一、装家伙事儿：整上Python全家桶
咱要整数据分析，得先备好家伙事儿，跟杀猪菜得配齐酸菜白肉血肠一个理儿！
1.
Anaconda：这玩意儿是东北乱炖式安装包，一锅出啥都有
（官网下载地址：https://www.anaconda.com）[1]
（安装时记得勾选"Add to PATH"，就跟腌酸菜得抹盐一个道理）
2.
Jupyter Notebook：这可是咱的炕头笔记本
装好了在命令行敲：
jupyter notebook浏览器自动弹出个页面，跟开小卖部似的想写啥写啥
二、Pandas库：数据界的铁锅炖
这玩意儿处理表格数据，比大铁锅炖酸菜还香！先整几个必杀技：
1.
读取数据（跟收苞米似的往家搬）
import pandas as pd
# 从Excel扒拉数据
data = pd.read_excel("老王家烧烤摊.xlsx")
# 看前五行，跟掀锅盖瞅菜熟没熟一样
print(data.head())2.
挑挑拣拣（跟摘烂菜叶似的清洗数据）
# 专要卖超过50块的订单
dafei_data = data[data["金额"] > 50]
# 把空着的单元格填成"待确认"
data.fillna("待确认", inplace=True)3.
算总账（比村会计打算盘还快）
# 按菜品算卖了多少份
print(data.groupby('菜品')['数量'].sum())
# 周末营业额平均值
weekend_mean = data[data['是否周末']=='是']['金额'].mean()三、Matplotlib：画炕头统计图
数据可视化就跟过年贴窗花似的，得整得明明白白！
import matplotlib.pyplot as plt
# 整个月份销售额走势
month_sales = data.groupby('月份')['金额'].sum()
plt.plot(month_sales.index, month_sales.values, marker='o', color='东北红')
plt.title("老王家烧烤2023年业绩走势")
plt.xlabel("月份") # x轴标注
plt.ylabel("营业额（元）") # y轴标注
plt.grid(True) # 打格子线
plt.show() # 跟掀门帘似的展示四、实战案例：给烧烤摊老板支招
场景：老王头愁得直嘬牙花子："天天忙得脚打后脑勺，咋就赚不着钱呢？"
咱用数据给他整明白：
1.
找出赔钱货
# 算每个菜的利润率（假设有成本价列）
data['利润'] = data['金额'] - data['成本价']
loser_dishes = data.groupby('菜品')['利润'].mean().sort_values()
print("拖后腿菜品TOP3：\n", loser_dishes.head(3))2.
黄金时段分析
# 把时间拆成小时段
data['小时'] = pd.to_datetime(data['时间']).dt.hour
peak_hours = data.groupby('小时')['金额'].sum().idxmax()
print("最佳吆喝时段：晚上{}点".format(peak_hours))3.
套餐搭配建议
# 找常一起点的菜品组合
combo = data.groupby(['订单号','菜品'])['菜品'].count().unstack().fillna(0)
from mlxtend.frequent_patterns import apriori
frequent_itemsets = apriori(combo, min_support=0.1, use_colnames=True)
print("推荐套餐：\n", frequent_itemsets.sort_values('support', ascending=False))五、数据整容高级操作
1.
处理奇葩数据（跟收拾熊孩子似的）
# 手机号写成"123-4567"的
data['联系电话'] = data['联系电话'].str.replace('-','')
# 把"一百五"转换成150
data.loc[data['金额']=='一百五', '金额'] = 1502.
时间序列分析
# 转换成正经时间格式
data['日期'] = pd.to_datetime(data['日期'], format='%Y年%m月%d日')
# 算每周环比增长
weekly = data.resample('W', on='日期')['金额'].sum().pct_change()3.
导出漂亮报表
with pd.ExcelWriter('分析报告.xlsx') as writer:
data.to_excel(writer, sheet_name='原始数据')
summary_table.to_excel(writer, sheet_name='汇总统计')六、避坑指南（血泪教训）
1.
数字当字符串：
# 错误示范
total = "100" + "200" # 会得到"100200"
# 正确姿势
total = int("100") + int("200")2.
忘记重置索引：
filtered_data = data[data['金额']>100]
# 直接取第5行会出错！
print(filtered_data.iloc[5])
# 应该先重置
filtered_data.reset_index(drop=True, inplace=True)3.
内存爆炸（处理大文件时）：
# 一次读1万行
chunksize = 10000
for chunk in pd.read_csv('超大数据.csv', chunksize=chunksize):
process(chunk) # 分批处理七、数据分析师的自我修养
1.
多问为什么：
•为啥周二卖得差？是不是因为隔壁澡堂子周二半价？•外卖订单突然上涨，是美团给补贴了还是天气不好？
2.
学会讲故事：
把折线图说成"业绩过山车"
把饼图说成"各菜品分猪肉"
3.
备好常用话术：
•"这个异常值需要进一步排查"（翻译：这数咋差这么多？）•"建议做AB测试"（翻译：咱拿两个方案试试哪个好使）
（敲黑板总结）老铁们记住喽！数据分析就跟腌酸菜似的：
1.得选好缸（工具用Python）2.一层层码踏实（数据清洗）3.压上石头等发酵（耐心分析）4.最后捞出来那叫一个香（出洞见）
赶紧整两行代码试试！下回遇见老板甩过来个Excel，你就拍胸脯子："整这玩意儿，不比嗑毛嗑儿难！" 保准让同事看得直竖大拇哥："哎呀妈呀，这老妹儿/大兄弟有两把刷子！"
