2026年Python数据分析案例：用Pandas处理销售数据+生成可视化报告集

2026年Python数据分析案例：用Pandas处理销售数据+生成可视化报告集前言：在数字化办公普及的2026年，数据分析已成为职场核心技能之一，尤其在销售、运营、市场等岗位，通过Python处理销售数据、生成可视化报告，能快速挖掘数据价值、支撑决策落地。本手册以“实操案例”为核心，摒弃复杂理论，聚焦Pandas数据处理与可视化报告生成，全程无Markdown格式、无多余排版，适配直接下载、复制使用。案例选用真实贴合2026年企业销售场景的数据集，从数据加载、清洗、预处理，到特征分析、可视化呈现，再到完整报告生成，每一步均提供详细代码、注释说明及效果展示，兼顾新手入门与职场实操，助力使用者快速掌握用Python处理销售数据、生成专业可视化报告的核心技巧，提升职场数据分析竞争力。核心说明：1.适配人群：Python新手、职场数据分析从业者（销售、运营、数据助理等）、需要用Python处理业务数据的职场人，无需深厚的编程基础，跟随案例步骤即可上手；2.环境配置：Python3.9+、Pandas2.2+、Matplotlib3.8+、Seaborn0.13+（附环境安装步骤，简单易操作）；3.案例核心：以“某电商企业2026年季度销售数据”为载体，完整覆盖“数据加载→数据清洗→数据预处理→特征分析→可视化生成→报告整合”全流程，代码可直接复制运行，修改数据集路径即可适配自身业务数据；4.实用适配：全程注重实操性，每段代码均有详细注释，关键步骤附带注意事项，可视化图表贴合职场报告审美，支持自定义修改样式；5.格式适配：段落清晰、层次分明，代码与文字区分明确，无Markdown格式、无复杂排版，可直接下载、打印、复制使用，便于随时查阅、实操练习。第一章前期准备：环境配置与数据集说明核心提示：开展案例实操前，需完成Python相关库的安装与数据集准备，这是后续数据处理与可视化的基础。本章节详细说明环境配置步骤、数据集结构，确保新手也能快速完成前期准备，顺利进入案例实操环节，所有操作均适配2026年最新版本的Python及相关库，避免版本兼容问题。第一节环境配置（3步完成，简单易操作）本案例需用到Python核心库：Pandas（数据处理）、Matplotlib（基础可视化）、Seaborn（高级可视化），推荐使用Anaconda环境（自带多数库，无需单独安装），若使用原生Python，按以下步骤安装即可，全程复制命令运行，无需手动配置。1.打开终端（Windows系统打开CMD，Mac/Linux系统打开终端），输入以下命令，安装Pandas（2.2+版本）：pipinstallpandas==2.2.3-i/simple注释：指定版本可避免与其他库冲突，清华源可提升下载速度，若安装失败，可删除“==2.2.3”，安装最新稳定版本。2.安装Matplotlib（3.8+版本），用于生成基础可视化图表（折线图、柱状图等）：pipinstallmatplotlib==3.8.4-i/simple3.安装Seaborn（0.13+版本），用于生成更美观、专业的可视化图表（热力图、箱线图等），适配职场报告场景：pipinstallseaborn==0.13.2-i/simple验证安装：安装完成后，打开Python编辑器（PyCharm、VSCode、JupyterNotebook均可），输入以下代码，无报错即说明环境配置成功：importpandasaspd

importmatplotlib.pyplotasplt

importseabornassns

print("Pandas版本：",pd.__version__)

print("Matplotlib版本：",plt.__version__)

