Python电商销售数据分析实战：从数据清洗到可视化全流程

前几天有位做电商运营的朋友给我甩来一个压缩包，里面是某店铺2023年全年的订单明细Excel。他说：“Excel一打开就卡死，VLOOKUP跑一次要几分钟，你帮我看看下半年销售额为什么上不去。”这个需求太典型了，正好是一堂完整的Python数据分析实战课。我最终用Python配合pandas、Matplotlib、Seaborn完成了从数据清洗、指标计算到可视化输出的全流程，十几万行订单十分钟左右就能跑完。这篇文章会把整个分析项目拆开讲清楚：怎么定义指标口径、怎样做数据清洗、核心销售指标怎么算、哪些图表真正有用，以及我在处理这批数据时踩过的坑。适合已经掌握Python基础语法、想通过真实项目把数据分析能力落地到业务场景的读者。

1. 先从业务角度拆解“电商销售数据”的分析目标

1.1 为什么非要用Python而不是Excel/BI工具

先说结论：如果你只有几万行数据、分析一次就完事，用Excel或BI工具完全没问题。但一旦数据量超过十万行，Excel的透视表和VLOOKUP就开始力不从心，公式链长了还会出现“保存半天、计算更久”的情况。朋友这份订单明细有12万多行，Excel打开都费劲，更别说做复杂的去重、条件聚合和跨表计算了。

Python做这件事的优势有三个。

第一，过程可复现。Excel里点鼠标的每一步操作，换个人或者过两周再看，很难还原；但Python脚本保存下来，下次换一份新数据，只要结构相同，跑一遍就能出全部结果。第二，处理链完整。从读取、清洗、聚合到可视化可以写在一个流程里，中间每一步都有据可查。第三，处理性能足够。pandas是内存计算引擎，十几万行的订单数据属于“小数据”，在普通笔记本上跑聚合计算就是秒级的事，完全不需要上大数据框架。

当然，BI工具比如Power BI、Tableau也很强，但它们的强项是“拖拽式探索”和“固定看板”。如果你要做一次专题分析，比如“下半年销售额为什么下滑”，需要灵活地自定义指标口径、做多层拆解，用Python脚本的性价比反而更高。两者不是替代关系，是不同场景的选择。

1.2 分析框架：先定指标，再碰数据

“帮我看看销售额为什么上不去”这句话，不能直接当分析目标。拿到数据后第一件事不是写代码，而是把业务问题翻译成可计算的数据指标。

我当时和那位朋友确认了几个具体问题：

• 下半年销售额下滑，是购买的人数少了，还是客单价降了？
• 哪些商品类目在拖后腿？哪些类目还在增长？
• 新客户和老客户的贡献比例有没有变化？
• 哪个渠道、哪个区域的波动最大？

这些问题落到指标层面，就是几个核心口径：销售额（GMV）、有效订单量、客单价、复购率、类目销售额占比、月度环比/同比。后续所有代码都围绕这几个指标展开。

一个值得提醒的点是：指标口径必须在分析开始前和需求方对齐，不然算出来的数字可能对不上业务部门的报表。比如“销售额”到底是订单应付金额还是实付金额，退款的订单算不算，未付款订单算不算，这些口径差一个，最终结论就完全不一样。

1.3 数据字段说明与分析范围

朋友这份订单表导出来是CSV文件，共12.6万行，主要字段如下：

做分析前我先和需求方确认了两个分析边界：第一，分析周期是2023年1月1日到2023年12月31日；第二，只统计“已完成”的有效订单，“已退款”和“已取消”的订单不参与销售指标计算。这个边界非常重要，它决定了后面清洗逻辑怎么写。

2. 数据清洗：从原始订单表到可分析DataFrame的必经之路

2.1 导入数据与字段类型检查

不管原始数据是Excel导出的CSV还是数据库导出的文件，读取之后第一件事永远是看“元信息”。我习惯先跑这三行代码：

python复制import pandas as pd

df = pd.read_csv("orders.csv", encoding="utf-8-sig", parse_dates=["order_date"])
print(df.shape)
df.info()
display(df.head())

