数据分析--商家后台门店

需求

1.分析saas总门店数量以及分布区域，做一个分布图出来。

2.分析saas总门店数量，查看哪些目前是活跃状态的，以及分布区域。

分析

1.通过运营后台门店列表遍历所有门店信息，主要提取门店名称，门店id和门店地址并存下来；

2.然后做数据分析图，参考下方简易代码，生成城市条形图

import pandas as pd
import matplotlib.pyplot as plt
# 假设 data 是你从爬虫获取到的数据
data = [    #从爬取到的信息里提取类似数据
    {'city': '成都'},
    {'city': '北京'},
    {'city': '成都'},
    {'city': '上海'},
    # ... 其他数据
]

df = pd.DataFrame(data)
#统计城市数量
city_counts = df['city'].value_counts()


# 设置中文显示（如果需要）
plt.rcParams['font.sans-serif'] = ['SimHei']

# 绘制城市占比图
plt.figure(figsize=(10, 6))
city_counts.plot(kind='bar', color='skyblue')
plt.title('城市占比图')
plt.xlabel('城市')
plt.ylabel('数量')
plt.show()

3.几千条数据，1.查询速度很慢  需要优化   2.门店地址格式不规范，导致地址数据很大  图形绘制出来不规范。

4.实现：

"""
绘制门店城市分布图
"""

import pandas as pd
import matplotlib.pyplot as plt
import requests
from YeePay import Login
#创建实例调用登录
lg =Login.Login()
auth = lg.sys_login()
sys_auth = "Bearer "+ auth
# print(sys_auth)

url = '/business/user/list'
headers = {
    'Accept': 'application/json, text/plain, */*',
    'Accept-Language': 'zh-CN,zh;q=0.9',
    'Authorization':sys_auth,
    'Cache-Control': 'no-cache',
    'Connection': 'keep-alive',
    'Content-Type': 'application/json',
    'Origin': 'https://sys-saas.wemew.com',
    'Pragma': 'no-cache',
    'Referer': 'https://sys-saas.wemew.com/',
    'Sec-Fetch-Dest': 'empty',
    'Sec-Fetch-Mode': 'cors',
    'Sec-Fetch-Site': 'same-site',
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36',
    'sec-ch-ua': '"Not_A Brand";v="8", "Chromium";v="120", "Google Chrome";v="120"',
    'sec-ch-ua-mobile': '?0',
    'sec-ch-ua-platform': '"Windows"',
}
store_list = []
count = 0
#统计2023年至今的门店
deadline = 1672502400
deadline_time = pd.to_datetime(deadline, unit='s')  #2022-12-31 16:00:00
for i in range(1,150):
    # print('AA')
    data = {
        "businessType": "",
        "payStatus": 0,
        "keyword": "",
        "pageNum": i,
        "pageSize": 50,
        "expireStartTime": "",
        "expireEndTime": "",
        "startTime": "",
        "endTime": "",
        "customerStatus": "",
        "expireStatus": "",
        "paymentCycle": "",
        "accountType": "",
        "payOffStartTime": "",
        "payOffEndTime": "",
        "pageNo": i
    }
    response = requests.post(url=url, headers=headers, json=data)
    res = response.json()["data"]["rows"][0]["vos"]
    # print(response.json())
    if res == []:
        pass
    else:
        for j in res:
            # ctime = 1706537770
            ctime = j["createTime"]
            if len(str(ctime)) == 13:
                ctime = ctime / 1000
            else:
                ctime = ctime
            ctime_seconds = pd.to_datetime(int(ctime), unit='s')
            # print(ctime)
            if ctime_seconds > deadline_time:
                store_dic = {}
                if "测试" not in j["storeName"] and j["marketUser"] is not None: #非测试门店  并且市场人员不能为空
                    store_dic["storeId"] = j["storeId"]
                    store_dic["storeName"] = j["storeName"]
                    #先去province里的地址，取不到再看storeAddress里面的（后续排除掉不规范地址）
                    if j["province"] is not None and j["province"]!="undefined":  
                        province = j["province"]
                        count +=1
                    else:
                        province = j["storeAddress"].split("省")[0]
                    store_dic["province"] = province
                    store_list.append(store_dic)
                    count += 1
            else:
                continue
# print(count)
# print(store_list)


# 获取到的总数据列表
data = store_list

df = pd.DataFrame(data)

#统计城市数量
city_counts = df['province'].value_counts()

# 设置中文显示（如果需要）
plt.rcParams['font.sans-serif'] = ['SimHei']

# 绘制城市占比图
plt.figure(figsize=(20, 16))
city_counts.plot(kind='bar', color='skyblue')
plt.title('城市占比图')
plt.xlabel('城市')
plt.ylabel('数量')
plt.show()
#

缺点：

1.这种图数据量大就不太好统计，后续看能否找到合适的图表

2.查询符合条件门店太耗时，后续看能不能同时发起两个请求，互不影响，但需要后续了解去学习