简介：这是一份面向Python入门学习者的数据分析实战案例PDF，聚焦药店销售业务场景。文档以朝阳医院2018年销售数据为例，围绕数据分析的基本过程展开，完整覆盖获取数据、数据清洗、构建模型、数据可视化与消费趋势分析五大环节，演示了使用pandas读取Excel文件、对列名重命名、处理缺失值和异常值、完成数据类型转换与排序、分割日期时间数据、统计月均消费次数和金额、计算客单价、挖掘需求量前几位药品等操作。对应代码逐段给出并配有说明，便于读者跟随复现；通过该案例可系统掌握pandas、NumPy、datetime在真实数据处理中的典型用法，熟悉从原始数据到业务洞察的完整分析路径。文档为单个PDF文件，大小约675KB，已有1654人学习，适合数据分析初学者、Python课程实训及对医药销售场景感兴趣的读者参考。
1. 药店销售数据分析：一个案例把 Pandas 全流程走通
“药店销售数据分析”这个标题看起来普通，但真正动手做一次你就会发现，药店数据是 Pandas 练手的黄金样本：字段多、脏数据不少、业务口径复杂。把一份 Excel 或 CSV 格式的销售流水，清洗成能按时、按品类、按门店看趋势的规整表，再跑出月度销售曲线、品类占比和 TOP 单品排名——这套流程几乎是零售数据分析的固定骨架，换到便利店、母婴店、中药材门店也一样能用。这篇笔记写给刚学完 Pandas 语法但没完整跟过一个项目的人，也写给想把自己手头手工报表改造成自动化看板的人。下面按药店销售数据最常见的字段结构，把读数、清洗、聚合、可视化的每一步命令和参数讲清楚，新手能照着跑，熟手能直接在参数上做调整。
2. 先读数据再定口径：药店销售数据的字段识别与清洗
2.1 药店销售流水最常见的字段结构与三类脏数据
药店销售数据一般来自收银系统或 ERP 导出，常见的一张明细表包含这些字段：销售日期、销售时间、门店编号、收银员、会员编号、商品编码、商品名称、规格、生产厂家、品类、销售数量、单价、销售额、成本额、毛利、支付方式。字段数量在 15～30 个之间，导出格式通常是 Excel 或 CSV。做分析之前，我一般先做一件事：不急着跑代码，而是把表头和前 50 行肉眼过一遍，搞清楚每个字段是文本、数值还是日期，因为后续所有清洗逻辑都建立在对字段口径的判断上。
药店销售数据里最常见的三类脏数据，第一是日期字段被存成文本且格式不统一，比如 2024/1/5、2024-01-05、20240105 三种写法混在一列里；第二是门店编号或商品编码带隐形空格，看起来一样但 groupby 之后被拆成两个组；第三是销售额和销售数量里混入负数和零值，负数是退款单，零值是赠品或内部领用，如果不加区分直接求和，月度销售额会偏低甚至出现负增长。处理好这三类问题，后面做趋势和品类分析才有可信度。
2.2 用 Pandas 读入 Excel 并统一日期、金额字段
读取药店销售明细表，我常用read_excel，关键参数是parse_dates和dtype。parse_dates让 Pandas 在读取时直接尝试解析日期列，避免拿到手里还是字符串；dtype用来指定文本列的字段类型，防止门店编号、商品编码这类看似数值的列被读成 int 导致前导零丢失。
import pandas as pd df = pd.read_excel( "药店销售明细_2024.xlsx", parse_dates=["销售日期"], dtype={ "门店编号": "string", "商品编码": "string", "商品名称": "string", "品类": "string", }, ) print(df.shape) print(df.dtypes) print(df.head())这段代码做了三件事：读入 Excel、把销售日期解析成 datetime 类型、把文本型字段显式指定为 string。print(df.dtypes)这一步很关键，读完后先确认“销售日期”是 datetime64 类型，如果显示 object，说明日期列里混着无法解析的文本，就要回到元数据检查。门店编号和商品编码用 string 而不是默认的 int64，是因为很多药店编码是“门店01”“SP000123”这种带前缀的格式，即使纯数字也容易在 Excel 里丢前导零，指定 string 是最稳的做法。
日期统一是一个容易被忽略的步骤。即使parse_dates生效，如果原始表里混着“2024/1/5”和“2024-01-05”，Pandas 通常能自动推断，但遇到“20240105”这种纯数字格式就会解析失败。我的做法是读入后再加一步强制转换，把解析不了的行筛出来单独看。
