编辑推荐:
来源于cnblogs，介绍了利用决策树分类，利用随机森林预测，
利用对数进行fit，和exp函数还原等。
分享
知识要点：
lubridate包拆解时间 | POSIXlt
利用决策树分类，利用随机森林预测
利用对数进行fit，和exp函数还原
训练集来自Kaggle华盛顿自行车共享计划中的自行车租赁数据，分析共享自行车与天气、时间等关系。数据集共11个变量，10000多行数据。
https://www.kaggle.com/c/bike-sharing-demand
首先看一下官方给出的数据，一共两个表格，都是2011-2012年的数据，区别是Test文件是每个月的日期都是全的，但是没有注册用户和随意用户。而Train文件是每个月只有1-20天，但有两类用户的数量。
求解：补全Train文件里21-30号的用户数量。评价标准是预测与真实数量的比较。
1.png
首先加载文件和包
library (lubridate)
library (randomForest)
library (readr)
setwd ("E:")
data <-read_csv ("train.csv")
head (data)
这里我就遇到坑了，用r语言缺省的read.csv死活读不出来正确的文件格式，换成xlsx更惨，所有时间都变成43045这样的怪数字。本来之前试过as.Date可以正确转换，但这次因为有时分秒，就只能用时间戳，但结果也不行。
最后是下载了"readr"包，用read_csv语句，顺利解读。
因为test比train日期完整，但缺少用户数，所以要把train和test合并。
test$registered=0
test$casual=0
test$count=0
data<-rbind(train,test)
摘取时间：可以用时间戳，这里的时间比较简单，就是小时数，所以也可以直接截字符串。
data$hour1<-substr
(data$datetime,12,13)
table(data$hour1)
统计一下每个小时的使用总数，是这样（为什么介么整齐）：
6-hour1.png
接下来是运用箱线图，看一下使用者和时间，周几这些的关系。为什么用箱线图而不用hist直方图，因为箱线图有离散点表达，下面也因此运用对数求fit
从图中可以看出，在时间方面，注册用户和非注册用户的使用时间有很大不同。
5-hour-regestered.png
5-hour-casual.png
4-boxplot-day.png
接下来用相关系数cor检验用户，温度，体感温度，湿度，风速的关系。
相关系数：变量之间的线性关联度量，检验不同数据的相关程度。
取值范围[-1，1]，越接近0越不相关。
从运算结果可以看出，使用人群与风速呈负相关，比温度影响还大。
cor.png
接下来就是将时间等因素用决策树分类，然后用随机森林来预测。随机森林和决策树的算法。听起来很高大上，其实现在也很常用了，所以一定要学会。
决策树模型是 一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强，不怕噪声数据和缺失数据。
决策树模型的基本计 算步骤如下：先从n个自变量中挑选一个，寻找最佳分割点，将数据划分为两组。针对分组后数据，将上述步骤重复下去，直到满足某种条件。
在决策树建模中需要解决的重要问题有三个：
如何选择自变量
如何选择分割点
确定停止划分的条件
做出注册用户和小时的决策树，
train$hour1<-as.integer(train$hour1)
d<-rpart (registered~hour1,data=train)
rpart .plot(d) >
3-raprt-hour1.png
然后就是根据决策树的结果手动分类，所以还满占代码的...
train$hour1
<-as.integer(train$hour1)
data$dp_reg=0
data$dp_reg[data$hour1 <7.5]=1
data$dp_reg[data$hour1> =22]=2
data$dp_reg[data$hour1 >=9.5 & data$hour1<18]=3
data$dp_reg[data$hour1> =7.5 & data$hour1<18]=4
data$dp_reg[data$hour1> =8.5 & data$hour1<18]=5
data$dp_reg[data$hour1> =20 & data$hour1<20]=6
data$dp_reg[data$hour1> =18 & data$hour1<20]=7
同理，做出 （小时 | 温度） X （注册 | 随意用户） 等决策树，继续手动分类....
