销售收入汇总实训（任务五）¶

读取开店计划表（I01）与新开店月营收模型（S01，两级列索引），匹配出每家新店的销售收入和成本预算（S02），提取数值列计算合计（S03），最后可视化特征数据与合计费用之间的关系。

1. 新开店销售收入和成本预算（读取数据）¶

In [1]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

#中文图表显示设置（避免坐标轴中文乱码）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

#设置数据源文件路径
file = 'budget_data.xlsx'
df_I01 = pd.read_excel(file,sheet_name='I01')  #开店计划表
#注意，打开营收模型表时，columns上有两级索引，用header参数设置
df_S01 = pd.read_excel(file, sheet_name='S01', header=[0,1], index_col=0) #新开店月营收模型
#将营收模型表的行列转置（使用 df.T 属性可以实现数组的转置），reset_index()对索引重置
df_S01 = df_S01.T.reset_index()
df_S01.head()
Out[1]:
店规模 选址评级 销售收入 销售成本 原材料 直接人工 租赁费 折旧费 广告促销费 制服费 维修费 水电费 其他杂费
0 大型店 高 250000 100000 30000 25000 20000 8000 3000 1000 2000 5000 6000
1 大型店 中 150000 63000 18900 15750 12600 5040 1890 630 1260 3150 3780
2 大型店 低 80000 40000 12000 10000 8000 3200 1200 400 800 2000 2400
3 中型店 高 180000 75600 22680 18900 15120 6048 2268 756 1512 3780 4536
4 中型店 中 120000 52800 15840 13200 10560 4224 1584 528 1056 2640 3168

2. 将新开店计划与新店月度营收模型进行匹配¶

In [2]:
df_S02 = pd.merge(df_I01,df_S01,on=['店规模','选址评级'], how='left')
df_S02
Out[2]:
店名 地址 开店日期 建设期 面积 店规模 选址评级 销售收入 销售成本 原材料 直接人工 租赁费 折旧费 广告促销费 制服费 维修费 水电费 其他杂费
0 11号店 江苏省南京市 2019年3月 2019年2月 1000 大型店 中 150000 63000 18900 15750 12600 5040 1890 630 1260 3150 3780
1 12号店 安徽省合肥市 2019年5月 2019年3月 500 中型店 中 120000 52800 15840 13200 10560 4224 1584 528 1056 2640 3168
2 13号店 重庆市 2019年6月 2019年4月 600 中型店 高 180000 75600 22680 18900 15120 6048 2268 756 1512 3780 4536
3 14号店 山西省太原市 2019年8月 2019年7月 300 小型店 低 50000 22000 6600 5500 4400 1760 660 220 440 1100 1320
4 15号店 云南省昆明市 2019年10月 2019年9月 200 小型店 中 100000 46000 13800 11500 9200 3680 1380 460 920 2300 2760
5 16号店 山东省济南市 2019年11月 2019年9月 950 大型店 高 250000 100000 30000 25000 20000 8000 3000 1000 2000 5000 6000

3. 计算每个店的销售收入和¶

In [3]:
df_S03 =  df_S02.iloc[:,[0,7,8,9,10,11,12,13,14,15,16,17]]
df_S03
Out[3]:
店名 销售收入 销售成本 原材料 直接人工 租赁费 折旧费 广告促销费 制服费 维修费 水电费 其他杂费
0 11号店 150000 63000 18900 15750 12600 5040 1890 630 1260 3150 3780
1 12号店 120000 52800 15840 13200 10560 4224 1584 528 1056 2640 3168
2 13号店 180000 75600 22680 18900 15120 6048 2268 756 1512 3780 4536
3 14号店 50000 22000 6600 5500 4400 1760 660 220 440 1100 1320
4 15号店 100000 46000 13800 11500 9200 3680 1380 460 920 2300 2760
5 16号店 250000 100000 30000 25000 20000 8000 3000 1000 2000 5000 6000
In [4]:
df_S03['合计'] =df_S03.iloc[:,1:].sum(axis=1)
df_S03