这里有两个小细节值得单独说。第一，encoding="utf-8-sig" 是处理Excel导出的CSV最稳妥的编码方式，不会有中文乱码；如果文件本身就是GBK编码，可以把编码改成 gbk（或者 gb18030）。第二，parse_dates=["order_date"] 会在读取时把下单时间直接解析成datetime类型，省得后面再手动画转换。

df.info() 能快速看到每列的数据类型和缺失情况。这次检查发现几个典型问题：

• city 列有约3000个空值；
• channel 列有少量空值；
• order_status 有“已退款”“已取消”等非有效状态；
• total_amount 有个别记录为0或负数。

这些如果不在清洗阶段处理掉，后面所有指标都会失真。

2.2 缺失值、重复值、异常值的处理策略

数据清洗不是把所有空值都删掉，而是根据业务含义决定“删除”“填充”还是“保留分析”。我当时的处理逻辑是：

先剔除无效订单状态。

python复制valid_status = ["已完成"]
df = df[df["order_status"].isin(valid_status)].copy()

这一步直接去掉已退款和已取消订单，避免GMV被高估。做完之后可以打印一下剩余行数，方便后面追溯。

再处理缺失值。

核心业务字段如果为空，比如 order_id、user_id、total_amount 为空，这行数据没法参与销售或用户分析，只能删除。非核心字段像 city、channel，可以直接填充为“未知渠道”“未知城市”，保留行本身的数据价值。

python复制df["city"] = df["city"].fillna("未知城市")
df["channel"] = df["channel"].fillna("未知渠道")
df = df.dropna(subset=["order_id", "user_id", "total_amount"])

重复值处理要区分“整行重复”和“订单号重复”。

电商订单表里一个订单多行商品是正常现象，所以不能用 order_id 去重。判断重复值应该用 df.duplicated() 看是否整行一模一样，有的话直接 drop_duplicates()。

python复制df = df.drop_duplicates()

异常值用条件筛选而不是肉眼看。

我对金额和数量设了三个过滤条件：单价不能为负数，数量必须大于0，实付金额必须大于0。这个操作会排除掉一小部分测试订单和异常单。

python复制df = df[(df["unit_price"] > 0) & (df["quantity"] > 0) & (df["total_amount"] > 0)]

洗完之后最好把清洗前后的行数对比打出来，比如“清洗前126000行，清洗后118320行，剔除比例为6.1%”。这个数据放到分析报告里，能帮助别人理解你的数据质量边界。

2.3 时间字段与业务维度的衍生特征

清洗完原始数据，下一步是造“分析辅助列”。电商销售分析几乎离不开时间维度，所以我先加了几个时间特征：

python复制df["order_month"] = df["order_date"].dt.to_period("M")
df["order_quarter"] = df["order_date"].dt.to_period("Q")
df["order_weekday"] = df["order_date"].dt.day_name()
df["order_hour"] = df["order_date"].dt.hour

order_month 用于月度趋势分析，order_weekday 可以观察周内销售节奏，order_hour 用于看一天中的下单高峰。这些衍生列在EDA阶段会非常有用。

另一个重要特征是“订单行金额校验”。我拿每个商品的quantity * unit_price 和 total_amount 做了一次比对，发现有部分订单的行金额与明细对不上。原因是平台会做促销分摊，比如满减金额被拆到各个商品上，导致实际 total_amount 不等于单价乘以数量。这不是脏数据，是业务规则。搞清楚这个机制之后，后续所有销售额计算都以 total_amount 为准，不要再自己乘一次。

3. 核心销售指标的计算：不是写代码，是定义口径

3.1 销售额、订单量、客单价的计算口径

核心指标计算不复杂，复杂的是口径统一。先看最简单的整体指标：

python复制total_sales = df["total_amount"].sum()
total_orders = df["order_id"].nunique()
avg_order_value = total_sales / total_orders

print(f"有效销售额: {total_sales:.2f}")
print(f"有效订单量: {total_orders}")
print(f"客单价: {avg_order_value:.2f}")

这里必须强调一个坑：订单量一定要用 nunique()，不能用 count() 或 size()。因为这个表一个订单可以拆成多行商品，如果用 total_amount 的count去数订单数，会把订单量虚高好几倍，客单价也会被严重拉低。