3-raprt-temp.png
年份月份，周末假日等手动分类
data$year_part=0
data$month <-month(data$datatime)
data$year_part [data$year=='2011']=1
data$year_part [data$year=='2011' & data $month>3]
= 2
data$year_part[data$year=='2011' & data $month>6]
= 3
data$year_part[data$year=='2011' & data $month>9]
= 4
data$day_type=""
data$day _type [data$holiday ==0 & data$workingday==0]
="weekend"
data$day_type[data$holiday==1] ="holiday"
data$day_type[data$holiday ==0 & data$workingday==1]
="working day"
data$weekend=0
data$weekend [data$day= ="Sunday"|data$day=
=" Saturday "] =1
接下来用随机森林语句预测
在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。
随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，再在其中选取最优的特征。这样决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
ntree指定随机森林所包含的决策树数目，默认为500，通常在性能允许的情况下越大越好；
mtry指定节点中用于二叉树的变量个数，默认情况下数据集变量个数的二次方根（分类模型）或三分之一（预测模型）。一般是需要进行人为的逐次挑选，确定最佳的m值―摘自datacruiser笔记。这里我主要学习，所以虽然有10000多数据集，但也只定了500。就这500我的小电脑也跑了半天。
train<-data
set.seed (1234)
train$logreg <-log(train$registered+1)
test$logcas <-log(train$casual+1)
fit1 <-randomForest (logreg~hour1+ workingday
+ day + holiday + day_ type+ temp_reg+ humidity
+ atemp + windspeed + season+ weather+ dp_ reg+
weekend + year+year _part ,train ,importance =
TRUE , ntree = 250)
pred1 <-predict (fit1,train)
train $logreg <-pred1
这里不知道怎么回事，我的day和day_part加进去就报错，只有删掉这两个变量计算，还要研究修补。
然后用exp函数还原
train$registered<-exp(train$logreg)-1
train$casual<-exp(train$logcas)-1
train$count<-test$casual+train$registered
最后把20日后的日期截出来，写入新的csv文件上传。
train2<-train[as.integer
(day(data$datetime))> = 20 ,]
submit_final <-data.frame (datetime= test$
datetime ,count= test$count)
write.csv(submit _final,"submit_ final.csv
", row .names = F)

分享
知识要点：
lubridate包拆解时间 | POSIXlt
利用决策树分类，利用随机森林预测
利用对数进行fit，和exp函数还原
训练集来自Kaggle华盛顿自行车共享计划中的自行车租赁数据，分析共享自行车与天气、时间等关系。数据集共11个变量，10000多行数据。
https://www.kaggle.com/c/bike-sharing-demand
首先看一下官方给出的数据，一共两个表格，都是2011-2012年的数据，区别是Test文件是每个月的日期都是全的，但是没有注册用户和随意用户。而Train文件是每个月只有1-20天，但有两类用户的数量。
求解：补全Train文件里21-30号的用户数量。评价标准是预测与真实数量的比较。
1.png
首先加载文件和包
library(lubridate)
library(randomForest)
library(readr)
setwd("E:")
data<-read_csv("train.csv")
head(data)
这里我就遇到坑了，用r语言缺省的read.csv死活读不出来正确的文件格式，换成xlsx更惨，所有时间都变成43045这样的怪数字。本来之前试过as.Date可以正确转换，但这次因为有时分秒，就只能用时间戳，但结果也不行。
最后是下载了"readr"包，用read_csv语句，顺利解读。
因为test比train日期完整，但缺少用户数，所以要把train和test合并。
test$registered=0
test$casual=0
test$count=0
data<-rbind(train,test)
摘取时间：可以用时间戳，这里的时间比较简单，就是小时数，所以也可以直接截字符串。
data$hour1<-substr(data$datetime,12,13)
table(data$hour1)
统计一下每个小时的使用总数，是这样（为什么介么整齐）：
6-hour1.png
接下来是运用箱线图，看一下使用者和时间，周几这些的关系。为什么用箱线图而不用hist直方图，因为箱线图有离散点表达，下面也因此运用对数求fit
从图中可以看出，在时间方面，注册用户和非注册用户的使用时间有很大不同。
5-hour-regestered.png
5-hour-casual.png
4-boxplot-day.png
接下来用相关系数cor检验用户，温度，体感温度，湿度，风速的关系。
相关系数：变量之间的线性关联度量，检验不同数据的相关程度。
取值范围[-1，1]，越接近0越不相关。
从运算结果可以看出，使用人群与风速呈负相关，比温度影响还大。
cor.png
接下来就是将时间等因素用决策树分类，然后用随机森林来预测。随机森林和决策树的算法。听起来很高大上，其实现在也很常用了，所以一定要学会。
决策树模型是 一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强，不怕噪声数据和缺失数据。
决策树模型的基本计 算步骤如下：先从n个自变量中挑选一个，寻找最佳分割点，将数据划分为两组。针对分组后数据，将上述步骤重复下去，直到满足某种条件。
在决策树建模中需要解决的重要问题有三个：
如何选择自变量
如何选择分割点
确定停止划分的条件
做出注册用户和小时的决策树，
train$hour1<-as.integer(train$hour1)
d<-rpart(registered~hour1,data=train)
rpart.plot(d)
3-raprt-hour1.png
然后就是根据决策树的结果手动分类，所以还满占代码的...