print("Seaborn版本：",sns.__version__)注意事项：若使用JupyterNotebook（推荐，便于分段运行、查看结果），需额外安装jupyter，命令：pipinstalljupyter，安装完成后输入jupyternotebook即可启动。第二节数据集说明（贴合2026年销售场景）本案例选用“某电商企业2026年Q1-Q2销售数据集”，贴合当下电商销售场景，包含商品、用户、订单、营收等核心维度，数据格式为CSV（可直接用Excel打开、编辑），便于使用者替换为自身业务数据（如线下销售数据、门店销售数据），数据集结构如下：1.数据集名称：sales_data_2026_q1_q2.csv2.数据量：10000条订单记录，涵盖2个季度、12个品类、30个地区的销售数据3.核心字段（共12个，无多余字段，贴合实操需求）：（1）order_id：订单ID（唯一标识，字符串类型）（2）order_date：订单日期（日期类型，格式：2026-01-01）（3）region：销售地区（如华北、华东、华南、西南等）（4）product_category：商品品类（如电子产品、服装鞋帽、家居用品、食品饮料等）（5）product_name：商品名称（具体商品，如华为Mate70、纯棉T恤等）（6）product_price：商品单价（浮点型，单位：元）（7）sales_quantity：销售数量（整型，单位：件）（8）total_amount：订单总金额（浮点型，单位：元，=商品单价×销售数量）（9）user_id：用户ID（唯一标识，字符串类型）（10）user_gender：用户性别（分类类型，男、女、未知）（11）payment_method：支付方式（分类类型，微信、支付宝、银行卡、其他）（12）is_refund：是否退款（分类类型，是、否）4.数据集获取与替换：案例中提供模拟数据集（可直接复制代码生成），使用者可将自身销售数据整理为上述字段格式，替换CSV文件路径，即可复用后续所有代码，无需修改代码逻辑。注意事项：若自身数据集字段名称不同，需对应修改代码中的字段名（如将“region”改为“门店区域”），避免报错；日期格式需统一为“YYYY-MM-DD”，否则需额外添加日期格式转换代码（后续案例会补充）。第二章核心案例：用Pandas处理销售数据（全流程实操）核心提示：Pandas是Python数据分析的核心工具，能高效完成数据加载、清洗、预处理、筛选、聚合等操作，也是后续生成可视化报告的基础。本章节以2026年电商销售数据集为例，拆解“数据加载→数据清洗→数据预处理→数据聚合分析”全流程，每一步均提供完整代码、详细注释及运行结果说明，新手可直接复制代码运行，快速掌握Pandas处理销售数据的核心技巧。第一节步骤1：数据加载（读取销售数据）核心目标：将CSV格式的销售数据读取到Python中，转换为Pandas的DataFrame格式（表格形式），便于后续处理，支持本地文件读取与在线数据读取（适配不同使用场景）。1.基础代码（本地文件读取，推荐）：#导入Pandas库

importpandasaspd

#读取本地CSV文件（替换为自己的数据集路径，如：D:/sales_data_2026_q1_q2.csv）

df=pd.read_csv("sales_data_2026_q1_q2.csv",encoding="utf-8")

#查看数据前5行，确认数据加载成功

print("数据前5行：")

print(df.head())

#查看数据基本信息（字段类型、非空值数量等），判断是否存在数据问题

print("\n数据基本信息：")

print(())

#查看数据统计描述（数值型字段的均值、标准差、最值等）

print("\n数据统计描述：")

print(df.describe())2.代码注释：（1）encoding="utf-8"：解决中文乱码问题，若读取时出现乱码，可替换为encoding="gbk"；（2）df.head()：默认查看前5行数据，可修改括号内数字（如df.head(10)）查看前10行；（3）()：关键查看“Non-NullCount”（非空值数量）和“Dtype”（字段类型），若存在非空值不足，说明有缺失数据；（4）df.describe()：仅对数值型字段（商品单价、销售数量、订单总金额）进行统计，便于快速了解数据分布。3.运行结果说明：（1）数据前5行：正常显示12个字段的具体数据，无乱码、无异常值，说明加载成功；（2）数据基本信息：10000条记录，若某字段的Non-NullCount小于10000，说明存在缺失值（后续清洗步骤处理）；字段类型需对应（如order_date应为datetime类型，后续需转换）；（3）数据统计描述：可看到商品单价、销售数量、订单总金额的均值、最值等，如商品单价均值589元，销售数量均值2.3件，订单总金额均值1356元。4.备用代码（无本地数据集，生成模拟数据）：若没有现成的销售数据集，可运行以下代码生成模拟数据（与案例字段一致，10000条记录），直接用于后续实操：importpandasaspd