# 强制转换日期，无法解析的置为 NaT df["销售日期"] = pd.to_datetime(df["销售日期"], errors="coerce") # 找出解析失败的记录 failed_dates = df[df["销售日期"].isna()] print(f"解析失败的日期记录数: {len(failed_dates)}") if len(failed_dates) > 0: print(failed_dates[["销售日期", "商品名称"]].head(20))这里errors="coerce"的作用是把无法解析的日期置为 NaT（缺失时间），而不是让整个程序报错退出。跑完后如果failed_dates有数据，基本就是原始表里混入了备注文字或错误的日期格式，比如“2024年1月5日”或“0000-00-00”。这类记录我一般建议单独备份后删除，因为日期都无法确定，销售额再大也不能纳入时间趋势分析，硬留下来只会污染月度聚合结果。
2.3 重复销售记录的去重判断
药店销售明细经常有重复行，原因有两个：一是收银系统掉线后补单重复上传；二是同一订单在导出的明细里被拆成多行，比如处方药和中药饮片走了不同模块导出。去重之前先要判断到底是哪种重复，判断方法很简单：看所有业务字段是否完全一致，还是只有部分字段一致。
# 检查完全重复的行 duplicate_rows = df.duplicated().sum() print(f"完全重复的行数: {duplicate_rows}") # 按单据编号判断是否重复上传 if "单据编号" in df.columns: dup_by_bill = df.groupby("单据编号").size() multi_bill = dup_by_bill[dup_by_bill > 1] print(f"多行单据数量: {len(multi_bill)}")df.duplicated()返回布尔序列，True 表示该行与前一行完全相同，.sum()直接统计重复行总数。完全重复行可以直接drop_duplicates()删除；但如果同一个单据编号出现多次且商品名称不同，说明是同一笔订单里买了多种药，这是正常数据，不能删。药店数据里还有一种是同一次退货操作在退款明细里重复记录，判断方法是把“销售额为负数 + 相同商品编码 + 相同会员编号 + 相同时间”组合起来看，这才是真正的重复退款。
清理完重复和异常后，我会把处理过的数据存一份副本，命名类似df_clean，后续分析都用这份副本，而不是反复在原数据上改。这样做的好处是当你发现某个字段处理错了，还能回到df重新清洗，不用重新读 Excel。这一步看似简单，却是避免“清洗把数据洗没了”的后悔药。
3. 做对销售特征：时间聚合、毛利计算与门店透视
3.1 按日、周、月聚合销售额的操作与参数
药店销售趋势分析最基础的单位是“日”，再根据业务需要上卷到周、月、季度。Pandas 里做这件事的主用工具是resample和to_period，前者适合时间序列重采样，后者适合把 datetime 转换成周期标签然后 groupby。我实际做项目时更常用to_period，因为它返回的 Period 对象在做图表横轴时更好控制。
# 生成日、周、月周期标签 df_clean["日期"] = df_clean["销售日期"].dt.date df_clean["周"] = df_clean["销售日期"].dt.to_period("W") df_clean["月"] = df_clean["销售日期"].dt.to_period("M") # 按日聚合销售额 daily_sales = df_clean.groupby("日期", as_index=False)["销售额"].sum() daily_sales = daily_sales.sort_values("日期") # 按月聚合销售额与订单数 monthly_sales = df_clean.groupby("月", as_index=False).agg( 销售额=("销售额", "sum"), 订单数=("单据编号", "nunique"), ) print(monthly_sales)这里的to_period("W")有一个细节：Pandas 默认每周从周一开始，“W”周期会把周一到周日归为一周，但药店销售数据里如果你按自然月做周统计，月初和月末的周会被切开，导致第一周和最后一周数据不全。所以做周报时我一般先上月度周期标签，再对月份第一周做特殊标注，而不是直接按周聚合。nunique是去重计数，用“单据编号”统计订单数比直接count()准确，因为一个订单可能包含多行药品明细。
聚合之后要检查数据完整性，方法很简单：把月度销售额汇总数和原始表的销售额总和做对比，如果金额对不上，说明清洗阶段误删了有效数据或者有负数退款未剔除干净。