C:\Users\10730\AppData\Local\Temp\ipykernel_56816\621790412.py:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  df_S03['合计'] =df_S03.iloc[:,1:].sum(axis=1)
Out[4]:
店名 销售收入 销售成本 原材料 直接人工 租赁费 折旧费 广告促销费 制服费 维修费 水电费 其他杂费 合计
0 11号店 150000 63000 18900 15750 12600 5040 1890 630 1260 3150 3780 276000
1 12号店 120000 52800 15840 13200 10560 4224 1584 528 1056 2640 3168 225600
2 13号店 180000 75600 22680 18900 15120 6048 2268 756 1512 3780 4536 331200
3 14号店 50000 22000 6600 5500 4400 1760 660 220 440 1100 1320 94000
4 15号店 100000 46000 13800 11500 9200 3680 1380 460 920 2300 2760 192000
5 16号店 250000 100000 30000 25000 20000 8000 3000 1000 2000 5000 6000 450000
In [5]:
df_S03 = pd.concat([df_S03,df_S03,df_S03])
df_S03
Out[5]:
店名 销售收入 销售成本 原材料 直接人工 租赁费 折旧费 广告促销费 制服费 维修费 水电费 其他杂费 合计
0 11号店 150000 63000 18900 15750 12600 5040 1890 630 1260 3150 3780 276000
1 12号店 120000 52800 15840 13200 10560 4224 1584 528 1056 2640 3168 225600
2 13号店 180000 75600 22680 18900 15120 6048 2268 756 1512 3780 4536 331200
3 14号店 50000 22000 6600 5500 4400 1760 660 220 440 1100 1320 94000
4 15号店 100000 46000 13800 11500 9200 3680 1380 460 920 2300 2760 192000
5 16号店 250000 100000 30000 25000 20000 8000 3000 1000 2000 5000 6000 450000
0 11号店 150000 63000 18900 15750 12600 5040 1890 630 1260 3150 3780 276000
1 12号店 120000 52800 15840 13200 10560 4224 1584 528 1056 2640 3168 225600
2 13号店 180000 75600 22680 18900 15120 6048 2268 756 1512 3780 4536 331200
3 14号店 50000 22000 6600 5500 4400 1760 660 220 440 1100 1320 94000
4 15号店 100000 46000 13800 11500 9200 3680 1380 460 920 2300 2760 192000
5 16号店 250000 100000 30000 25000 20000 8000 3000 1000 2000 5000 6000 450000
0 11号店 150000 63000 18900 15750 12600 5040 1890 630 1260 3150 3780 276000
1 12号店 120000 52800 15840 13200 10560 4224 1584 528 1056 2640 3168 225600
2 13号店 180000 75600 22680 18900 15120 6048 2268 756 1512 3780 4536 331200
3 14号店 50000 22000 6600 5500 4400 1760 660 220 440 1100 1320 94000
4 15号店 100000 46000 13800 11500 9200 3680 1380 460 920 2300 2760 192000
5 16号店 250000 100000 30000 25000 20000 8000 3000 1000 2000 5000 6000 450000

4. 可视化特征数据与合计费用之间的关系¶

In [6]:
#获取标签数据
labeldata = list(df_S03['合计'])
#获取特征数据
traindata = []
for i in range(18):
    value = df_S03.iloc[i,1:12]
    traindata.append(list(value))
#转换list类型为narray类型
print(traindata)
traindata = np.array(traindata)
labeldata = np.array(labeldata)
print(traindata)
print(labeldata)