importnumpyasnp

fromdatetimeimportdatetime,timedelta

#生成模拟数据

np.random.seed(42)#固定随机种子，确保数据可重复

dates=[datetime(2026,1,1)+timedelta(days=np.random.randint(0,181))for_inrange(10000)]

regions=["华北","华东","华南","西南","西北","东北"]

categories=["电子产品","服装鞋帽","家居用品","食品饮料","美妆护肤","运动户外"]

payment_methods=["微信","支付宝","银行卡","其他"]

genders=["男","女","未知"]

df=pd.DataFrame({

"order_id":[f"OD{202600001+i}"foriinrange(10000)],

"order_date":dates,

"region":np.random.choice(regions,10000),

"product_category":np.random.choice(categories,10000),

"product_name":[f"{cat}{i}"forcat,iinzip(np.random.choice(categories,10000),range(10000))],

"product_price":np.random.uniform(99,2999,10000).round(2),

"sales_quantity":np.random.randint(1,10,10000),

"total_amount":(np.random.uniform(99,2999,10000)*np.random.randint(1,10,10000)).round(2),

"user_id":[f"US{100001+i}"foriinrange(10000)],

"user_gender":np.random.choice(genders,10000),

"payment_method":np.random.choice(payment_methods,10000),

"is_refund":np.random.choice(["是","否"],10000,p=[0.05,0.95])

})

#保存模拟数据为CSV文件（可用于后续本地读取）

df.to_csv("sales_data_2026_q1_q2.csv",index=False,encoding="utf-8")

print("模拟数据生成成功，已保存为sales_data_2026_q1_q2.csv")第二节步骤2：数据清洗（处理异常数据）核心目标：销售数据中通常存在缺失值、重复值、异常值（如负金额、负数量），这些数据会影响分析结果的准确性，需通过Pandas进行清洗，确保数据质量。本步骤针对销售数据常见问题，逐一处理，代码可直接复用。1.完整清洗代码：#导入所需库（若已导入，可跳过）

importpandasaspd

#读取数据（若已读取，可跳过）

df=pd.read_csv("sales_data_2026_q1_q2.csv",encoding="utf-8")

#1.处理重复值（重复订单，按order_id去重）

print("去重前数据量：",len(df))

df=df.drop_duplicates(subset=["order_id"],keep="first")#保留第一次出现的重复订单

print("去重后数据量：",len(df))

#2.处理缺失值（针对不同字段，采用不同方式）

#查看缺失值数量

print("\n缺失值统计：")

print(df.isnull().sum())

#处理缺失值：订单核心字段（order_id、order_date等）缺失，直接删除；非核心字段（user_gender）缺失，填充为"未知"

df=df.dropna(subset=["order_id","order_date","product_category","product_price","sales_quantity","total_amount"])#删除核心字段缺失的行

df["user_gender"]=df["user_gender"].fillna("未知")#填充非核心字段缺失值

print("\n处理后缺失值统计：")

print(df.isnull().sum())

#3.处理异常值（销售数据常见异常：负金额、负数量、单价为0等）

#查看异常值情况

print("\n异常值排查（负金额/负数量/单价为0）：")

abnormal1=df[df["total_amount"]<0]

abnormal2=df[df["sales_quantity"]<0]

abnormal3=df[df["product_price"]==0]

print("负金额订单数：",len(abnormal1))

print("负数量订单数：",len(abnormal2))

print("单价为0订单数：",len(abnormal3))

#删除异常值（异常订单无实际意义，直接删除）

df=df[(df["total_amount"]>0)&(df["sales_quantity"]>0)&(df["product_price"]>0)]

#4.处理数据格式（将order_date转换为datetime类型，便于后续按日期分析）

df["order_date"]=pd.to_datetime(df["order_date"],format="%Y-%m-%d",errors="coerce")

#处理日期转换失败的行（若有，直接删除）

df=df.dropna(subset=["order_date"])

