用Python做电商销售数据分析：从Excel清洗到可视化报表

三周前我接了一个典型的“一句话需求”：某日用百货店的负责人丢给我一份 Excel 订单明细，说“你帮我看看这个季度到底卖得怎么样”。那个 Excel 有 12 万行，字段还乱得很。我把整个分析过程用 Python 走了一遍，从数据导入、清洗、指标计算到可视化输出，最后交付了一份业务方能直接拿去开会的报表。这篇文章就是我这次用 Python 分析电商销售数据的完整记录。

如果你正准备做类似的电商销售复盘，不管是店铺运营、商品企划还是刚入门的数据分析，都可以按这套思路跑通一遍。项目本身不复杂，但里面藏了不少只有实际跑过数据才会遇到的坑，比如时间字段读进来变字符串、退款订单没剔除导致金额虚高、重复订单误删等等。我会把每个环节的判断逻辑和实操代码都写出来，尽量避免让你复制完代码之后还得对着报错发呆。

先说个我自己反复踩过的教训：拿到数据第一件事不是写代码，而是先想清楚要回答什么问题。这一步没想明白，后面再炫酷的分析都是自嗨。

1. 先别急着写代码：把业务问题拆成分析任务

1.1 老板一句话，背后是三类问题

“看看卖得怎么样”这句话听起来很空，实际上拆开之后通常对应三类问题：第一，整体盘子涨还是跌，哪个时间段表现异常；第二，到底哪些商品在扛销售，哪些商品看着卖得多但其实不赚钱；第三，顾客是一次性买卖还是反复购买，值钱的用户长什么样。

我的做法是开工前先把问题清单列出来，然后给每条配上对应的输出物，比如“月度销售趋势图”“类目销售额排名表”“用户分层名单”。这样无论是给老板汇报，还是自己写代码，都有个明确的交付标尺。你可以在自己的项目里直接套这个清单：

• 整体销售走势：按周、按月看销售额、订单量、退款率的变动；
• 商品结构：类目贡献、价格带分布、爆款集中度；
• 用户价值：新客/老客占比、复购率、RFM分层；
• 区域与渠道：哪个地区贡献最大，哪个流量渠道更值得投。

这个阶段最忌讳的就是把指标铺得太大，恨不得把几十个维度全算一遍。分析资源有限，业务方的注意力也有限，一次分析能扎实回答三四个关键问题，就已经很成功了。

1.2 指标口径不统一，后面全是无用功

业务方口中的“销售额”和你代码里算出来的“销售额”，很可能不是一个东西。最常见的情况是：有人统计的是所有下单金额，不管用户付没付款；有人统计的是支付金额；还有人扣掉了退款。如果不先约定口径，等报告发出去才发现两边数字对不上，那才叫灾难。

我当时和业务方确认的销售口径是这样的，你可以直接参考：

我通常默认用“支付金额”作为主分析口径，只有讨论财务时才会切到实收。因为退款率在不同类目差别很大，如果直接拿支付金额和退款混在一起算增长率，很容易得出和实际完全相反的结论。简单说：拍下不等于付款，付款不等于不退款，就像相亲加了微信不代表恋爱成功了，每一步都有损耗，分析时要分清楚。

2. 环境准备与数据导入：先跑通，再跑快

2.1 本地环境建议用一套“开箱即用”组合

这次分析我用的是 Windows 环境下的 Python 3.10，搭配 Jupyter Notebook。实际上做这种量级（几十万行以内）的数据分析，普通笔记本电脑跑 pandas 已经绰绰有余了，不需要一上来就搞大数据集群。如果你还没安装 Python，去官网下载 3.10 以上版本，安装时记得勾选 Add Python to PATH，不然命令行会找不到 python 命令。

项目里我建议先创建一个独立目录，比如 ecommerce_analysis，里面放 data、notebook、output 三个子文件夹，分别存原始数据、分析脚本和结果文件。数据分析和软件开发一样，目录整洁一点，后面返工找东西会省很多时间。然后执行：

bash复制pip install pandas openpyxl matplotlib seaborn jupyter

这里 openpyxl 特别容易被忽略，很多人在 read_excel 时报错“Missing optional dependency 'openpyxl'”，就是因为只装了 pandas 没装它。装完之后运行 jupyter notebook，在浏览器里新建一个 .ipynb 文件就可以开工了。用 VSCode 或者 PyCharm 也可以，本质都是一样的，核心是 pandas 那几个库能正常导入。