[[np.int64(150000), np.int64(63000), np.int64(18900), np.int64(15750), np.int64(12600), np.int64(5040), np.int64(1890), np.int64(630), np.int64(1260), np.int64(3150), np.int64(3780)], [np.int64(120000), np.int64(52800), np.int64(15840), np.int64(13200), np.int64(10560), np.int64(4224), np.int64(1584), np.int64(528), np.int64(1056), np.int64(2640), np.int64(3168)], [np.int64(180000), np.int64(75600), np.int64(22680), np.int64(18900), np.int64(15120), np.int64(6048), np.int64(2268), np.int64(756), np.int64(1512), np.int64(3780), np.int64(4536)], [np.int64(50000), np.int64(22000), np.int64(6600), np.int64(5500), np.int64(4400), np.int64(1760), np.int64(660), np.int64(220), np.int64(440), np.int64(1100), np.int64(1320)], [np.int64(100000), np.int64(46000), np.int64(13800), np.int64(11500), np.int64(9200), np.int64(3680), np.int64(1380), np.int64(460), np.int64(920), np.int64(2300), np.int64(2760)], [np.int64(250000), np.int64(100000), np.int64(30000), np.int64(25000), np.int64(20000), np.int64(8000), np.int64(3000), np.int64(1000), np.int64(2000), np.int64(5000), np.int64(6000)], [np.int64(150000), np.int64(63000), np.int64(18900), np.int64(15750), np.int64(12600), np.int64(5040), np.int64(1890), np.int64(630), np.int64(1260), np.int64(3150), np.int64(3780)], [np.int64(120000), np.int64(52800), np.int64(15840), np.int64(13200), np.int64(10560), np.int64(4224), np.int64(1584), np.int64(528), np.int64(1056), np.int64(2640), np.int64(3168)], [np.int64(180000), np.int64(75600), np.int64(22680), np.int64(18900), np.int64(15120), np.int64(6048), np.int64(2268), np.int64(756), np.int64(1512), np.int64(3780), np.int64(4536)], [np.int64(50000), np.int64(22000), np.int64(6600), np.int64(5500), np.int64(4400), np.int64(1760), np.int64(660), np.int64(220), np.int64(440), np.int64(1100), np.int64(1320)], [np.int64(100000), np.int64(46000), np.int64(13800), np.int64(11500), np.int64(9200), np.int64(3680), np.int64(1380), np.int64(460), np.int64(920), np.int64(2300), np.int64(2760)], [np.int64(250000), np.int64(100000), np.int64(30000), np.int64(25000), np.int64(20000), np.int64(8000), np.int64(3000), np.int64(1000), np.int64(2000), np.int64(5000), np.int64(6000)], [np.int64(150000), np.int64(63000), np.int64(18900), np.int64(15750), np.int64(12600), np.int64(5040), np.int64(1890), np.int64(630), np.int64(1260), np.int64(3150), np.int64(3780)], [np.int64(120000), np.int64(52800), np.int64(15840), np.int64(13200), np.int64(10560), np.int64(4224), np.int64(1584), np.int64(528), np.int64(1056), np.int64(2640), np.int64(3168)], [np.int64(180000), np.int64(75600), np.int64(22680), np.int64(18900), np.int64(15120), np.int64(6048), np.int64(2268), np.int64(756), np.int64(1512), np.int64(3780), np.int64(4536)], [np.int64(50000), np.int64(22000), np.int64(6600), np.int64(5500), np.int64(4400), np.int64(1760), np.int64(660), np.int64(220), np.int64(440), np.int64(1100), np.int64(1320)], [np.int64(100000), np.int64(46000), np.int64(13800), np.int64(11500), np.int64(9200), np.int64(3680), np.int64(1380), np.int64(460), np.int64(920), np.int64(2300), np.int64(2760)], [np.int64(250000), np.int64(100000), np.int64(30000), np.int64(25000), np.int64(20000), np.int64(8000), np.int64(3000), np.int64(1000), np.int64(2000), np.int64(5000), np.int64(6000)]]
[[150000  63000  18900  15750  12600   5040   1890    630   1260   3150
    3780]
 [120000  52800  15840  13200  10560   4224   1584    528   1056   2640
    3168]
 [180000  75600  22680  18900  15120   6048   2268    756   1512   3780
    4536]
 [ 50000  22000   6600   5500   4400   1760    660    220    440   1100
    1320]
 [100000  46000  13800  11500   9200   3680   1380    460    920   2300
    2760]
 [250000 100000  30000  25000  20000   8000   3000   1000   2000   5000
    6000]
 [150000  63000  18900  15750  12600   5040   1890    630   1260   3150
    3780]
 [120000  52800  15840  13200  10560   4224   1584    528   1056   2640
    3168]
 [180000  75600  22680  18900  15120   6048   2268    756   1512   3780
    4536]
 [ 50000  22000   6600   5500   4400   1760    660    220    440   1100
    1320]
 [100000  46000  13800  11500   9200   3680   1380    460    920   2300
    2760]
 [250000 100000  30000  25000  20000   8000   3000   1000   2000   5000
    6000]
 [150000  63000  18900  15750  12600   5040   1890    630   1260   3150
    3780]
 [120000  52800  15840  13200  10560   4224   1584    528   1056   2640
    3168]
 [180000  75600  22680  18900  15120   6048   2268    756   1512   3780
    4536]
 [ 50000  22000   6600   5500   4400   1760    660    220    440   1100
    1320]
 [100000  46000  13800  11500   9200   3680   1380    460    920   2300
    2760]
 [250000 100000  30000  25000  20000   8000   3000   1000   2000   5000
    6000]]
[276000 225600 331200  94000 192000 450000 276000 225600 331200  94000
 192000 450000 276000 225600 331200  94000 192000 450000]
In [7]:
def dataShow(traindata, labeldata):
    fig = plt.figure(figsize=(20, 5))
    colors = ['red','green','blue']
    titles = ['销售收入','销售成本','原材料']
    count = 1
    for i in range(3):
        ax1 = fig.add_subplot(1, 3, count)
        ax1.scatter(traindata[0:15,i], labeldata[:15], color=colors[i], marker='o')
        ax1.set_xlabel(titles[i])
        count = count+1
    plt.show()

dataShow(traindata, labeldata)
No description has been provided for this image