NumPy实战：校园奶茶店销量数据分析技巧

1. 校园奶茶店销量分析的业务背景

在大学校园里经营一家奶茶店，每天都会产生大量的销售数据。这些数据看似简单，但如果能合理分析，就能发现很多有价值的经营信息。比如：

• 哪些产品最受欢迎？
• 销量是否有周期性变化？
• 促销活动的效果如何？

作为店主，我最初是用Excel记录这些数据，但随着数据量增加，处理起来越来越麻烦。后来发现用Python的NumPy库处理一维数组数据特别高效，下面分享我的实战经验。

2. NumPy环境准备与基础操作

2.1 安装NumPy库

在PyCharm中安装NumPy非常简单：

1. 打开PyCharm的Terminal
2. 输入命令：pip install numpy
3. 如果遇到"pip不被识别"的错误，需要先配置Python环境变量

验证安装成功：

python复制import numpy as np
print(np.__version__)  # 应该能正常输出版本号

2.2 创建一维数组

记录一周的奶茶销量（单位：杯）：

python复制sales = np.array([120, 85, 110, 95, 130, 150, 80])  # 周一到周日

3. 基础销量分析

3.1 基本统计量计算

python复制print("总销量:", np.sum(sales))  # 770杯
print("平均日销量:", np.mean(sales))  # 110杯
print("销量标准差:", np.std(sales))  # 23.45
print("最高销量:", np.max(sales))  # 150(周六)
print("最低销量:", np.min(sales))  # 80(周日)

3.2 布尔索引应用

找出销量超过100杯的日子：

python复制good_days = sales > 100
print(sales[good_days])  # [120, 110, 130, 150]

4. 深入业务分析

4.1 周末效应分析

python复制weekend = sales[-2:]  # 取最后两天(周六日)
weekday = sales[:-2]  # 周一到周五
print("周末平均:", np.mean(weekend))  # 115
print("工作日平均:", np.mean(weekday))  # 108

4.2 促销效果评估

假设周三做了促销：

python复制base = np.array([100, 80, 90, 85, 120, 140, 75])  # 基准销量
promo_effect = sales - base
print("促销带来增量:", promo_effect[2])  # 周三增加20杯

5. 高级分析技巧

5.1 移动平均分析

计算3日移动平均：

python复制def moving_average(data, window):
    return np.convolve(data, np.ones(window)/window, mode='valid')
    
print(moving_average(sales, 3))  # [105. 96.67 111.67 125. 120.]

5.2 预测模型构建

简单线性回归预测：

python复制days = np.arange(7)  # 0-6代表周一到周日
slope, intercept = np.polyfit(days, sales, 1)
print(f"预测模型: y = {slope:.1f}x + {intercept:.1f}")

6. 实战经验分享

1. 数据清洗很重要：实际数据可能有缺失，可以用np.nan标记
2. 注意数据类型：销量应该是整数，用dtype=np.int32明确指定
3. 可视化辅助：配合Matplotlib绘图更直观
4. 性能优化：对于大数据量，NumPy比纯Python循环快100倍以上

我在实际使用中发现，每周三下午的销量会突然下降，后来调整了排班安排，在周三下午增加了促销活动，效果很好。这种细节只有通过数据分析才能发现。