2.2 把 Excel 读进来，先干三件事

导入数据后我一般不会直接去看几百行数据，而是在代码里先做三件小事：确认数据规模、查看全部字段名、把前几行转置后仔细看。代码长这样：

python复制import pandas as pd

df = pd.read_excel('data/order_2024Q1.xlsx', sheet_name='订单明细')
print(df.shape)          # 查看行数和列数
print(df.columns.tolist())  # 查看所有字段名
print(df.head(3).T)      # 转置前3行数据，方便竖向浏览

df.shape 输出 (127503, 12) 这种结果，让你心里有数：等下所有操作都跑在这 12 万行上。columns.tolist() 是把字段名挨个打印出来，看看有没有重名或者空格。head(3).T 是我个人很喜欢的一个技巧，因为字段多的时候横向打印会折行，转置成竖向一眼能看清每一列的代表值。

这次拿到的订单明细大致包含这些字段：订单号、用户ID、商品ID、商品名称、类目、单价、数量、支付金额、支付时间、订单状态、收货省份、订单渠道。实际业务里字段叫法可能五花八门，比如“实付金额”其实是支付金额，“下单时间”可能指创建时间而不是付款时间，所以读取后一定要先看示例值，不要凭字段名猜含义。

2.3 时间字段和状态字段必须先做“体检”

Excel 读进来的时间经常不是时间类型，而是字符串。还有更坑的：一部分订单支付时间是空值，用 pd.to_datetime 转换时会报错或者变成 NaT。所以在做任何时间聚合之前，先执行这几行：

python复制df.info()
print(df.isna().sum())
print(df['order_status'].value_counts(dropna=False))

info() 会直接告诉你 pay_time 到底是什么数据类型，有没有空值；isna().sum() 帮你在每一列上标出缺失数量；order_status 的频次统计能够让你看清状态字段里到底有几种值。我这次的数据里订单状态就有“待支付”“已取消”“已支付”“已发货”“已完成”“退款成功”六种，如果不筛选，直接把所有订单拿去算销售额，结果会虚高得离谱。

这一步在我的经验里无论如何不能省。很多初学者一拿到数据就急着 groupby 画图，画出来的图当时看着没问题，等业务方追问“为什么销售额和后台对不上”，才回头发现是数据没洗干净，结果整份报告推翻重来。

3. 数据清洗与预处理：后面所有图表之前的“地基”

3.1 缺失值要分“缺得合理”和“缺得不合理”

拿到这份数据后，第一件事是处理缺失值。但我不建议无脑 dropna()，因为电商数据里的缺失往往分两种情况：一种是关键信息缺失，比如支付时间、用户ID、订单号是空的，这种订单无法参与后续分析，直接删除；另一种是辅助信息缺失，比如渠道、省份、备注字段为空，这类字段的缺失不应该影响订单本身的统计，通常填充为“未知”或者暂时置空就行。

我当时执行的逻辑是：

python复制# 删除关键字段为空的行
df = df.dropna(subset=['order_id', 'user_id', 'pay_time'])

# 非关键字段缺失，先填成“未知”，后面分析时好分组
df['province'] = df['province'].fillna('未知')
df['channel'] = df['channel'].fillna('未知渠道')

然后处理重复值。要特别注意的是，电商订单表存在“一单多商品”的天然结构，同一个订单号会对应若干行不同商品。所以绝不能直接对整个表执行 drop_duplicates()，否则会把多商品订单误删成只保留一个商品，后续算销售额直接少掉一大截。正确的做法是只在完全重复的行上去重：

python复制df = df.drop_duplicates(subset=['order_id', 'item_id', 'pay_time'])

这个去重逻辑背后的意思是：同一个订单、同一个商品、同一支付时间，才算一笔重复记录。只凭订单号不能判断重复，这算是我踩过的最有代表性的一次“数据清洗翻车现场”。

3.2 异常值过滤：先把“无效订单”和“异常单”记清楚

数据里常见异常有两类，一类是状态异常，另一类是数值异常。状态异常我刚才已经提过，需要把“已支付”“已发货”“已完成”视为有效订单，把“待支付”“已取消”排除，“退款成功”的订单单独拉出来分析退款，不能直接混进销售额里。

我的建议是不要在原始 DataFrame 上直接删行，而是增加一个 valid_flag 字段做标记：

python复制valid_status = ['已支付', '已发货', '已完成']
df['valid_flag'] = df['order_status'].isin(valid_status)

这样之后分析销售额时用 df[df['valid_flag']]，分析全流程转化时还能回来用未支付订单，灵活性高很多。数值异常方面，单价为负数、数量为 0、折扣后金额大于原价，这些一眼就能看出问题的记录必须查。我实际发现过一批数量为 0 的赠品行，金额算 0 还能理解，但数量参与件均计算时会把客单件数拉得很低。

