占比 user_order_counts df.groupby(user_id)[order_id].count() repeat_users (user_order_counts 2).sum() repeat_rate repeat_users / unique_users if unique_users 0 else 0 # 月度 GMV 趋势 df[month] df[order_date].dt.to_period(M) monthly_gmv df.groupby(month)[amount].sum() return { GMV: round(gmv, 2), 客单价: round(avg_order_value, 2), 复购率: f{repeat_rate:.2%}, 月度GMV: monthly_gmv } metrics calc_core_metrics(df) for k, v in metrics.items(): print(f{k}: {v})这里有几个容易出错的地方。客单价的分母到底是“下单用户数”还是“订单数”不同平台口径不同论文里要写清楚你用的是哪种。复购率的阈值是“2 次”还是“3 次”也要在文档里说明。月度趋势用to_period(M)而不是dt.month因为后者会把不同年份的同月合并导致趋势失真。3.2 用 matplotlib 和 pyecharts 做可视化呈现可视化是老师第一眼看到的东西直接决定印象分。静态图用 matplotlib交互图用 pyecharts两者结合最稳。import matplotlib.pyplot as plt import matplotlib matplotlib.rcParams[font.sans-serif] [SimHei] matplotlib.rcParams[axes.unicode_minus] False # 月度 GMV 趋势图 fig, ax plt.subplots(figsize(10, 5)) monthly metrics[月度GMV] ax.plot(monthly.index.astype(str), monthly.values, markero, linewidth2) ax.set_title(月度 GMV 趋势, fontsize14) ax.set_xlabel(月份) ax.set_ylabel(GMV元) ax.grid(axisy, linestyle--, alpha0.5) plt.xticks(rotation45) plt.tight_layout() plt.savefig(monthly_gmv.png, dpi150) plt.show()中文字体那两行是血泪经验不设置的话标题全是方块。dpi150保证截图放进论文里不糊。tight_layout()防止标签被裁掉。如果要加交互效果pyecharts 的写法更简洁from pyecharts.charts import Bar, Pie from pyecharts import options as opts # 品类销售占比饼图 category_sales df.groupby(category)[amount].sum().sort_values(ascendingFalse).head(10) pie ( Pie() .add(, [list(z) for z in zip(category_sales.index, category_sales.values)]) .set_global_opts(title_optsopts.TitleOpts(title品类销售占比 Top10)) .set_series_opts(label_optsopts.LabelOpts(formatter{b}: {d}%)) ) pie.render(category_pie.html)pyecharts 生成的是 HTML 文件可以直接嵌入文档说明里老师打开浏览器就能看比静态截图加分。3.3 用户分群RFM 模型的简化实现RFM 是电商分析的经典模型但完整版对作业来说太重。我一般用简化版只算 R最近一次购买距今天数和 F购买频次把用户分成四群。# 计算 RFM snapshot_date df[order_date].max() pd.Timedelta(days1) rfm df.groupby(user_id).agg({ order_date: lambda x: (snapshot_date - x.max()).days, order_id: count, amount: sum }).rename(columns{order_date: R, order_id: F, amount: M}) # 按中位数分高低 rfm[R_level] rfm[R].apply(lambda x: 高 if x rfm[R].median() else 低) rfm[F_level] rfm[F].apply(lambda x: 高 if x rfm[F].median() else 低) # 分群 def segment(row): if row[R_level] 高 and row[F_level] 高: return 核心用户 elif row[R_level] 高 and row[F_level] 低: return 新用户 elif row[R_level] 低 and row[F_level] 高: return 流失预警 else: return 流失用户 rfm[segment] rfm.apply(segment, axis1) print(rfm[segment].value_counts())R 的阈值用中位数而不是固定天数是因为不同数据集的时间跨度差异很大。分群逻辑可以根据业务调整比如把“新用户”改成“潜力用户”文档里解释清楚就行。4. 避坑与排查做电商数据分析大作业最容易翻车的 5 个地方4.1 中文乱码图表标题全是方块现象matplotlib 生成的图表标题、轴标签显示为方框或乱码。原因matplotlib 默认字体不支持中文且未关闭 Unicode 负号显示。解决在绘图前加两行配置——matplotlib.rcParams[font.sans-serif] [SimHei]和matplotlib.rcParams[axes.unicode_minus] False。如果系统没有 SimHei换成Microsoft YaHei或WenQuanYi Micro Hei。Linux 环境下需要先确认字体已安装用fc-list :langzh查看。4.2 日期解析失败导致时间序列断裂现象pd.to_datetime报错或产生大量 NaT月度趋势图中间缺了好几段。原因原始数据里日期格式不统一有的用2024/1/5有的用2024-01-05还有的带时间戳。解决用pd.to_datetime(df[order_date], formatmixed, errorscoerce)让 pandas 自动推断格式。如果还不行先统一替换分隔符df[order_date] df[order_date].str.replace(/, -)。处理完检查 NaT 比例超过 10% 要考虑是不是数据源本身有问题。4.3 内存溢出数据量太大跑不动现象读取 CSV 时卡死或报 MemoryError尤其是几十万条以上的订单数据。