月度指标同样要注意这个逻辑：

python复制monthly = df.groupby("order_month").agg(
    销售额=("total_amount", "sum"),
    订单量=("order_id", "nunique")
)
monthly["客单价"] = monthly["销售额"] / monthly["订单量"]

月度结果一出来，问题已经很明显了：上半年月度销售额基本在90万到110万之间波动，下半年从9月开始下滑，10月、11月虽然有双十一预热，但也没有超过上半年的峰值。接下来需要继续拆解，找到下滑原因。

3.2 同比环比与趋势分析

环比是相邻两个周期的对比，比如9月对比8月。代码如下：

python复制monthly["销售额环比"] = monthly["销售额"].pct_change()
monthly["订单量环比"] = monthly["订单量"].pct_change()

pct_change() 算出来的是小数，如果要展示成百分比，可以乘以100，再保留两位小数。环比数据能清楚看到9月销售额较8月下降了多少、订单量下降了多少。如果两个指标下降幅度不同，就说明影响因素可能不同。

我这次看到的规律是：9月订单量只下降了5%左右，但销售额下降了近12%，客单价也同步下降。这说明“不是没人买，而是买得便宜了”。继续往下看客单价和商品类目，会发现是低价商品销量占比提升，拉低了整体客单价。

这里补充一个经验：pct_change() 算环比时，第一个月的结果是NaN，这是正常的，不用处理。如果要看平滑趋势，可以用 rolling(3).mean() 做三个月移动平均，减少单月促销带来的噪声。

3.3 商品和类目的销售贡献拆解

销售额下滑是一个结果，真正的原因藏在“什么商品卖不动了”里。先做类目汇总：

python复制category_stats = df.groupby("category").agg(
    销售额=("total_amount", "sum"),
    订单量=("order_id", "nunique")
).sort_values("销售额", ascending=False)

category_stats["销售额占比"] = category_stats["销售额"] / category_stats["销售额"].sum() * 100

类目拆出来之后，我发现“服饰”这个类目的销售额占比超过40%，但它的销售额从8月开始连续下降。数码类目虽然客单价高，但订单量基数小，对总体销售额的拉动有限。家电类目则因为大促集中在6月，下半年的自然销量就是偏低的，这不是异常，而是季节性。

所以分析不能只看销售总额，还必须落到类目、商品、用户的交叉维度，才能定位到真正的问题源。

4. 用户与商品的分析视角：找出真正驱动销售的因素

4.1 用户复购与RFM分层

销售额 = 用户数 × 用户平均消费频次 × 客单价，这是电商分析的万能公式。销售额下滑，要么是买的人少了，要么是每个人买得少了，要么是客单价低了。先把用户维度算出来：

python复制user_stats = df.groupby("user_id").agg(
    订单数=("order_id", "nunique"),
    消费总额=("total_amount", "sum"),
    最近购买日期=("order_date", "max")
)
user_stats["复购用户"] = user_stats["订单数"] > 1
repeat_rate = user_stats["复购用户"].mean()

这里的“复购率”口径是：有复购行为的用户数占总用户数的比例。如果想看“老客贡献”，可以进一步算复购用户的消费总额占所有消费总额的比例，这个数通常很惊人——20%的复购用户往往贡献了超过60%的销售额。

更细一点可以做RFM分层。RFM是三个维度的缩写：

• R（Recency）：最近一次购买距离分析截止日有多久，越短越好；
• F（Frequency）：购买频次，越高越好；
• M（Monetary）：累计消费金额，越高越好。

实际操作中比较简洁的做法是把每个维度分成高分和低分两组，组合出八类人群。比如“高R、高F、高M”是重要价值客户，“低R、高F、高M”是需要唤醒的沉睡客户。这个分层可以直接指导运营动作：重要价值客户做权益维护，沉睡客户做召回活动。

4.2 高价值商品与连带销售分析

商品维度不能只看单款销量，还要看“是否拉动其他商品一起卖”。我先把每个订单内包含的商品数量算出来：

python复制order_items = df.groupby("order_id").agg(
    商品数=("product_id", "nunique"),
    订单金额=("total_amount", "sum")
)
multi_item_orders = order_items[order_items["商品数"] >= 2]