3.2 毛利、毛利率与客单价的加工逻辑
药店销售数据分析里，毛利率和毛利额比单纯的销售额更值得看，因为不同品类的毛利结构差异很大。处方药销售额高但毛利率低，保健品和医疗器械销售额占比低但毛利贡献高。如果只看销售额，就会误判哪个品类是主力。
# 计算毛利额（销售额 - 成本额） df_clean["毛利额"] = df_clean["销售额"] - df_clean["成本额"] # 计算毛利率，注意处理销售额为 0 的赠品单 df_clean["毛利率"] = df_clean["毛利额"] / df_clean["销售额"].replace(0, np.nan) # 客单价：按单据编号聚合后再平均 order_stats = df_clean.groupby("单据编号").agg( 订单金额=("销售额", "sum"), 商品件数=("销售数量", "sum"), ) order_stats["客单价"] = order_stats["订单金额"] print(f"平均客单价: {order_stats['客单价'].mean():.2f} 元")计算毛利率时用replace(0, np.nan)是关键操作，因为销售额为 0 的赠品单会被除零警告，且全局污染计算结果。把 0 替换成 NaN 后算出的毛利率在汇总阶段用skipna=True自动跳过，不会出错。客单价的计算口径要明确：分子是订单金额，分母是有效订单数，统计口径是“没付款就不算”，所以清洗阶段要保留单据编号，方便做订单维度的聚合。
3.3 门店维度对比的透视表写法
连锁药店一般有多个门店，门店对比是销售数据分析里必做的一步。透视表pivot_table比两次groupby更方便，可以直接按“门店 + 月份”生成交叉表。
# 门店月度销售透视表 store_monthly = df_clean.pivot_table( index="门店编号", columns="月", values="销售额", aggfunc="sum", margins=True, margins_name="合计", ) # 计算门店销售占比 store_total = df_clean.groupby("门店编号")["销售额"].sum().sort_values(ascending=False) store_share = store_total / store_total.sum() * 100 print(store_share.round(2))margins=True会在透视表底部和右侧生成合计行列，margins_name="合计"自定义合计标签。做门店对比时我习惯把columns设成“月”，这样横轴是月份、行是门店，一眼就能看出哪家门店在哪个月份突然波动。透视表生成后一般需要fillna(0)，因为某门店某月没营业时透视表会填 NaN，不处理直接画图会导致折线断裂。门店销售占比这里用store_total / store_total.sum() * 100得到百分比，适合后面画饼图或条形图。如果发现某家门店占比超过 40%，要优先核查是不是统计口径问题——比如该门店的员工内购单也计入销售，这种情况在药店很常见。
4. 药店销售分析的四个落地维度：趋势、品类、单品与价格带
4.1 月度销售趋势与季节波动识别
药店销售有明显的时间规律，感冒药在入冬和初春冲高，藿香正气类在夏季销量翻倍，慢病用药在月初和月末出现集中购买。做趋势分析时，先看月度总销售额曲线，再拆到品类层面看结构变化。画图用 Matplotlib 或 Seaborn，中文字体需要额外配置，否则图里全是方块。