#5.验证清洗结果

print("\n数据清洗完成，最终数据量：",len(df))

print("清洗后数据基本信息：")

print(())2.关键说明：（1）重复值处理：按order_id去重，因为订单ID是唯一标识，重复订单属于数据录入错误，保留第一次出现的记录；（2）缺失值处理：核心字段（订单ID、日期、品类等）缺失，无法补充，直接删除；非核心字段（用户性别）缺失，填充为“未知”，避免数据丢失；（3）异常值处理：销售数据中，负金额、负数量、单价为0均为异常（不符合实际业务逻辑），直接删除；若存在“退款订单”，需保留（本案例中is_refund字段单独标识，不视为异常）；（4）日期格式转换：将字符串类型的日期转换为datetime类型，后续可按日、周、月、季度进行分组分析，errors="coerce"表示转换失败时填充为缺失值，后续统一删除。3.运行结果：清洗后数据量通常在9500-9900条（根据原始数据的异常情况而定），无缺失值、无重复值、无异常值，order_date为datetime类型，数据质量达标，可进入后续预处理环节。第三节步骤3：数据预处理（适配分析需求）核心目标：清洗后的原始数据，需根据分析需求进行预处理，如新增分析字段（年份、季度、月份）、筛选有效数据（非退款订单）、数据分组等，让数据更贴合后续的特征分析与可视化需求，本步骤针对销售数据核心分析场景，新增关键字段。1.完整预处理代码：#基于清洗后的数据，进行预处理

#1.新增分析字段（年份、季度、月份、星期，便于后续按时间维度分析）

df["year"]=df["order_date"].dt.year#年份（本案例均为2026）

df["quarter"]=df["order_date"].dt.quarter#季度（1-2季度）

df["month"]=df["order_date"].dt.month#月份（1-6月）

df["weekday"]=df["order_date"].dt.weekday#星期（0=周一，6=周日）

#2.新增“实际营收”字段（排除退款订单，实际营收=总金额-退款金额，此处简化为非退款订单的总金额）

df["actual_amount"]=df.apply(lambdax:x["total_amount"]ifx["is_refund"]=="否"else0,axis=1)

#3.筛选有效数据（仅保留非退款订单，用于后续营收分析；若需分析退款情况，可单独保留退款订单）

df_valid=df[df["is_refund"]=="否"].copy()

#4.商品品类分组（合并小众品类，便于可视化呈现，可根据自身数据调整）

#查看各品类订单数量

category_count=df_valid["product_category"].value_counts()

print("各品类订单数量：")

print(category_count)

#合并订单数小于500的品类，命名为“其他品类”

small_categories=category_count[category_count<500].index.tolist()

df_valid["product_category_merged"]=df_valid["product_category"].replace(small_categories,"其他品类")

#5.验证预处理结果

print("\n预处理后有效数据量（非退款订单）：",len(df_valid))

print("新增字段后的数据前5行：")

print(df_valid[["order_id","order_date","quarter","month","product_category_merged","actual_amount"]].head())

#保存预处理后的数据（便于后续复用，可跳过）

df_valid.to_csv("sales_data_2026_preprocessed.csv",index=False,encoding="utf-8")

print("\n预处理后的数据已保存为sales_data_2026_preprocessed.csv")2.关键说明：（1）新增时间字段：年份、季度、月份、星期，是销售数据时间维度分析的核心（如季度营收对比、月度销售趋势）；（2）实际营收字段：排除退款订单，贴合企业实际营收统计逻辑，若需更精准，可添加“退款金额”字段，此处简化处理；（3）品类合并：若品类过多（如超过8个），可视化图表会过于杂乱，合并小众品类为“其他品类”，让图表更简洁、易读；（4）数据复制：使用copy()方法，避免后续操作修改原始清洗数据，便于后续回滚或重新分析。第四节步骤4：数据聚合分析（挖掘销售特征）核心目标：通过Pandas的聚合函数（groupby），对预处理后的有效数据进行分析，挖掘销售特征，如各地区营收对比、各品类销售情况、月度销售趋势、支付方式分布等，分析结果将作为后续可视化报告的核心数据支撑，所有分析结果均贴合2026年销售场景。1.完整聚合分析代码：#基于预处理后的有效数据（df_valid），进行聚合分析

importpandasaspd

#读取预处理后的数据（若已在内存中，可跳过）

df_valid=pd.read_csv("sales_data_2026_preprocessed.csv",encoding="utf-8")