train$hour1<-as.integer(train$hour1)
data$dp_reg=0
data$dp_reg[data$hour1<7.5]=1
data$dp_reg[data$hour1>=22]=2
data$dp_reg[data$hour1>=9.5 & data$hour1<18]=3
data$dp_reg[data$hour1>=7.5 & data$hour1<18]=4
data$dp_reg[data$hour1>=8.5 & data$hour1<18]=5
data$dp_reg[data$hour1>=20 & data$hour1<20]=6
data$dp_reg[data$hour1>=18 & data$hour1<20]=7
同理，做出 （小时 | 温度） X （注册 | 随意用户） 等决策树，继续手动分类....
3-raprt-temp.png
年份月份，周末假日等手动分类
data$year_part=0
data$month<-month(data$datatime)
data$year_part[data$year=='2011']=1
data$year_part[data$year=='2011' & data$month>3]=2
data$year_part[data$year=='2011' & data$month>6]=3
data$year_part[data$year=='2011' & data$month>9]=4
data$day_type=""
data$day_type[data$holiday==0 & data$workingday==0]="weekend"
data$day_type[data$holiday==1]="holiday"
data$day_type[data$holiday==0 & data$workingday==1]="working day"
data$weekend=0
data$weekend[data$day=="Sunday"|data$day=="Saturday"]=1
接下来用随机森林语句预测
在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。
随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，再在其中选取最优的特征。这样决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
ntree指定随机森林所包含的决策树数目，默认为500，通常在性能允许的情况下越大越好；
mtry指定节点中用于二叉树的变量个数，默认情况下数据集变量个数的二次方根（分类模型）或三分之一（预测模型）。一般是需要进行人为的逐次挑选，确定最佳的m值—摘自datacruiser笔记。这里我主要学习，所以虽然有10000多数据集，但也只定了500。就这500我的小电脑也跑了半天。
train<-data
set.seed(1234)
train$logreg<-log(train$registered+1)
test$logcas<-log(train$casual+1)
fit1<-randomForest(logreg~hour1+workingday+day+holiday+day_type+temp_reg+humidity+atemp+windspeed+season+weather+dp_reg+weekend+year+year_part,train,importance=TRUE,ntree=250)
pred1<-predict(fit1,train)
train$logreg<-pred1
这里不知道怎么回事，我的day和day_part加进去就报错，只有删掉这两个变量计算，还要研究修补。
然后用exp函数还原
train$registered<-exp(train$logreg)-1
train$casual<-exp(train$logcas)-1
train$count<-test$casual+train$registered
最后把20日后的日期截出来，写入新的csv文件上传。
train2<-train[as.integer(day(data$datetime))>=20,]
submit_final<-data.frame(datetime=test$datetime,count=test$count)
write.csv(submit_final,"submit_final.csv",row.names=F)
大功告成！
github代码加群
原来的示例是炼数成金网站的kaggle课程第二节，基本按照视频的思路。因为课程没有源代码，所以要自己修补运行完整。历时两三天总算把这个功课做完了。下面要修正的有：
好好理解三个知识点（lubridate包/POSIXlt，log线性，决策树和随机森林）；
用WOE和IV代替cor函数分析相关关系；
用其他图形展现的手段分析
随机树变量重新测试
学习过程中遇到什么问题或者想获取学习资源的话，欢迎加入学习交流群
626062078，我们一起学Python！
完成了一个“浩大完整”的数据分析，还是很有成就感的！

分享
知识要点：
lubridate包拆解时间 | POSIXlt
利用决策树分类，利用随机森林预测
利用对数进行fit，和exp函数还原
训练集来自Kaggle华盛顿自行车共享计划中的自行车租赁数据，分析共享自行车与天气、时间等关系。数据集共11个变量，10000多行数据。
https://www.kaggle.com/c/bike-sharing-demand