import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"] plt.rcParams["axes.unicode_minus"] = False # 将 Period 索引转为字符串，避免绘图时横轴显示异常 monthly_plot = monthly_sales.copy() monthly_plot["月份标签"] = monthly_plot["月"].astype(str) fig, ax = plt.subplots(figsize=(10, 5)) ax.plot(monthly_plot["月份标签"], monthly_plot["销售额"], marker="o", linewidth=2) ax.set_title("药店月度销售额趋势") ax.set_xlabel("月份") ax.set_ylabel("销售额（元）") plt.xticks(rotation=45) plt.tight_layout() plt.savefig("月度销售额趋势.png", dpi=150)astype(str)把 Period 对象转成字符串，是为了避免 Matplotlib 直接绘制 Period 时横坐标出现奇奇怪怪的偏移。plt.rcParams里两行配置分别解决中文字体和负号显示问题，不设置的话坐标轴上的负数会变成一个空方块。观察趋势时要结合天气和节假日因素：春节前后药店销售额通常下滑，因为返乡人口流出；流感高发期会在 1～2 周内拉动感冒药品类销售额成倍增长。如果你手头的数据恰好覆盖疫情前后，月度曲线会出现明显断崖或暴增，这些都是正常波动，不要当作数据错误去修正。
4.2 品类占比与 TOP10 单品分析
品类分析的目标是回答两个问题：哪些品类撑起了销售额，哪些品类贡献了毛利。最常见做法是按“品类”分组算销售额占比，再按“商品名称”取销售额前 10 名。这两个操作合在一起能看出药店是不是过度依赖某几个爆款品种。
# 品类销售额与毛利贡献 category_stats = df_clean.groupby("品类").agg( 销售额=("销售额", "sum"), 毛利额=("毛利额", "sum"), 销售数量=("销售数量", "sum"), ).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 category_stats["毛利额占比"] = category_stats["毛利额"] / category_stats["毛利额"].sum() * 100 # TOP10 单品 top10 = ( df_clean.groupby(["商品名称", "规格"]) .agg(销售额=("销售额", "sum"), 销售数量=("销售数量", "sum")) .sort_values("销售额", ascending=False) .head(10) ) print(top10)分组时把“商品名称”和“规格”一起 groupby，是因为同名药品在药店系统里经常拆成不同规格，比如“阿莫西林胶囊 0.25g×24粒”和“阿莫西林胶囊 0.5g×12粒”，名称相同但单价差一倍，不带上规格就会把两个不同价格的商品合并在一起。品类占比和毛利占比结合起来看，能发现一种常见陷阱：某品类销售额占比 20% 但毛利贡献只有 8%，说明该品类价格透明、竞争激烈；反过来说，如果某品类销售额占比不高但毛利占比高，它就是利润型品类，做活动时不应该轻易打折。
4.3 价格带分布与药品关联购买
价格带分析是把药品单价按区间切分，统计各区间内的销售额和订单数。这个分析对定价和促销策略很有价值：如果 60% 的销售额集中在 10～30 元价格带，说明门店客群对价格敏感，引入高客单价品种时需要做教育。
import numpy as np # 按单价划分价格带 bins = [0, 10, 20, 50, 100, 500, np.inf] labels = ["0-10", "10-20", "20-50", "50-100", "100-500", "500以上"] df_clean["价格带"] = pd.cut(df_clean["单价"], bins=bins, labels=labels, right=False) price_band = df_clean.groupby("价格带", as_index=False).agg( 销售额=("销售额", "sum"), 订单数=("单据编号", "nunique"), 销售数量=("销售数量", "sum"), ) price_band["销售额占比"] = price_band["销售额"] / price_band["销售额"].sum() * 100 print(price_band)pd.cut的right=False表示区间左闭右开，即“10-20”包含 10 但不包含 20，这样避免同一单价被重复分到两个区间。药店数据的单价分布极不平均，大量药品单价在 10～50 元之间，少数药品如中成药饮片或进口药会超过 200 元，所以bins上限我用500和inf兜底，防止 pd.cut 碰到超出边界的值报错。价格带分析通常和品类交叉看：慢病用药价格带集中在 20～50 元，医疗器械集中在 50～200 元，这种交叉分析用透视表一次就能跑出来。