#转换日期格式（读取后日期会变为字符串，需重新转换）

df_valid["order_date"]=pd.to_datetime(df_valid["order_date"],format="%Y-%m-%d")

#1.按地区分析：各地区订单数、实际营收、平均客单价

region_analysis=df_valid.groupby("region").agg({

"order_id":"count",#订单数

"actual_amount":["sum","mean"]#实际营收总和、平均客单价

}).round(2)

#重命名列名，便于后续使用

region_analysis.columns=["订单数","实际营收（元）","平均客单价（元）"]

#按实际营收排序（降序）

region_analysis=region_analysis.sort_values("实际营收（元）",ascending=False)

print("各地区销售分析：")

print(region_analysis)

#2.按品类分析：各品类订单数、实际营收、销售数量

category_analysis=df_valid.groupby("product_category_merged").agg({

"order_id":"count",

"sales_quantity":"sum",

"actual_amount":"sum"

}).round(2)

category_analysis.columns=["订单数","销售总量（件）","实际营收（元）"]

category_analysis=category_analysis.sort_values("实际营收（元）",ascending=False)

print("\n各品类销售分析：")

print(category_analysis)

#3.按月度分析：各月份订单数、实际营收，查看月度销售趋势

monthly_analysis=df_valid.groupby("month").agg({

"order_id":"count",

"actual_amount":"sum"

}).round(2)

monthly_analysis.columns=["订单数","实际营收（元）"]

#确保月份按1-6月排序

monthly_analysis=monthly_analysis.reindex(range(1,7))

print("\n各月度销售分析：")

print(monthly_analysis)

#4.按支付方式分析：各支付方式订单占比、营收占比

payment_analysis=df_valid.groupby("payment_method").agg({

"order_id":"count",

"actual_amount":"sum"

}).round(2)

payment_analysis["订单占比（%）"]=(payment_analysis["order_id"]/payment_analysis["order_id"].sum()*100).round(2)

payment_analysis["营收占比（%）"]=(payment_analysis["actual_amount"]/payment_analysis["actual_amount"].sum()*100).round(2)

payment_analysis.columns=["订单数","实际营收（元）","订单占比（%）","营收占比（%）"]

print("\n各支付方式销售分析：")

print(payment_analysis)

#5.按用户性别分析：各性别用户订单数、营收贡献

gender_analysis=df_valid.groupby("user_gender").agg({

"order_id":"count",

"actual_amount":"sum"

}).round(2)

gender_analysis["订单占比（%）"]=(gender_analysis["order_id"]/gender_analysis["order_id"].sum()*100).round(2)

gender_analysis["营收占比（%）"]=(gender_analysis["actual_amount"]/gender_analysis["actual_amount"].sum()*100).round(2)

gender_analysis.columns=["订单数","实际营收（元）","订单占比（%）","营收占比（%）"]

print("\n各性别用户销售分析：")

print(gender_analysis)

#6.总体销售概况

total_orders=len(df_valid)

total_revenue=df_valid["actual_amount"].sum().round(2)

avg_order_amount=df_valid["actual_amount"].mean().round(2)

avg_quantity=df_valid["sales_quantity"].mean().round(2)

print("\n2026年Q1-Q2销售总体概况：")

print(f"总订单数（非退款）：{total_orders}单")

print(f"总实际营收：{total_revenue}元")

print(f"平均客单价：{avg_order_amount}元")