具体清洗规则我整理成了这样一张表：

负金额和极端价格我特别想提醒一句：不要手一滑全删了。负金额可能是系统里的“退款单”被错误导成了负价款，也可能是优惠分摊逻辑导致的虚拟订单。先拿出来人工核对一下，比直接删掉安全得多。

3.3 造几个关键字段，后面每个分析都能用上

数据清洗到这一步基本干净了，还不够。原始表虽然字段挺全，但缺少很多分析需要的维度，比如月份、星期、时段、订单级别汇总。我习惯一次性把这些字段补好，后面不再重复处理：

python复制# 时间已经是datetime类型后，构造维度列
df['pay_date'] = df['pay_time'].dt.date
df['month'] = df['pay_time'].dt.to_period('M')
df['weekday'] = df['pay_time'].dt.dayofweek  # 0是周一
df['hour'] = df['pay_time'].dt.hour

# 复购和RFM分析需要“订单级”数据
order_df = df.groupby('order_id', as_index=False).agg(
    user_id=('user_id', 'first'),
    pay_date=('pay_date', 'first'),
    month=('month', 'first'),
    payment_amount=('payment_amount', 'sum'),
    item_cnt=('quantity', 'sum')
)

这里最关键的思维转变是区分“明细数据”和“订单数据”。算商品销售额用明细表没问题，但算客单价、复购率、用户购买频次时，必须先把同一个订单的多行商品汇总成一个订单行，否则一个用户买 3 件商品会被当成买了 3 单，客单价翻 3 倍。

4. 核心销售分析：月度趋势、类目结构、价格带与区域

4.1 月度趋势和环比：增长是真增长还是退款把数字拖累了

数据干净之后，先从最粗的粒度看整体盘子。我按月份聚合了支付金额、支付订单数、支付件数、购买人数：

python复制monthly = df[df['valid_flag']].groupby('month').agg(
    payment_amount=('payment_amount', 'sum'),
    order_cnt=('order_id', 'nunique'),
    item_cnt=('quantity', 'sum'),
    user_cnt=('user_id', 'nunique')
)
monthly['人均订单数'] = monthly['order_cnt'] / monthly['user_cnt']
monthly['客单价'] = monthly['payment_amount'] / monthly['order_cnt']
monthly['支付金额环比'] = monthly['payment_amount'].pct_change() * 100

聚合结果大概长这样：

看到这个表先别急着下结论。2 月金额环比大跌 22%，表面上是经营出问题，但深入一看客单价反而涨了，说明这个月可能是春节提前放假，店铺流量减少，但下单的人买的更多。如果月度销售趋势不能结合业务节点解释，那这个分析只是数字的搬运工，没有完成“帮业务理解发生了什么”的任务。

我还习惯把退款情况放在趋势旁边一起看，因为退款率上升往往能解释“销售额没变但收入减少”的原因。退款率的计算也很简单：

python复制refund_amount = df[df['order_status'] == '退款成功']['payment_amount'].sum()
pay_amount = df[df['valid_flag']]['payment_amount'].sum()
print('退款率 =', refund_amount / (refund_amount + pay_amount))

4.2 类目和价格带：卖货主力到底是谁

月度趋势看的是“面”，商品分析看的是“点”。我按类目聚合支付金额、支付订单量和退款率：

python复制cate = df[df['valid_flag']].groupby('category').agg(
    payment_amount=('payment_amount', 'sum'),
    order_cnt=('order_id', 'nunique')
)
cate['金额占比'] = cate['payment_amount'] / cate['payment_amount'].sum() * 100
cate['累计占比'] = cate['金额占比'].cumsum()
cate = cate.sort_values('payment_amount', ascending=False)

做出来之后，我还会算一个“Top10 单品销售占比”，因为很多店铺表面上是几十个类目都在卖，实际上都靠少数爆款撑场面。如果 Top10 单品占了总销售额的 60% 以上，那这个盘子的风险点就非常明显——任何一个爆款断货或者差评爆发，都会直接带崩整体销售。这种洞察比单纯报“厨房收纳类销售额第一”要有价值得多。

价格带分析更常用。我先按商品单价划分了几个区间，再统计每个区间的销售额贡献：

python复制bins = [0, 50, 100, 200, 500, float('inf')]
labels = ['50元以内', '50-100元', '100-200元', '200-500元', '500元以上']
df['price_range'] = pd.cut(df['price'], bins=bins, labels=labels)

price_agg = df[df['valid_flag']].groupby('price_range', observed=True).agg(
    payment_amount=('payment_amount', 'sum'),
    order_cnt=('order_id', 'nunique')
)