关联购买分析用“单据编号”把同单药品组合起来，判断哪些药经常一起买。最简单的方法是按单据聚合商品名称列表，再统计两两组合出现次数。真正的关联规则算法通常用 mlxtend 的 apriori，但如果数据量不大，直接用自连接也可以得到一个能落地的结论。
# 按单据聚合商品列表 order_items = df_clean.groupby("单据编号")["商品名称"].apply(list) order_items = order_items[order_items.apply(len) >= 2] # 只保留多商品订单 # 自生成组合并统计 from collections import Counter pair_counter = Counter() for items in order_items: unique_items = list(set(items)) for i in range(len(unique_items)): for j in range(i + 1, len(unique_items)): pair = tuple(sorted([unique_items[i], unique_items[j]])) pair_counter[pair] += 1 top_pairs = pair_counter.most_common(10) print(top_pairs)这个组合统计方法的可靠性依赖一个前提：同一商品在同一订单里只出现一次。但药店明细里经常有“感冒灵颗粒 2 盒”这样同一商品两行的情况，同一订单里商品重复出现会导致后面的两个循环把同品组合也算进去，所以我加了set(items)去重。如果数据量大，这个双层循环会明显变慢，可以用itertools.combinations替代自写的两层 for。关联分析的结论需要谨慎落地，比如发现高血压药和感冒药同单次数高，更可能解释为购买者是上年纪人群，而不是真的需要联合用药。
5. 药店销售数据分析避坑记录：五条最容易翻车的地方
5.1 日期字符串混入杂文本，月度聚合直接少两个月
现象：月度销售曲线在 7 月和 9 月之间消失，或者月度汇总金额明显小于订单总额。
原因：原始表里“销售日期”列混入了手工备注，比如在某个格子填了“盘点”二字，Pandas 解析日期时整列降级为 object 类型，部分日期没有被识别，按月份聚合时这些记录被丢进 NaN 分组。
解决：读入时先不设日期解析，直接全部以文本读入，然后pd.to_datetime(..., errors="coerce")，把解析失败的记录筛出来单独处理。不要删除这些记录，先看是不是只有少数几行，手动修正后重新解析。
5.2 门店编号带隐形空格，门店对比多出一个“幽灵门店”
现象：透视表里出现两个看起来一模一样的门店编号，但销售额一个为正、一个为负，总和等于零。
原因：Excel 导出的门店编号列存在不可见空格，常见于手工录入的门店编码。type字段虽指定了 string，但空格不会被自动去除。
解决：读入数据后立即执行df["门店编号"] = df["门店编号"].astype(str).str.strip()。如果怀疑还有其他隐藏字符，可以用df["门店编号"].str.replace(r"\s+", "", regex=True)把全角/半角空格全部清掉，再重新做 groupby。
5.3 退款单被当作正常销售，月度销售额虚高 8%
现象：按品类看销售额时，感冒药品类销售额明显偏高，但退货记录里的负销售额没有被排除，实际销售被高估。例如某月感冒药销售额 100 万元，其中包含 8 万元的退款单，实际销售只有 92 万元。
原因：退款订单在明细里表现为“销售额为负数”，单价和数量也同步为负。如果清洗时只过滤了“数量 > 0”而没有过滤“销售额为负”，这些退款单会在聚合时自动抵消，看起来总额没问题，但分品类分析时退款单的商品名归类会干扰品类占比。
解决：在清洗阶段单独提取退款单备份后过滤掉，而不是把负数和正数混在一起汇总。具体做法是先标记df_clean["是否退款"] = df_clean["销售额"] < 0，把退款单单独存档为“退款记录.xlsx”，再从主分析表里剔除。
5.4 同名商品不同规格被 groupby 合并，单品排名失真
现象：TOP10 单品排名里“阿莫西林胶囊”出现两次，占两个排位，实际单品名一样，规格不一样。
