课程库 › AI 主线 › 阶段项目与数学直觉 › 第 1 课

阶段项目（一）：销售数据分析实战 —— 需求文档与数据集

项目课约 60 分钟

本课导读

阶段 1 大结局：一个三课连贯的完整数据分析项目（作品集第三件）。不再是练习题的迷你数据——这次是 200 行带脏的"真实体量"订单表，走完数据人的完整闭环：理解需求 → 拿到数据 → 体检清洗（本课）→ 分析可视化（下一课）→ 写成报告发布（第三课）。本课的交付物：一份干净的数据集 + 一段可复现的清洗代码。预计 60 分钟。

需求文档：先读懂再动手

委托方：某数码配件电商的运营负责人背景：上半年（1-6 月）业务数据从没系统看过，凭感觉在跑委托：给我一份上半年经营分析，回答四个问题—— ① 销售额的月度走势如何？② 哪些品类/产品在赚钱？③ 哪个城市是主战场？④ 客单价什么水平？交付：能看懂的图 + 一页结论；数据口径要能说清（怎么清洗的、丢了多少）

项目课的规矩（第三次登场，已是老朋友）：分版本推进、先自己写再看参考、验收清单说了算。另加一条数据项目专属：每一步的行数变化都要留脚印——委托方问"为什么总数对不上"时，你要答得出来。

第一步：拿到数据，先体检

真实项目里数据是别人给的；课程里用道具函数生成（固定种子，人人一致，方便对照）。先跑通、再体检：

Python

import random
import pandas as pd

def make_raw_sales(path="sales_raw.csv", n=200, seed=7):
  """生成上半年订单表（带典型脏数据），写入 CSV"""
  random.seed(seed)
  products = [("旗舰键盘", "外设", 599), ("无线鼠标", "外设", 149),
              ("4K显示器", "屏幕", 1599), ("降噪耳机", "音频", 459),
              ("桌面手托", "配件", 89), ("键帽套装", "配件", 129)]
  cities = ["上海", "北京", "深圳", "广州", "杭州"]
  rows = []
  for i in range(n):
      name, cat, price = random.choice(products)
      month = random.choices([1, 2, 3, 4, 5, 6], weights=[20, 22, 28, 32, 42, 56])[0]
      rows.append([1000 + i, f"2026-{month:02d}", name, cat, price,
                   random.randint(1, 3), random.choice(cities)])
  df = pd.DataFrame(rows, columns=["order_id", "month", "product",
                                   "category", "price", "qty", "city"])
  # 注入典型脏数据（真实导出常见事故）
  df.loc[df.sample(8, random_state=1).index, "city"] = " 上海 "
  df.loc[df.sample(5, random_state=2).index, "price"] = "补录中"
  df.loc[df.sample(6, random_state=3).index, "qty"] = None
  df = pd.concat([df, df.sample(7, random_state=4)])   # 重复行
  df.to_csv(path, index=False)

make_raw_sales()
df = pd.read_csv("sales_raw.csv")

# ── 你的体检代码：三板斧走一遍，找出全部问题 ──
print(df.head())

import random
import pandas as pd

def make_raw_sales(path="sales_raw.csv", n=200, seed=7):
  """生成上半年订单表（带典型脏数据），写入 CSV"""
  random.seed(seed)
  products = [("旗舰键盘", "外设", 599), ("无线鼠标", "外设", 149),
              ("4K显示器", "屏幕", 1599), ("降噪耳机", "音频", 459),
              ("桌面手托", "配件", 89), ("键帽套装", "配件", 129)]
  cities = ["上海", "北京", "深圳", "广州", "杭州"]
  rows = []
  for i in range(n):
      name, cat, price = random.choice(products)
      month = random.choices([1, 2, 3, 4, 5, 6], weights=[20, 22, 28, 32, 42, 56])[0]
      rows.append([1000 + i, f"2026-{month:02d}", name, cat, price,
                   random.randint(1, 3), random.choice(cities)])
  df = pd.DataFrame(rows, columns=["order_id", "month", "product",
                                   "category", "price", "qty", "city"])
  # 注入典型脏数据（真实导出常见事故）
  df.loc[df.sample(8, random_state=1).index, "city"] = " 上海 "
  df.loc[df.sample(5, random_state=2).index, "price"] = "补录中"
  df.loc[df.sample(6, random_state=3).index, "qty"] = None
  df = pd.concat([df, df.sample(7, random_state=4)])   # 重复行
  df.to_csv(path, index=False)

make_raw_sales()
df = pd.read_csv("sales_raw.csv")

# ── 你的体检代码：三板斧走一遍，找出全部问题 ──
print(df.head())

✅ 体检参考 + 问题清单

import pandas as pd

df = pd.read_csv("sales_raw.csv")   # 道具文件由上方 Playground 生成

df.info()               # price 是 object（有脏值）；qty 有缺失
print(df.describe())
print(f"行数 {len(df)}，重复 {df.duplicated().sum()} 行")
print(df["city"].value_counts())   # “ 上海 ”分裂出独立一组

体检结论（对照你的发现）：207 行（200+7 重复）；price 混入"补录中"被拖成字符串；qty 缺 6 个左右；city 有带空格的分裂值；order_id/month 正常。四种脏一个不少——都是 U1.5 清洗课的老对手。