print(f"平均每单销售数量：{avg_quantity}件")2.关键说明：（1）聚合函数agg()：可同时对多个字段进行多种聚合操作（如count计数、sum求和、mean求均值），高效完成多维度分析；（2）列名重命名：聚合后的列名会是多级索引，重命名后更简洁，便于后续可视化调用；（3）排序与重索引：按营收降序排序，能快速找到核心销售区域、优势品类；月度分析时用reindex，确保月份按1-6月顺序排列，避免混乱；（4）占比计算：通过“单字段总和/总总和×100”，计算订单占比、营收占比，直观呈现各维度的贡献度；（5）总体概况：汇总核心指标（总订单数、总营收、平均客单价），为可视化报告的开篇总结提供数据支撑。第三章核心案例：生成可视化报告集（Matplotlib+Seaborn）核心提示：可视化是数据分析报告的核心，能将抽象的数字转化为直观的图表，便于阅读、理解与决策。本章节基于第二章的聚合分析结果，使用Matplotlib+Seaborn生成贴合2026年职场报告审美的可视化图表，涵盖柱状图、折线图、饼图、热力图等常用图表类型，每类图表均提供完整代码、样式优化及报告适配建议，所有图表可直接整合为完整的销售数据分析报告。通用设置：所有图表统一设置样式（字体、颜色、尺寸），贴合职场报告审美，避免图表杂乱，代码如下（只需运行一次，后续所有图表均会沿用此样式）：#导入可视化库

importmatplotlib.pyplotasplt

importseabornassns

importpandasaspd

#读取预处理后的数据和聚合分析结果（若已在内存中，可跳过）

df_valid=pd.read_csv("sales_data_2026_preprocessed.csv",encoding="utf-8")

df_valid["order_date"]=pd.to_datetime(df_valid["order_date"],format="%Y-%m-%d")

#通用样式设置（适配职场报告，简洁、专业）

plt.rcParams["font.sans-serif"]=["SimHei","ArialUnicodeMS"]#解决中文显示问题

plt.rcParams["axes.unicode_minus"]=False#解决负号显示问题

plt.style.use("seaborn-v0_8-whitegrid")#设置图表样式

colors=["#2E86AB","#A23B72","#F18F01","#C73E1D","#7209B7","#56CCF2"]#职场专业配色（可修改）

#定义图表尺寸（统一尺寸，便于报告排版）

fig_size=(12,6)第一节图表1：各地区销售营收对比（柱状图）核心用途：直观呈现各地区的营收差异，快速找到核心销售区域，为区域销售策略调整提供支撑，是销售报告必备图表。1.完整代码：#1.重新计算各地区营收数据（若已计算，可直接调用）

region_analysis=df_valid.groupby("region").agg({

"actual_amount":"sum"

}).round(2).sort_values("actual_amount",ascending=False)

region_analysis.columns=["实际营收（元）"]

#2.生成柱状图

plt.figure(figsize=fig_size)

#绘制柱状图

bars=plt.bar(region_analysis.index,region_analysis["实际营收（元）"],color=colors[:len(region_analysis)],alpha=0.8)

#样式优化

plt.title("2026年Q1-Q2各地区销售营收对比",fontsize=16,fontweight="bold",pad=20)

plt.xlabel("销售地区",fontsize=12,fontweight="500")

plt.ylabel("实际营收（元）",fontsize=12,fontweight="500")

plt.xticks(rotation=45,ha="right")#地区名称旋转45度，避免重叠

#在柱状图上添加数值标签（直观显示营收金额）

forbarinbars:

height=bar.get_height()

plt.text(bar.get_x()+bar.get_width()/2.,height+max(region_analysis["实际营收（元）"])*0.01,

f"{height:,.0f}",#数值格式化，千位分隔

ha="center",va="bottom",fontsize=10)

#去除顶部和右侧边框（更简洁）

ax=plt.gca()

ax.spines["top"].set_visible(False)

ax.spines["right"].set_visible(False)

#调整布局，避免标签被截断

plt.tight_layout()

