背景介绍

在零售、电商等行业，销售数据的可视化分析是洞察业务趋势、优化决策的关键。通过直观的图表，我们能快速识别产品的日销售额波动、市场占比等核心指标。本文将开发一个轻量化工具，用Python的pandas处理CSV格式的销售数据，结合matplotlib绘制日销售额趋势折线图和总销售额占比饼图，帮助业务人员高效解读数据。

实现思路分析

要完成销售数据的可视化，需分三步：数据读取→数据处理→可视化输出。

1. 数据读取：使用pandas的read_csv读取本地CSV文件，自动解析“日期”“产品”“销售额”三列。
2. 数据处理：
   • 日销售额统计：按“日期”和“产品”分组，对“销售额”求和，得到每日各产品的销售额（用于折线图）。
   • 总销售额统计：按“产品”分组，对“销售额”求和，得到各产品的总销售额（用于饼图）。
3. 可视化输出：
   • 折线图：以“日期”为横轴，“销售额”为纵轴，为每个产品绘制一条折线，展示日趋势。
   • 饼图：以各产品总销售额为数据，展示其在总销售额中的占比。

代码实现（完整可运行版）

import pandas as pd
import matplotlib.pyplot as plt

# ---------------------- 1. 读取CSV销售数据（含异常处理） ----------------------
file_path = 'sales_data.csv'  # 本地CSV文件路径（可修改）
try:
    df = pd.read_csv(file_path)
    print(f"成功读取文件：{file_path}，数据预览：")
    print(df.head())  # 打印前5行数据，验证读取结果
except FileNotFoundError:
    # 若文件不存在，生成示例数据用于测试
    test_data = {
        '日期': ['2023-09-01', '2023-09-01', '2023-09-02', '2023-09-02', '2023-09-03', '2023-09-03'],
        '产品': ['手机', '电脑', '手机', '电脑', '手机', '电脑'],
        '销售额': [5000, 3000, 5200, 2800, 4900, 3100]
    }
    df = pd.DataFrame(test_data)
    print("本地文件不存在，已生成示例测试数据，继续执行...")

# ---------------------- 2. 数据处理：统计日销售额和总销售额 ----------------------
# 2.1 统计每日各产品销售额（用于折线图）
# groupby后得到多级索引Series，unstack将“产品”转为列，“日期”转为行
daily_sales = df.groupby(['日期', '产品'])['销售额'].sum().unstack(fill_value=0)

# 2.2 统计各产品总销售额（用于饼图）
total_sales = df.groupby('产品')['销售额'].sum()

# ---------------------- 3. 可视化：折线图（日趋势）+ 饼图（总占比） ----------------------
# 3.1 绘制日销售额趋势折线图
plt.figure(figsize=(10, 6))  # 设置画布大小
daily_sales.plot(
    kind='line', 
    marker='o',  # 标记点（增强数据点可读性）
    title='各产品每日销售额趋势', 
    xlabel='日期', 
    ylabel='销售额', 
    legend=True, 
    grid=True,  # 显示网格线（辅助读数）
    color=['#ff6b6b', '#48dbfb']  # 自定义折线颜色
)
plt.tight_layout()  # 调整布局，避免标签重叠

# 3.2 绘制总销售额占比饼图
plt.figure(figsize=(8, 8))
total_sales.plot(
    kind='pie', 
    autopct='%1.1f%%',  # 显示百分比（保留1位小数）
    labels=total_sales.index,  # 饼图标签为产品名称
    title='各产品总销售额占比', 
    colors=['#ff9999', '#66b3ff', '#99ff99'],  # 自定义饼图颜色
    startangle=90,  # 起始角度（让饼图更美观）
    wedgeprops={'edgecolor': 'white'},  # 饼图块边缘颜色（区分区块）
    ylabel=''  # 隐藏y轴标签（饼图不需要）
)
plt.axis('equal')  # 保证饼图为正圆形
plt.tight_layout()

# 显示所有图表
plt.show()

代码解析与关键点

1. 数据读取的鲁棒性：
   代码中加入了文件不存在的异常处理，若本地无sales_data.csv，会自动生成示例数据（与问题描述中的测试数据一致），方便快速调试。

2. 数据处理的核心操作：

   • groupby(['日期', '产品'])：按“日期+产品”双重分组，确保统计每日每个产品的销售额。
   • unstack()：将“产品”从索引转为列，使daily_sales成为以“日期”为行、“产品”为列的DataFrame，便于matplotlib自动绘制多系列折线。
   • groupby('产品')：仅按“产品”分组，求和得到总销售额，为饼图提供数据。
3. 可视化的细节优化：
   • 折线图：通过marker='o'添加数据点标记，grid=True显示网格，color自定义颜色，提升可读性。
   • 饼图：autopct='%1.1f%%'自动计算并显示百分比；startangle=90和wedgeprops让饼图更美观；plt.axis('equal')保证饼图为正圆形。

测试与验证（示例数据）

以问题描述中的示例CSV为例：

日期,产品,销售额
2023-09-01,手机,5000
2023-09-01,电脑,3000
2023-09-02,手机,5200
2023-09-02,电脑,2800
2023-09-03,手机,4900
2023-09-03,电脑,3100

• 日销售额统计：daily_sales的结构为（日期为行，产品为列）：
  

  日期	手机	电脑
  2023-09-01	5000	3000
  2023-09-02	5200	2800
  2023-09-03	4900	3100

• 总销售额统计：total_sales为（产品为索引，销售额为值）：
  手机 → 5000+5200+4900=15100；电脑 → 3000+2800+3100=8900。

运行代码后，折线图会清晰展示“手机”“电脑”的日销售额波动，饼图则呈现“手机（62.8%）”“电脑（37.2%）”的占比。

总结与拓展

本文开发的工具通过Python+Pandas+Matplotlib的组合，实现了销售数据的快速可视化。核心学习点包括：
– 数据处理：掌握groupby+unstack的分组聚合技巧，灵活转换数据结构。
– 可视化设计：通过颜色、标记、网格等细节优化图表可读性，满足业务汇报需求。

拓展方向：
– 支持更多图表（如柱状图对比日销售额、热力图展示时段分布）；
– 增加数据筛选功能（如按日期范围、产品类别筛选）；
– 导出图表为图片或PDF，便于分享。

通过这个项目，你不仅能巩固Python数据处理与可视化的技能，还能将其迁移到库存分析、用户行为分析等更多业务场景中！