原因：商品编码是唯一标识，但商品名称不是。同一个通用名下的不同规格、不同厂家，名称相近，被 Pandas 自动分到同一组时金额被合并，或者反过来说，明明是一个商品两个包装，分组后拆成两行。
解决：分析单品维度时，一定要用“商品编码 + 商品名称 + 规格”联合分组。对药店来说，商品编码才是唯一键，商品名称和规格只是展示字段。如果系统导出的表里没有商品编码，就要在清洗阶段用“商品名称 + 规格”拼接出一个唯一标识。
5.5 拆零销售的数量是小数，按数量聚合时被当成整数字段取整
现象：中药饮片和拆零药品的销售数量出现 0.5、0.2 等小数，但部分代码里用astype(int)转类型时报错，或者聚合结果显示某药本月“卖了 0 盒”。
原因：西药通常按整盒销售，中药饮片按克称重，数量本身是浮点数。Excel 在单元格格式里设置了整数显示，但底层数据是小数，Pandas 读取后正常识别，反而是你自己写的类型转换把小数截断了。
解决：把分类别对待，“器械/中药饮片”数量用浮点聚合，“药品”数量再考虑整盒逻辑。最简单的办法是不对“销售数量”做任何整数转换，全部保持 float64，在统计件数时用round(1)保留一位小数。拆零与整盒混在一起时，可以额外生成一列“是否拆零”辅助判断，避免把 0.2 盒当成数据异常清洗掉。
6. 把分析结果沉淀成可复用的销售日报模板
前面几章的分析步骤，每跑一次都要重写一遍代码，实际业务里不划算。我常用的做法是把清洗和核心指标封装成一个函数，入参是日期范围，输出是一组图表和汇总表，这样运营同事拿到新的 Excel 后，只要改文件名和日期范围就能跑出整份日报。
def build_sales_report(file_path, start_date=None, end_date=None): """生成药店销售日报：趋势图 + 品类占比 + TOP10 + 价格带""" df = pd.read_excel(file_path, parse_dates=["销售日期"]) # 清洗 df["销售日期"] = pd.to_datetime(df["销售日期"], errors="coerce") df["门店编号"] = df["门店编号"].astype(str).str.strip() df = df.dropna(subset=["销售日期"]) df = df[df["销售额"] >= 0] # 日期过滤 if start_date: df = df[df["销售日期"] >= start_date] if end_date: df = df[df["销售日期"] <= end_date] df["月"] = df["销售日期"].dt.to_period("M") # 核心指标汇总 summary = { "总销售额": round(df["销售额"].sum(), 2), "订单数": df["单据编号"].nunique(), "毛利额": round((df["销售额"] - df["成本额"]).sum(), 2), "平均客单价": round(df["销售额"].sum() / df["单据编号"].nunique(), 2), } return df, summary这个函数合并了读入、日期解析、门店编号空格清理、负销售额过滤、日期筛选和核心指标计算。调用方只需要传入文件路径和日期范围，就能拿到清洗后的 DataFrame 和汇总字典。我一般会在函数末尾再加一段自动绘图逻辑，把月度趋势和品类占比图保存为本地 PNG，然后让主脚本把图片嵌入 HTML 邮件正文或复制到企业微信群文件里。参数start_date和end_date如果为 None 就默认全量统计，这在实际使用中非常顺手——月度复盘传月初和月末日期，季度复盘传季度首尾日期，不用改函数内部逻辑。
验证日报数据的方式，我最信任的是“反向校验”：拿日报里汇总的总销售额，和药店收银系统当天打印的交班小票总额对比，误差超过万分之五就要查清洗逻辑。第一次跑通日报模板后，我还会故意构造几条脏数据塞进测试表里，比如一条销售额为负的退款单和一条日期格式错误的记录，如果函数还能正常输出且汇总金额符合预期，说明清洗逻辑是健壮的。做完这个模板后，我最大的收获是：分析项目的终点不是那一堆图表，而是别人拿着新数据能自己跑出结果的工具。如果你也准备做药店销售数据分析，别急着追求复杂的算法模型，先把清洗和月度聚合做扎实，再逐步加入关联分析和价格带分析，这套底子能直接迁移到任何零售行业的数据项目上。希望这些踩过坑的经验能帮到你少走一些弯路。
本文还有配套的精品资源，点击获取