首先看一下官方给出的数据，一共两个表格，都是2011-2012年的数据，区别是Test文件是每个月的日期都是全的，但是没有注册用户和随意用户。而Train文件是每个月只有1-20天，但有两类用户的数量。
求解：补全Train文件里21-30号的用户数量。评价标准是预测与真实数量的比较。
1.png
首先加载文件和包
library(lubridate)
library(randomForest)
library(readr)
setwd("E:")
data<-read_csv("train.csv")
head(data)
这里我就遇到坑了，用r语言缺省的read.csv死活读不出来正确的文件格式，换成xlsx更惨，所有时间都变成43045这样的怪数字。本来之前试过as.Date可以正确转换，但这次因为有时分秒，就只能用时间戳，但结果也不行。
最后是下载了"readr"包，用read_csv语句，顺利解读。
因为test比train日期完整，但缺少用户数，所以要把train和test合并。
test$registered=0
test$casual=0
test$count=0
data<-rbind(train,test)
摘取时间：可以用时间戳，这里的时间比较简单，就是小时数，所以也可以直接截字符串。
data$hour1<-substr(data$datetime,12,13)
table(data$hour1)
统计一下每个小时的使用总数，是这样（为什么介么整齐）：
6-hour1.png
接下来是运用箱线图，看一下使用者和时间，周几这些的关系。为什么用箱线图而不用hist直方图，因为箱线图有离散点表达，下面也因此运用对数求fit
从图中可以看出，在时间方面，注册用户和非注册用户的使用时间有很大不同。
5-hour-regestered.png
5-hour-casual.png
4-boxplot-day.png
接下来用相关系数cor检验用户，温度，体感温度，湿度，风速的关系。
相关系数：变量之间的线性关联度量，检验不同数据的相关程度。
取值范围[-1，1]，越接近0越不相关。
从运算结果可以看出，使用人群与风速呈负相关，比温度影响还大。
cor.png
接下来就是将时间等因素用决策树分类，然后用随机森林来预测。随机森林和决策树的算法。听起来很高大上，其实现在也很常用了，所以一定要学会。
决策树模型是 一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强，不怕噪声数据和缺失数据。
决策树模型的基本计 算步骤如下：先从n个自变量中挑选一个，寻找最佳分割点，将数据划分为两组。针对分组后数据，将上述步骤重复下去，直到满足某种条件。
在决策树建模中需要解决的重要问题有三个：
如何选择自变量
如何选择分割点
确定停止划分的条件
做出注册用户和小时的决策树，
train$hour1<-as.integer(train$hour1)
d<-rpart(registered~hour1,data=train)
rpart.plot(d)
3-raprt-hour1.png
然后就是根据决策树的结果手动分类，所以还满占代码的...
train$hour1<-as.integer(train$hour1)
data$dp_reg=0
data$dp_reg[data$hour1<7.5]=1
data$dp_reg[data$hour1>=22]=2
data$dp_reg[data$hour1>=9.5 & data$hour1<18]=3
data$dp_reg[data$hour1>=7.5 & data$hour1<18]=4
data$dp_reg[data$hour1>=8.5 & data$hour1<18]=5
data$dp_reg[data$hour1>=20 & data$hour1<20]=6
data$dp_reg[data$hour1>=18 & data$hour1<20]=7
同理，做出 （小时 | 温度） X （注册 | 随意用户） 等决策树，继续手动分类....
3-raprt-temp.png
年份月份，周末假日等手动分类
data$year_part=0
data$month<-month(data$datatime)
data$year_part[data$year=='2011']=1
data$year_part[data$year=='2011' & data$month>3]=2
data$year_part[data$year=='2011' & data$month>6]=3
data$year_part[data$year=='2011' & data$month>9]=4
data$day_type=""
data$day_type[data$holiday==0 & data$workingday==0]="weekend"
data$day_type[data$holiday==1]="holiday"
data$day_type[data$holiday==0 & data$workingday==1]="working day"
data$weekend=0
data$weekend[data$day=="Sunday"|data$day=="Saturday"]=1
接下来用随机森林语句预测
在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。
随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，再在其中选取最优的特征。这样决策树都能够彼此不同，提升系统的多样性，从而提升分类性能。
ntree指定随机森林所包含的决策树数目，默认为500，通常在性能允许的情况下越大越好；