这些“多商品订单”才是连带销售的分析对象。如果某个商品经常出现在多商品订单里，说明它是引流款；如果某个商品总是被单独购买，那它的增长更多依赖自然流量或搜索流量。

进一步做商品组合分析，可以用“同一订单内商品共同出现的次数”来排序，找出关联强度较高的品类组合。比如灯具和插座经常一起买，那就可以在商品详情页做搭配推荐。这个逻辑再往前一步就是关联规则挖掘，但第一阶段用交叉频次就能发现很多可执行的规律。

4.3 渠道与地域维度洞察

渠道分析主要看不同渠道的销售额和客单价差异：

python复制channel_stats = df.groupby("channel").agg(
    销售额=("total_amount", "sum"),
    订单量=("order_id", "nunique")
)
channel_stats["客单价"] = channel_stats["销售额"] / channel_stats["订单量"]

我这次看到的数据里，App渠道的客单价最高，但订单量增速放缓；直播渠道订单量增长很快，但客单价明显偏低，大量是9.9元、19.9元的引流品。这也能解释为什么订单量没怎么掉、销售额却下滑——销售结构在向低价渠道转移。

地域分析要先处理城市字段的标准化。比如“上海”和“上海市”其实是同一个城市，但文本不同会被当成两个值。用 df["city"].str.replace("市", "") 就可以统一。做完之后再按城市汇总销售数据，才能看出哪些区域在增长、哪些区域在下滑。

5. 可视化输出：让图表替你说出业务结论

5.1 选图逻辑：什么数据配什么图

可视化不是把图表堆满PPT，而是让看图的人在十秒内理解你想表达的观点。我的选图原则很简单：

有几个图我几乎不用：3D图、雷达图、花哨的仪表盘。原因很简单，它们传递信息的效率通常不如普通二维图，还容易产生视觉误导。

5.2 用Matplotlib/Seaborn生成趋势、分布、对比图

先做全局设置，保证中文不乱码：

python复制import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
sns.set_style("whitegrid")

画月度销售额趋势：

python复制fig, ax = plt.subplots(figsize=(12, 6))
monthly_reset = monthly.reset_index()
monthly_reset["order_month"] = monthly_reset["order_month"].astype(str)

sns.lineplot(data=monthly_reset, x="order_month", y="销售额", marker="o", ax=ax)
ax.set_title("2023年月度销售额趋势")
ax.set_xlabel("月份")
ax.set_ylabel("销售额")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

这里有个细节：order_month 是Period类型，直接传给Seaborn可能出问题，所以我先 astype(str) 转成字符串。这是pandas+Seaborn结合时很常见的坑。

类目对比图我用柱状图加数据标签：

python复制fig, ax = plt.subplots(figsize=(10, 6))
sns.barplot(data=category_stats.reset_index(), y="category", x="销售额", ax=ax)
ax.set_title("类目销售额排名")

如果需要看数据分布，比如客单价分布，用直方图和箱线图配合：

python复制fig, axes = plt.subplots(1, 2, figsize=(14, 5))
sns.histplot(df["total_amount"], bins=50, ax=axes[0])
axes[0].set_title("订单金额分布（含长尾）")
sns.boxplot(data=df, x="total_amount", ax=axes[1])
axes[1].set_title("订单金额箱线图")

通常你会发现订单金额严重右偏，大部分订单在100元以下，少量大额订单把平均值拉高。这也是“为什么中位数客单价远低于平均值”的原因。

5.3 让图表具备可读性与业务表达力

图表写出来只是第一步，更重要的是“用图表讲结论”。我会在关键图上做两件事：加趋势标注，加结论文字。

比如在月度销售额折线图上，8月到9月的下滑拐点非常关键，我会用 ax.annotate() 在这个点上标注“9月销售额环比下降12%”，看图的人就不需要自己再对比数据。

颜色方面，我习惯整张图只用一个主色，需要强调的点用红色或橙色标注，避免使用彩虹色。输出图片时我会把 dpi 设成200，确保放到PPT或报告里不模糊：

python复制plt.savefig("monthly_sales.png", dpi=200, bbox_inches="tight")

