我从一个很具体的场景说起:做数据分析项目,最难的不是算法,也不是建模,而是你做完一堆统计之后,别人问了一句"所以呢?"。我接过不少类似的需求,最后发现,凡是能让对方在三秒内看懂结论的,几乎都靠可视化。标题里这套淘宝母婴购物数据的分析,正好属于"数据量不大不小、维度丰富、业务含义清晰"的典型样本——非常适合用来把一套完整的"清洗-分析-可视化"流程跑通。而且母婴类目特别有意思,它的消费决策链路很长,复购逻辑鲜明,价格敏感度也跟其他类目不太一样,分析出来的图表天然有故事可讲。
这篇文章我会把整个项目的思路、代码和排坑过程都摊开来讲。数据源用的是淘宝母婴类目的交易记录,包含商品、价格、销量、用户行为等字段。整个项目基于Python的Pandas做数据处理,Matplotlib加Pyecharts做图表,最后拼出一个可视化看板级别的效果。适合正在做数据分析入门、准备毕业设计,或者想在自己的作品集里加一个完整案例的朋友参考。
1. 为什么是母婴数据:一个很适合做可视化的分析题材
1.1 数据本身的商业价值
先说说我为什么挑淘宝母婴这个数据集,而不是随便拿个鸢尾花或者房价数据。鸢尾花适合教学分类算法,但它的业务维度太薄,画出来的图撑不起一个完整故事。母婴数据不一样,它至少包含四层信息:商品维度(品类、品牌、价格)、用户维度(购买记录、复购行为)、时间维度(购买日期、季节波动)、渠道维度(页面来源、访问深度)。这几层叠在一起,你可以回答很多真实的商业问题。
比如:哪个品类贡献了最多销售额?高复购的商品都集中在什么价位?周末和平时的销量曲线差异有多大?用户是看到首页推荐直接买,还是比价好几次才下单?这些问题每一张图都对应一个可以落地的运营动作。做可视化最怕的就是"画了很多图,但每张图都答非所问",母婴数据天然规避了这个坑。
另外一个现实原因是,网上能找到的淘宝母婴数据集大多是脱敏后的CSV格式,字段命名清晰,量级在几万到几十万条之间。这个体量对Pandas来说非常舒服,跑聚合操作基本秒出结果,不会像处理上亿条日志那样需要Spark或者分布式方案——对想练手的朋友来说,这个复杂度刚刚好,既能体会真实数据清洗的麻烦,又不会被集群配置劝退。
1.2 项目定位与技术选型
技术选型这块我直接说结论:清洗和聚合用Pandas,静态图表用Matplotlib,交互式看板用Pyecharts,如果想做Web可视化大屏,再用ECharts拼一个有背景边框的HTML页面。这个组合在目前的数据分析生态里是性价比最高的方案。
为什么不上Tableau或者Power BI?不是不好,而是这类拖拽式BI工具很难让读者理解"图表背后的数据逻辑"。当你用Pandas写了groupby之后,你清楚每一个聚合值是怎么算出来的;但用Tableau拖一下字段,可能你只是得到了一个结果,却说不清中间的粒度变化。我始终认为,做数据可视化的第一步是把数据捏在自己手里,而不是让工具替你决定聚合方式。
代码层面我按下面这套结构组织,先有个整体印象:
text复制taobao_mom_baby/
├── data/
│ └── tb_mom_baby.csv # 原始数据
├── analysis/
│ ├── data_clean.py # 数据清洗模块
│ ├── eda_charts.py # 探索性图表
│ └── dashboard.py # 大屏整合
└── output/
├── category_sales.png # 图表输出
└── dashboard.html # 可视化大屏
后面几节我会按这个结构逐层拆开讲。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据准备与字段梳理:拿到手先别急着画图
2.1 字段结构说明
这个数据集不同渠道拿到的版本字段会有细微差异,但核心字段基本一致。我这边用的版本包含下面这些关键列,每个字段的含义和处理方式我都标注一下:
| 字段名 | 含义 | 处理要点 |
|---|---|---|
user_id |
用户ID | 脱敏后为数字编号,可能存在重复购买记录 |
item_id |
商品ID | 一个商品对应多行订单记录 |
category_id |
类目ID | 需要用映射关系转换为中文品类名 |
brand_id |
品牌ID | 部分为空,需要填充或单独归为"未知" |
price |
成交单价 | 需要注意是否有折扣前后价格差异 |
buy_count |
购买数量 | 不是每个文件都有,需要确认 |
buy_date |
购买日期 | 注意字符串格式解析 |
visit_date |
访问日期 | 部分数据集中是页面被浏览的日期 |
source |
页面来源 | 常见取值:点击、收藏、购物车、直接购买等 |
这里最容易踩的坑有两个:第一,source字段在不同版本里取值完全不一样,有的叫"点击",有的叫"站内点击",有的是数字编码;第二,buy_count字段很多版本根本不提供,只有一行一商品记录,这时你只能用"出现次数"来近似"购买次数",逻辑上要自己心里有数。
2.2 导入与清洗代码
代码直接从读取数据开始。我习惯先用head()和info()看结构,而不是上来就dropna,因为不同字段的缺失值处理方式完全不同。
python复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import font_manager
# 中文字体设置,Windows和Mac路径不同
import matplotlib
matplotlib.rcParams['font.sans-serif'] = ['SimHei', 'PingFang SC', 'Microsoft YaHei']
matplotlib.rcParams['axes.unicode_minus'] = False
df = pd.read_csv('data/tb_mom_baby.csv', encoding='gbk')
print(df.shape)
print(df.head())
print(df.info())
读取的时候需要注意一个历史遗留问题:很多淘宝系导出数据是GBK编码而不是UTF-8。如果你直接read_csv不加参数,会看到UnicodeDecodeError。最稳妥的办法是先用open读取前几行判断编码:
python复制with open('data/tb_mom_baby.csv', 'rb') as f:
raw = f.read(2000)
# 尝试用不同编码解码
for enc in ['utf-8', 'gbk', 'gb2312