mtry指定节点中用于二叉树的变量个数，默认情况下数据集变量个数的二次方根（分类模型）或三分之一（预测模型）。一般是需要进行人为的逐次挑选，确定最佳的m值—摘自datacruiser笔记。这里我主要学习，所以虽然有10000多数据集，但也只定了500。就这500我的小电脑也跑了半天。
train<-data
set.seed(1234)
train$logreg<-log(train$registered+1)
test$logcas<-log(train$casual+1)
fit1<-randomForest(logreg~hour1+workingday+day+holiday+day_type+temp_reg+humidity+atemp+windspeed+season+weather+dp_reg+weekend+year+year_part,train,importance=TRUE,ntree=250)
pred1<-predict(fit1,train)
train$logreg<-pred1
这里不知道怎么回事，我的day和day_part加进去就报错，只有删掉这两个变量计算，还要研究修补。
然后用exp函数还原
train$registered<-exp(train$logreg)-1
train$casual<-exp(train$logcas)-1
train$count<-test$casual+train$registered
最后把20日后的日期截出来，写入新的csv文件上传。
train2<-train[as.integer(day(data$datetime))>=20,]
submit_final<-data.frame(datetime=test$datetime,count=test$count)
write.csv(submit_final,"submit_final.csv",row.names=F)
大功告成！
github代码加群
原来的示例是炼数成金网站的kaggle课程第二节，基本按照视频的思路。因为课程没有源代码，所以要自己修补运行完整。历时两三天总算把这个功课做完了。下面要修正的有：
好好理解三个知识点（lubridate包/POSIXlt，log线性，决策树和随机森林）；
用WOE和IV代替cor函数分析相关关系；
用其他图形展现的手段分析
随机树变量重新测试
学习过程中遇到什么问题或者想获取学习资源的话，欢迎加入学习交流群
626062078，我们一起学Python！
完成了一个"浩大完整”的数据分析，还是很有成就感的！

数据分析笼统来说，大概分为五个步骤：提出问题、理解数据、数据清洗、构建模型、数据可视化。在数据分析中，很基础又关键的一步就是数据清洗，对原始数据的处理会花掉整个分析过程的很大一部分时间，这是因为如果前期数据没有处理好，会影响后续的分析以及建模。那么当我们拿到一份数据，该如何对数据进行处理和分析呢？下面以药店销售数据为例，进行如下分析：
导入pandas、numpy包及excel原始数据：
import pandas as pd
import numpy as np
filename = r'C:安装包朝阳医院2018年销售数据.xlsx'
salesDf = pd.read_excel(filename, sheet_name='Sheet1', dtype = 'object')
salesDf.head()
salesDf.shape
1.提出问题
通过这些数据我要分析什么？这个可能一开始是来自于老板或者其他部门的需求，他们提出需求后，我们来进行分析，在这个案例里，我们收到的需求是分析“月均消费次数”、“月均消费金额”、“客单价”、“消费趋势”。
2.理解数据
明确了分析目的之后，对原始数据进行观察，这个数据是一个6578行、7列的数据集。列属性分别为：购药时间、社保卡号、商品编码、销售数量、应收金额、实收金额，type为object；除此之外，还要观察数据结构以及数据的一些逻辑关联，形成一个大概的分析思路后，再进行下一步数据清洗工作。
#查看数据集的shape及列属性的type
salesDf.shape
salesDf.dtypes
3.数据清洗
数据清洗是要反复多次，才可以拿到我们想要数据，大致有如下6个步骤：
选择子集合
就是选择我们需要的字段，将多余的字段删掉
列名重命名
有一些列名可能不是很直观，我们可以更改为更好理解的列名，如：将本案例中的‘购药时间’改为‘销售时间’。
salesColStr = {'购药时间':'销售时间'}
salesDf.rename(columns=salesColStr, inplace=True)
salesDf
缺失数据处理
python中数据有3种缺失值：
    ①None；②Na 表示 not available；③NaN 浮点型 not a number 表示缺失数据
再回到我们的案例中，我们要分析“月均消费次数”、“月均消费金额”、“客单价”、“消费趋势”，所以销售时间、社保卡号、消费金额 都不可以缺失，如果缺失了就是无意义的数据。在删除缺失值的过程中，要经常用shape监控删除后的数据集的大小变化。
salesDf = salesDf.dropna(subset=['销售时间','社保卡号'],how='any')
数据类型转换
观察列属性的type，将金额数量转换成float，将日期的星期去掉，日期和星期之间是用空格隔开的，所以用split进行拆分，然后用pandas的to_datetime函数将目标字段type转换为datetime，并将格式设为'%Y-%m-%d'。转换完成后执行dtypes查看是否转换成功，然后再查看一下新的数据集，是否空值，如果有空值记得drop掉。
salesDf['销售数量'] = salesDf['销售数量'].astype('float')