用 pd.cut 切分区间时要特别注意连续变量边界归属问题，pandas 默认左开右闭，0-50 和 50-100 两个区间对“正好等于50元”的商品会有不同的归类。如果自己不确认这个边界，后面和商品团队核对时很容易产生争论。

这个店的数据显示，50-100 元的价格带贡献了约四成销售额，但 100-200 元区间的退款率明显更低，说明用户在这个价位段的决策更谨慎、买到手后满意度也更高。于是我给商品团队的建议是：在主推 50-100 元爆款的同时，尝试把两三个口碑好的单品组合成 100 元左右的套装，去承接已经建立信任的回头客。

4.3 区域与退款：两个容易被忽略但很出彩的补充视角

区域分析在国内电商里几乎必做，但也是我最谨慎的一步。我这次用省份字段做了支付金额排名，发现前五名就贡献了七成销售额，其中最大的两个省占了三分之一以上。这里我不贴真实省名，把省份做了脱敏处理，只保留排名，避免在对外分享时牵扯到具体经营地域。但分析逻辑本身是通用的：

python复制region = df[df['valid_flag']].groupby('province').agg(
    payment_amount=('payment_amount', 'sum'),
    order_cnt=('order_id', 'nunique')
).sort_values('payment_amount', ascending=False)
region['金额占比'] = region['payment_amount'] / region['payment_amount'].sum()

区域结论对团队的实用价值有两个：一是广告投放可以聚焦高转化地区，把预算从“全国撒网”改成“重点地区加码”；二是物流备货可以提前把热销品铺到大仓，缩短用户收货时间。即使你拿到的表里没有省份字段，也完全可以换成“城市”或“渠道来源”做同类分析。

退款分析放到这里一起看，是因为退款率天然和类目相关。高客单价的电子产品、服装往往比低价日用品的退款率高，这不是质量问题，而是用户决策周期更长。我们这次按类目统计了退款金额占比，锁定了一个退款率偏高、但销售额占比也不小的类目，具体做法是拉出该品类全部退款订单，逐条看买家留言和退款原因，最后得出的结论是详情页没有写清尺寸，导致大量“买错了”型退款。这个发现后来被产品团队拿去改了页面文案，第二个月该品类退款率明显降了下来。

5. 用户分层与复购分析：从订单数据里找增长空间

5.1 新客还是老客，判断的关键是“首次购买时间”

销售金额能看出企业活得好不好，复购率才能看出未来还能不能活得更好。电商行业有句话叫“拉新成本越来越高，老客才是利润池”，所以每份销售分析报告里我都会加一块用户维度。

复购率的口径一定要提前想清楚。最常见的定义是：在某个月内首次下单的用户中，有多少人在接下来 30 天或 90 天内又一次下单。这里的分子分母都要用“用户数”而不是“订单数”。我当时的简化版代码如下：

python复制# 找每个用户的首次购买日期
user_first = order_df.groupby('user_id')['pay_date'].min().reset_index()
user_first.columns = ['user_id', 'first_pay_date']

# 和所有订单合并，判断每笔订单距首购的天数
order_user = order_df.merge(user_first, on='user_id', how='left')
order_user['rebuy_days'] = (order_user['pay_date'] - order_user['first_pay_date']).dt.days

# 1月首次购买用户，在2月又下单的比例
jan_users = user_first[user_first['first_pay_date'].dt.month == 1]
jan_user_set = set(jan_users['user_id'])
rebuy_in_feb = order_user[
    (order_user['user_id'].isin(jan_user_set)) &
    (order_user['pay_date'].dt.month == 2)
]['user_id'].nunique()
repurchase_rate = rebuy_in_feb / len(jan_users)

当时算出来的次月复购率大概在 18% 左右。单看这个数很难说高还是低，因为不同类目差异巨大。日用百货消费频次高，复购率能做到 20% 以上才说明用户留存健康；而家用电器的复购天然就低，因为一台冰箱能用好多年。所以做复购分析一定要找到可对比的基准，最好的办法是拉过去半年到一年的历史数据，看自己店铺的复购率趋势是向上还是向下。

5.2 RFM 模型的简化落地：不要被高大上的概念吓住

RFM 三个字母分别代表最近一次消费时间间隔（Recency）、消费频率（Frequency）和消费金额（Monetary）。它是一个非常经典的用户分层方法，核心思想是：最近买过、经常买、花得多的用户，价值最高。