#保存图表（可保存为png/jpg/pdf格式，适配报告插入）

plt.savefig("各地区营收对比.png",dpi=300,bbox_inches="tight")

plt.close()

print("各地区营收对比图表已保存")2.样式优化说明：（1）配色：使用职场专业配色，避免鲜艳刺眼，alpha=0.8增加透明度，提升美观度；（2）数值标签：在柱状图顶部添加营收金额，千位分隔，便于快速读取数据；（3）边框处理：去除顶部和右侧边框，符合现代职场图表审美，更简洁；（4）保存设置：dpi=300确保图表高清，bbox_inches="tight"避免标签被截断，可直接插入Word、PPT报告。第二节图表2：各品类销售总量与营收双轴图核心用途：同时呈现各品类的销售总量和营收情况，分析“销量高但营收低”“销量低但营收高”的品类，为品类优化提供支撑。1.完整代码：#1.重新计算各品类数据

category_analysis=df_valid.groupby("product_category_merged").agg({

"sales_quantity":"sum",

"actual_amount":"sum"

}).round(2).sort_values("actual_amount",ascending=False)

category_analysis.columns=["销售总量（件）","实际营收（元）"]

#2.生成双轴图（左轴：销售总量，右轴：实际营收）

fig,ax1=plt.subplots(figsize=fig_size)

#左轴：销售总量（柱状图）

bars=ax1.bar(category_analysis.index,category_analysis["销售总量（件）"],

color=colors[0],alpha=0.6,label="销售总量")

ax1.set_xlabel("商品品类",fontsize=12,fontweight="500")

ax1.set_ylabel("销售总量（件）",fontsize=12,fontweight="500",color=colors[0])

ax1.tick_params(axis="y",labelcolor=colors[0])

ax1.set_xticklabels(category_analysis.index,rotation=45,ha="right")

#右轴：实际营收（折线图）

ax2=ax1.twinx()

line=ax2.plot(category_analysis.index,category_analysis["实际营收（元）"],

color=colors[1],marker="o",linewidth=2.5,markersize=6,label="实际营收")

ax2.set_ylabel("实际营收（元）",fontsize=12,fontweight="500",color=colors[1])

ax2.tick_params(axis="y",labelcolor=colors[1])

#样式优化

plt.title("2026年Q1-Q2各品类销售总量与营收对比",fontsize=16,fontweight="bold",pad=20)

#添加数值标签（柱状图：销量，折线图：营收）

#柱状图标签

forbarinbars:

height=bar.get_height()

ax1.text(bar.get_x()+bar.get_width()/2.,height+max(category_analysis["销售总量（件）"])*0.01,

f"{height:,.0f}",ha="center",va="bottom",fontsize=9,color=colors[0])

#折线图标签

fori,valueinenumerate(category_analysis["实际营收（元）"]):

ax2.text(i,value+max(category_analysis["实际营收（元）"])*0.01,

f"{value:,.0f}",ha="center",va="bottom",fontsize=9,color=colors[1])

#去除顶部边框

ax1.spines["top"].set_visible(False)

ax2.spines["top"].set_visible(False)

#调整布局

plt.tight_layout()

#保存图表

plt.savefig("各品类销量与营收对比.png",dpi=300,bbox_inches="tight")

plt.close()

print("各品类销量与营收对比图表已保存")2.关键说明：（1）双轴图优势：解决“销量和营收量级差异大”的问题（如销量thousands，营收millions），同时呈现两个维度，无需分开绘制；（2）图表类型：柱状图展示销量（直观对比），折线图展示营收（体现趋势），搭配合理，贴合职场报告需求；（3）数值标签：分颜色标注，与对应轴颜色一致，避免混淆，字体大小适中，不影响图表美观。第三节图表3：月度销售趋势图（折线图）核心用途：呈现2026年Q1-Q2各月份的销售趋势（订单数、营收），分析销售高峰、低谷，为月度销售计划制定提供支撑。1.完整代码：#1.重新计算月度数据

monthly_analysis=df_valid.groupby("month").agg({

"order_id":"count",

"actual_amount":"sum"

}).round(2).reindex(range(1,7))

monthly_analysis.columns=["订单数","实际营收（元）"]

#2.生成月度趋势图（双折线图）

plt.figure(figsize=fig_size)