salesDf['应收金额'] = salesDf['应收金额'].astype('float')
salesDf['实收金额'] = salesDf['实收金额'].astype('float')
def splitSalesTime(timeColStr):
    timelist=[]
    for value in timeColStr:
        dateStr=value.split(' ')[0]
        timelist.append(dateStr)
    timeSer = pd.Series(timelist)
    return timeSer
timeColStr = salesDf.loc[:,'销售时间']
datetime = splitSalesTime(timeColStr)
salesDf.loc[:,'销售时间'] = datetime
salesDf.loc[:,'销售时间'] = pd.to_datetime(salesDf.loc[:,'销售时间'],format='%Y-%m-%d',errors='coerce')
salesDf.dtypes
salesDf
salesDf = salesDf.dropna(subset='销售时间',how='any')
salesDf.shape
数据排序
由于我们要分析“月均消费次数”和“月均消费金额”这两个跟销售时间有关的指标，所以我们先对新的数据集按“销售时间”进行排序，排序后发现index就乱掉了，reset一下index就可以。
salesDf = salesDf.sort_values(by='销售时间',ascending=True)
salesDf = salesDf.reset_index(drop=True)
salesDf.head()
异常值处理
得到我们想要的数据集后，下一步可以进行简要的统计描述分析，执行descibe()函数，可以得到平均数、标准差、最大值、最小值以及四分位数。能从执行结果中最为直接的看到，最小值销售量、应收金额、实收金额都是负数，这个是不符合常理的，所以我们要将这个异常值用条件切片的方式剔除。
salesDf.describe()
#剔除异常值
salesDf = salesDf.loc[salesDf.loc[:,'销售数量']>0,:]
salesDf.describe()
4.构建业务指标
业务指标1：月均消费次数（所有人的总消费天数/月份数）
指标解读：月均消费次数，是一个人一天无论消费几次都记一次，其实就是消费天数的衡量，然后进行累加，最后把所有人的消费次数加在一起与月份做除法。需要注意的是数据中存在一天消费多次的人群，需要进行去重。
第一步，用 drop_duplicates() 去重，得到新子集 kpil_Df 并重复之前的操作进行排序和reset index；
kpil_Df = salesDf.drop_duplicates(subset=['销售时间','社保卡号'])
kpil_Df = kpil_Df.sort_values(by='销售时间',ascending=True)
kpil_Df = kpil_Df.reset_index(drop=True)
第二步，求总消费次数 totalI；
totalI = kpi1_Df.shape[0]
第三步，求月份数monthI。注意日期相减后要加 '.days' 用来转化成 int；这里month是用地板除求商。
startTime=kpi1_Df.loc[0,'销售时间']
endTime=kpi1_Df.loc[totalI-1,'销售时间']
daysI=(endTime-startTime).days
monthI=daysI//30
最后，可得到月均消费次数为平均890次/月。
kpi1_I=totalI // monthsI
print('月均消费次数=',kpi1_I)
业务指标2：月均消费金额（总消费金额/月份）
指标解读：用总消费金额与月份做除法。(注意：之前去重得到结果不影响月份，月份可以沿用之前处理好的monthI，但消费金额要用 salesDf 这个数据集来计算)
执行如下代码，可得到月均消费结果为50,668.35元
totalMoneyF=salesDf.loc[:,'实收金额'].sum()
monthMoneyF=totalMoneyF / monthsI
print('月均消费金额=',monthMoneyF)
业务指标3：客单价（总消费金额 / 总消费次数）
指标解读：客单价（per customer transaction）是指商场（超市）每一个顾客平均购买商品的金额，客单价也即是平均交易金额。
执行如下代码，可得到 客单价≈56.91元
pct=totalMoneyF / totalI
print('客单价：',pct)
业务指标4：消费趋势
指标解读：每个月消费额的波动趋势，要按月份进行聚类分析
先复制一份 salesDf 数据，避免聚类时对已清洗好的数据造成影响
groupDf = salesDf
第一步，重命名行名（index）为销售时间所在列的值
groupDf.index = goupDf['销售时间']
第二步，按销售月份进行分组
gb = groupDf.groupby(groupDf.index.month)
第三步，计算每个月的消费总额，并绘制折线图
mounthDf=gb.sum()
mouthDf
import matplotlib.pyplot as plt
monthDf.plot(kind='line')
从折线图中，我们可以看到1、4、6月份消费额较高，2、7月消费额较低，具体原因还要结合实际业务情况进行进一步分析。
到这里 月均消费次数、月均消费金额、客单价格、消费趋势 这4个业务指标的数据，我们已经全部得到啦。