第二步：清洗流水线

按标准顺序把表洗净，每步打印行数留脚印，最后把干净数据存盘（交付物之一）：

Python

import random
import pandas as pd

def make_raw_sales(path="sales_raw.csv", n=200, seed=7):
  random.seed(seed)
  products = [("旗舰键盘", "外设", 599), ("无线鼠标", "外设", 149),
              ("4K显示器", "屏幕", 1599), ("降噪耳机", "音频", 459),
              ("桌面手托", "配件", 89), ("键帽套装", "配件", 129)]
  cities = ["上海", "北京", "深圳", "广州", "杭州"]
  rows = []
  for i in range(n):
      name, cat, price = random.choice(products)
      month = random.choices([1, 2, 3, 4, 5, 6], weights=[20, 22, 28, 32, 42, 56])[0]
      rows.append([1000 + i, f"2026-{month:02d}", name, cat, price,
                   random.randint(1, 3), random.choice(cities)])
  df = pd.DataFrame(rows, columns=["order_id", "month", "product",
                                   "category", "price", "qty", "city"])
  df.loc[df.sample(8, random_state=1).index, "city"] = " 上海 "
  df.loc[df.sample(5, random_state=2).index, "price"] = "补录中"
  df.loc[df.sample(6, random_state=3).index, "qty"] = None
  df = pd.concat([df, df.sample(7, random_state=4)])
  df.to_csv(path, index=False)

make_raw_sales()
df = pd.read_csv("sales_raw.csv")

# ── 你的清洗流水线（提示：去重 → 修类型 → 洗空格 → 处置缺失 → 加 amount 列 → 存盘）──
print(f"原始 {len(df)} 行")

import random
import pandas as pd

def make_raw_sales(path="sales_raw.csv", n=200, seed=7):
  random.seed(seed)
  products = [("旗舰键盘", "外设", 599), ("无线鼠标", "外设", 149),
              ("4K显示器", "屏幕", 1599), ("降噪耳机", "音频", 459),
              ("桌面手托", "配件", 89), ("键帽套装", "配件", 129)]
  cities = ["上海", "北京", "深圳", "广州", "杭州"]
  rows = []
  for i in range(n):
      name, cat, price = random.choice(products)
      month = random.choices([1, 2, 3, 4, 5, 6], weights=[20, 22, 28, 32, 42, 56])[0]
      rows.append([1000 + i, f"2026-{month:02d}", name, cat, price,
                   random.randint(1, 3), random.choice(cities)])
  df = pd.DataFrame(rows, columns=["order_id", "month", "product",
                                   "category", "price", "qty", "city"])
  df.loc[df.sample(8, random_state=1).index, "city"] = " 上海 "
  df.loc[df.sample(5, random_state=2).index, "price"] = "补录中"
  df.loc[df.sample(6, random_state=3).index, "qty"] = None
  df = pd.concat([df, df.sample(7, random_state=4)])
  df.to_csv(path, index=False)

make_raw_sales()
df = pd.read_csv("sales_raw.csv")

# ── 你的清洗流水线（提示：去重 → 修类型 → 洗空格 → 处置缺失 → 加 amount 列 → 存盘）──
print(f"原始 {len(df)} 行")

💡 提示（决策点）

两处需要"业务判断"：price 是"补录中"的行（金额未知，算不了账 → 删，但要报数量）；qty 缺失的行（可以删，也可以按"最少买 1 件"补 1——两种都算对，报告里说明即可）。最后记得 df["amount"] = df["price"] * df["qty"]，下一课全靠它。

✅ 清洗参考实现

import pandas as pd

df = pd.read_csv("sales_raw.csv")   # 道具文件由上方 Playground 生成
print(f"原始 {len(df)} 行")

df = df.drop_duplicates()
print(f"去重后 {len(df)} 行")

df["price"] = pd.to_numeric(df["price"], errors="coerce")
df["city"] = df["city"].str.strip()

df = df.dropna(subset=["price"])
print(f"剔除金额未知后 {len(df)} 行")

df["qty"] = df["qty"].fillna(1)          # 决策：至少买 1 件（报告中说明）
df["amount"] = df["price"] * df["qty"]

df.to_csv("sales_clean.csv", index=False)
print(f"交付：sales_clean.csv，共 {len(df)} 行，总销售额 {df['amount'].sum():.0f} 元")

脚印应为 207 → 200 → 195 行。你的 qty 策略若选了 dropna 则是 189 行左右——都对，能解释就合格。

验收清单（本课部分）

分步操作

体检报告能答四问：几行几列、哪列类型异常、哪列有缺失、有多少重复
清洗每一步有行数脚印，207 → 最终行数的每次变化都能解释
price/qty 的处置做了明确决策（删或补），并准备好一句话说明
产出 sales_clean.csv，含 amount 列；重跑整段代码结果一致（种子固定=可复现）

📝 随堂测验

随堂测验0 / 5 题正确

1. 动手写代码前先读需求文档，最重要的产出是？

2. “每一步打印行数留脚印”是为了？

3. price 为“补录中”的 5 行选择删除，qty 缺失选择补 1——这两个决策的共同点是？

4. 道具函数里 random.seed(7) 和 random_state=1 这些固定种子，在真实项目里对应什么原则？

5. 本课交付的 sales_clean.csv 里为什么要先算好 amount 列？

本课小结

项目闭环第一段完成：需求四问 → 生成数据 → 三板斧体检 → 流水线清洗 → 干净数据集落盘
两条项目铁律：行数脚印可审计、清洗决策报告里说明
交付物：sales_clean.csv（195 行 ±，含 amount）+ 可复现的清洗代码

下一课拿着干净数据回答四个业务问题——每问一张图，U1.6 的装裱功夫全部上场。

划选正文任意文字可高亮、批注或加入复习卡

讨论

载入中…