还有一个容易被忽略的点：图表标题和坐标轴标签不要只写“销售额”，要写清楚统计口径，比如“有效订单销售额（已剔除退款）”。这样看图的人不会产生歧义。

6. 分析之外：自动化报表与踩坑复盘

6.1 把分析脚本封装成每周自动报表

分析做完了，如果朋友每个月都要看一次这个数据，把所有代码揉在一个Notebook里显然不够。我会把核心逻辑拆成函数，做成一个可重复执行的脚本：

python复制def load_data(path):
    df = pd.read_csv(path, encoding="utf-8-sig", parse_dates=["order_date"])
    return df

def clean_data(df):
    df = df[df["order_status"].isin(["已完成"])].copy()
    df = df.dropna(subset=["order_id", "user_id", "total_amount"])
    df["city"] = df["city"].fillna("未知城市")
    df["channel"] = df["channel"].fillna("未知渠道")
    # 其他清洗逻辑
    return df

def calc_monthly_metrics(df):
    df["order_month"] = df["order_date"].dt.to_period("M")
    monthly = df.groupby("order_month").agg(
        销售额=("total_amount", "sum"),
        订单量=("order_id", "nunique")
    )
    monthly["客单价"] = monthly["销售额"] / monthly["订单量"]
    return monthly

然后主流程就是先 load_data、再 clean_data、再分别计算月度数据、用户数据、商品数据，最后用 pd.ExcelWriter 把多个结果写入同一个Excel的不同sheet：

python复制with pd.ExcelWriter("report.xlsx", engine="openpyxl") as writer:
    monthly.to_excel(writer, sheet_name="月度指标")
    category_stats.to_excel(writer, sheet_name="类目分析")
    user_stats.to_excel(writer, sheet_name="用户分析")

这样每周只要把最新的订单CSV丢进来跑一遍脚本，就能自动生成一份带全部指标的分析报表。如果能配合计划任务，比如Windows下的任务计划程序或macOS下的cron，还能做到定时自动运行。不过刚开始不建议一步到位，先把脚本跑稳，再考虑自动化调度。

6.2 我在处理这批数据时踩过的四个坑

第一个坑是编码问题。Excel导出的CSV在Windows下经常是GBK编码，pandas默认用UTF-8读，直接中文乱码。后来我统一要求导出时选“CSV UTF-8”格式，代码里也固定用 utf-8-sig，才算彻底解决。

第二个坑是订单量与商品行数混淆。刚开始我用 df.shape[0] 当订单量，结果把同一个订单拆出的多个商品行都算成了独立订单，订单量虚高几千单，客单价也跟着算错。后来一切涉及订单量的计算全改成 order_id.nunique()，再也没出过错。

第三个坑是没剔除退款订单。第一版分析报告里GMV包含了已退款订单，数值比实际高了将近8%。业务方一眼就看出不对，因为对不上财务口径。这个教训很深刻：不要急着算数，先把“什么订单算数”问清楚。

第四个坑是日期字段类型混乱。有些月份是从Excel复制出来的，order_date 被读成了字符串，排序时“2023-09”排到了“2023-10”前面。解决方法是读取时用 parse_dates 明确指定时间列，如果再有问题就用 pd.to_datetime() 强制转换。

6.3 后续扩展方向与个人体会

这次分析的结论最终落在了几件事上：服饰类目需要做秋冬新品强化、低价渠道需要搭配高价商品做连带销售、沉睡的高价值用户需要触达唤醒。这些都是能从数据里直接推导出的可执行动作。

如果继续往下做，我会往三个方向扩展：一是接入用户浏览、加购、收藏等行为数据，做转化漏斗分析，找出流失环节；二是做留存队列分析，看不同渠道进店的用户质量差异；三是在积累足够长时间周期后，尝试用机器学习模型预测未来销售额或用户流失概率。

最后说一点个人体会：分析电商销售数据，最难的往往不是代码，而是把业务问题翻译成指标口径的过程。代码只是把口径稳定地执行出来，业务理解才是决定分析是否有效的关键。如果你现在正拿着订单数据不知道从哪里入手，先别急着跑代码，拿一张纸写下“我想回答哪三个业务问题”，再围绕这三个问题去清洗、计算、画图，你会发现自己做出来的分析报告比堆砌一堆图表有效得多。