我在订单级数据 order_df 上直接聚合：

python复制rfm = order_df.groupby('user_id').agg(
    last_buy_date=('pay_date', 'max'),
    order_count=('order_id', 'nunique'),
    total_amount=('payment_amount', 'sum')
)

# 计算R：距离数据截止日期多少天
latest_date = order_df['pay_date'].max()
rfm['recency_days'] = (latest_date - rfm['last_buy_date']).dt.days

然后用分位数给每个用户打分。R 值越小说明最近刚买过，反而该给高分；F 和 M 都是越大越好，分数和数值同向：

python复制rfm['R_score'] = pd.qcut(rfm['recency_days'], 4, labels=[4, 3, 2, 1])
rfm['F_score'] = pd.qcut(rfm['order_count'].rank(method='first'), 4, labels=[1, 2, 3, 4])
rfm['M_score'] = pd.qcut(rfm['total_amount'].rank(method='first'), 4, labels=[1, 2, 3, 4])

这里有个很现实的坑需要注意：用户购买频次和金额通常高度偏斜，大量用户只买过一次，直接用 pd.qcut 对原始值切分会报“Bin edges must be unique”错误。解决办法是对列先做 rank(method='first')，相当于先给每个用户排个序，再按序号分箱。这个细节可能让你少走半小时弯路。

打分之后，我把用户粗分成八个群体，但实际业务中更常用的是浓缩到四到五类：

不要执着于把所有用户精确分到 8 类，然后给每类都写一段运营文案。先抓住头部 20% 的重要价值客户和尾部可能流失的客户就已经能覆盖大部分业务价值了。

5.3 老客的钱袋子：单客贡献远高于新客

用户分层之后再算一个简单指标，会让你对老客的价值有直观感知：把每个用户的累计消费金额做降序排列，看前 10% 的用户贡献了多大的销售额。我当时算出来前 10% 用户贡献了接近四成销售。这个结论拿到业务会上非常有冲击力：与其花大价钱在各个渠道去拉新，不如先想想怎么服务好已经下过单的这批人。

当然，老客占比太高也有风险，说明新客获取乏力。我建议把“新客数量”和“老客购买金额”两个指标放在一起做趋势观察：老客贡献占比从 30% 涨到 45%，不代表经营变健康，也可能意味着新流量枯竭，整个盘子正在“坐吃山空”。分析用户结构时，不能只看内部占比，还要配合绝对量来理解。

6. 可视化和结果输出：把分析结论画成别人看得懂的图

6.1 中文字体和图表丑，是 Python 可视化的两个拦路虎

用 matplotlib 画中文图第一眼看到的就是乱码。解决这个问题只需要在画图前加上两行配置：

python复制import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei']
plt.rcParams['axes.unicode_minus'] = False

第二行 unicode_minus 很多人会忽略，如果不加，坐标轴上的负号会显示成一个方框。字体选什么取决于操作系统，Windows 上用 Microsoft YaHei 或 SimHei，macOS 可以换 PingFang SC。保险起见，可以在代码里先设定一个字体候选列表，系统会自动挑选可用的。

图表丑的问题其实比乱码更普遍。我见过不少人一张图堆了七八种颜色、四个子图、无数网格线，结果什么都看不清。我的经验是：配色克制一点（同一张图不超过两种主色）、坐标轴标签写清楚、加一句适合放 PPT 的标题。如果你不擅长配色，直接套 seaborn 默认主题也能达到及格线以上。

6.2 这次我实际交付的三类图

一个是趋势折线图，用来表达月度支付金额的变化，销售额和退款率可以做成双轴图放在同一个画布上，直观展示“卖的越多退的也越多”这类现象。二是类目和价格带的柱状图，柱状图横轴按贡献从高到低排，能一眼扫出主力结构。三是用户分层的散点图或者热力图，比如用 R 和 F 做二维分布，颜色深浅代表金额，能看到人群集中区域。

代码示例也不复杂：

python复制import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 5))
ax.plot(monthly.index.astype(str), monthly['payment_amount'], marker='o', linewidth=2)
ax.set_title('月度支付金额走势')
ax.set_xlabel('月份')
ax.set_ylabel('支付金额（元）')
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

折线图的 marker 参数建议加上，不然纯线条在打印出来之后很难定位具体数据点。坐标轴月份标签如果太多，一定要旋转 45 度，不然字叠在一起就像一团乱麻。这些是细节，但直接影响报告的专业感。

6.3 结果汇总到 Excel：把“计算过程”变成“可以复核的交付物”

分析做完后，我习惯把所有关键结果用 ExcelWriter 写进一个多 sheet 的 Excel 文件，而不是只丢几张图片：

python复制with pd.ExcelWriter('output/电商销售分析报表