原因默认读取时 pandas 会把所有列加载为 object 或 int64内存占用远超预期。解决读取时指定dtype和usecols只加载需要的列数值列用float32代替float64类别列用category类型。分批读取用chunksize参数chunks pd.read_csv(large_orders.csv, chunksize50000, usecols[order_id, user_id, amount, order_date]) df pd.concat([chunk for chunk in chunks], ignore_indexTrue)4.4 指标口径不一致导致结论矛盾现象文档里写的 GMV 和图表里算出来的对不上或者复购率和用户分群结果矛盾。原因不同模块用了不同的过滤条件比如算 GMV 时没排除退款订单算复购率时又排除了。解决在清洗阶段就定义好“有效订单”的规则比如status completed然后所有分析模块统一用这个过滤后的数据集。建议在代码开头定义一个valid_df df[df[status] completed].copy()后续全部基于valid_df操作。4.5 文档说明写成代码注释堆砌现象文档说明里全是函数说明和参数列表没有业务背景和分析结论老师看不懂你想表达什么。原因把“文档”理解成了“代码说明书”忽略了分析报告的本质。解决文档说明按“背景 → 数据来源 → 分析方法 → 核心发现 → 结论与建议”五段式写。每个图表下面用两三句话解释“这张图说明了什么”而不是“这张图是用什么代码画的”。老师关心的是你的分析能力不是你的编码能力。5. 高分项目的文档说明怎么写结构模板与源码组织5.1 文档说明的五段式结构一份能拿高分的文档说明核心是让读者在三分钟内理解你的工作。我常用的结构是第一段项目背景与目标200 字左右。说清楚你分析的是哪个电商场景想回答什么问题。比如“本项目基于某平台 2023 年订单数据分析用户购买行为与品类销售趋势为运营策略提供数据支撑”。第二段数据来源与预处理300 字左右。说明数据从哪来、多少条、哪些字段、做了哪些清洗操作。附一张清洗前后的数据对比表。第三段分析方法与指标定义400 字左右。列出你用的分析模型和每个指标的计算口径。RFM 模型要写清楚 R、F、M 各自的定义和分群阈值。第四段核心发现500 字左右。这是最重要的部分。每个发现配一张图图下面写结论。比如“从月度 GMV 趋势看11 月出现明显峰值与促销活动时间吻合”。第五段结论与建议200 字左右。基于发现给出可操作的建议比如“建议对流失预警用户推送优惠券”。5.2 源码目录组织与运行说明源码结构清晰与否直接影响老师对你工程能力的判断。推荐按功能模块划分目录ecommerce_analysis/ ├── data/ │ ├── raw/ # 原始数据 │ └── cleaned/ # 清洗后数据 ├── src/ │ ├── data_loader.py # 数据读取与清洗 │ ├── metrics.py # 指标计算 │ ├── visualization.py # 图表生成 │ └── rfm_analysis.py # 用户分群 ├── output/ │ ├── figures/ # 生成的图表 │ └── reports/ # 分析报告 ├── main.py # 主入口 ├── requirements.txt # 依赖清单 └── README.md # 运行说明main.py里按顺序调用各模块保证一条命令跑通全流程from src.data_loader import load_and_clean from src.metrics import calc_core_metrics from src.visualization import plot_monthly_gmv, plot_category_pie from src.rfm_analysis import run_rfm if __name__ __main__: df load_and_clean(data/raw/orders.csv) metrics calc_core_metrics(df) plot_monthly_gmv(metrics[月度GMV]) plot_category_pie(df) rfm_result run_rfm(df) print(分析完成图表已保存至 output/figures/)requirements.txt里锁定版本号避免老师环境跑不起来pandas2.1.0 matplotlib3.8.0 pyecharts2.0.4 numpy1.26.05.3 让老师三分钟看懂你的项目最后说一个技巧在 README 最前面放一张“项目概览图”用文字描述整个分析流程——数据从哪来、经过哪些处理、产出什么结果。老师翻到这一页就能建立全局认知后面的细节他才有耐心看。另外图表文件命名要语义化比如monthly_gmv_trend.png而不是figure1.png。文档里引用图表时用相对路径保证整个文件夹拷贝到任何电脑都能打开。6. 从作业到作品三个让项目脱颖而出的进阶技巧6.1 加一个简单的预测模块在描述性分析基础上加一个预测哪怕只是用线性回归预测下月 GMV也能让项目从“分析”升级到“预测”。用sklearn的LinearRegression十行代码就能搞定from sklearn.linear_model import LinearRegression import numpy as np # 用前 N-1 个月预测第 N 个月 monthly metrics[月度GMV] X np.arange(len(monthly)).reshape(-1, 1) y monthly.values model LinearRegression() model.fit(X[:-1], y[:-1]) next_month_pred model.predict([[len(monthly)]]) print(f下月 GMV 预测{next_month_pred[0]:.2f})注意在文档里说明这只是趋势外推不考虑促销等突发因素避免被追问时尴尬。6.2 用 pyecharts 做交互式仪表盘把多个图表整合到一个 HTML 页面里用Page类组合from pyecharts.charts import Page page Page(layoutPage.DraggablePageLayout) page.add(pie, bar, line) # 添加之前生成的图表对象 page.render(dashboard.html)老师打开浏览器就能交互查看比静态截图印象分高很多。如果时间充裕可以用pyecharts的Grid做多图联动。6.3 文档里加一节“局限性与改进方向”这一节看似减分实则加分。主动指出项目的不足比如“数据时间跨度仅三个月无法分析年度趋势”“未考虑退款订单对 GMV 的影响”然后给出改进思路。老师看到的是你的批判性思维这比假装完美更能体现分析素养。我做了这么多课程项目最大的教训是高分项目不是功能最多的那个而是逻辑最自洽、文档最清晰的那个。把每个指标的口径写清楚把每张图的结论说明白把代码整理到别人能跑通分数自然不会低。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