#绘制订单数折线图

plt.plot(monthly_analysis.index,monthly_analysis["订单数"],

color=colors[0],marker="s",linewidth=2.5,markersize=6,label="订单数")

#绘制营收折线图

plt.plot(monthly_analysis.index,monthly_analysis["实际营收（元）"],

color=colors[1],marker="o",linewidth=2.5,markersize=6,label="实际营收（元）")

#样式优化

plt.title("2026年Q1-Q2月度销售趋势",fontsize=16,fontweight="bold",pad=20)

plt.xlabel("月份",fontsize=12,fontweight="500")

plt.ylabel("数值",fontsize=12,fontweight="500")

plt.xticks(range(1,7),labels=["1月","2月","3月","4月","5月","6月"])#月份标签优化

plt.legend(loc="upperleft",fontsize=10)#图例位置

#添加数值标签

fori,(order,revenue)inenumerate(zip(monthly_analysis["订单数"],monthly_analysis["实际营收（元）"])):

#订单数标签

plt.text(i+1,order+max(monthly_analysis["订单数"])*0.01,

f"{order}",ha="center",va="bottom",fontsize=9,color=colors[0])

#营收标签

plt.text(i+1,revenue+max(monthly_analysis["实际营收（元）"])*0.01,

f"{revenue:,.0f}",ha="center",va="bottom",fontsize=9,color=colors[1])

#去除顶部和右侧边框

ax=plt.gca()

ax.spines["top"].set_visible(False)

ax.spines["right"].set_visible(False)

#添加网格线（便于读取数据）

plt.grid(axis="y",alpha=0.3)

#调整布局

plt.tight_layout()

#保存图表

plt.savefig("月度销售趋势.png",dpi=300,bbox_inches="tight")

plt.close()

print("月度销售趋势图表已保存")第四节图表4：支付方式分布饼图核心用途：直观呈现各支付方式的订单占比，了解用户支付偏好，为支付渠道优化、优惠活动制定提供支撑（如针对主流支付方式推出满减活动）。1.完整代码：#1.重新计算支付方式数据

payment_analysis=df_valid.groupby("payment_method").agg({

"order_id":"count"

})

payment_analysis.columns=["订单数"]

payment_analysis["订单占比（%）"]=(payment_analysis["订单数"]/payment_analysis["订单数"].sum()*100).round(2)

#2.生成饼图

plt.figure(figsize=(10,7))

#绘制饼图（带阴影，更有立体感）

wedges,texts,autotexts=plt.pie(payment_analysis["订单数"],

labels=payment_analysis.index,

autopct="%1.1f%%",#显示占比，保留1位小数

colors=colors[:len(payment_analysis)],

startangle=90,#起始角度，让饼图更美观

shadow=True,#阴影效果

explode=[0.05]*len(payment_analysis))#轻微分离各部分，更清晰

#样式优化

plt.title("2026年Q1-Q2各支付方式订单占比",fontsize=16,fontweight="bold",pad=20)

#优化文本样式（字体大小、颜色）

fortextintexts:

text.set_fontsize(11)

forautotextinautotexts:

autotext.set_fontsize(10)

autotext.set_color("white")#占比文本为白色，更清晰

autotext.set_fontweight("bold")

#确保饼图为正圆形

plt.axis("equal")

#调整布局

plt.tight_layout()

#保存图表

plt.savefig("支付方式分布.png",dpi=300,bbox_inches="tight")

plt.close()

print("支付方式分布图表已保存")第五节图表5：地区-品类营收热力图核心用途：呈现各地区不同品类的营收分布，挖掘“地区+品类”的核心组合（如华东地区的电子产品营收最高），为区域品类布局提供支撑。1.完整代码：#1.计算地区-品类营收交叉数据

region_category_heatmap=df_valid.groupby(["region","product_category_merged"])["actual_amount"].sum().round(2)

#转换为透视表（行：地区，列：品类，值：营收）

region_category_heatmap=region_category_heatmap.unstack(fill_value=0)

#2.生成热力图

plt.figure(figsize=(14,8))

#绘制