EC系の販売データを分析する際に使う処理

販売データは以下のcsvを想定

userid	order_id	purchase_date	shipment_date	product_name	amount
1	1	2021-01-01 00:00:00	2021-01-03 00:00:00	A	100
2	2	2021-01-01 00:00:00	2021-01-03 00:00:00	A	100
3	3	2021-01-01 00:00:00	2021-01-03 00:00:00	B	200
1	4	2021-02-01 00:00:00	2021-02-03 00:00:00	B	200
2	5	2021-02-01 00:00:00	2021-02-03 00:00:00	A	100
3	6	2021-02-01 00:00:00	2021-02-03 00:00:00	B	200

csv読み込み

import pandas as pd
import numpy as np

df = pd.read_csv('sales.csv', header=0)
# xlsx形式の場合は以下
# df = pd.read_excel('sales.xlsx')

欠損値補完

[userid]が欠損していたら'guest'で補完

df['userid'] = df['userid'].fillna('guest')

欠損レコードの削除

[sihpment_date]が欠損しているレコードを削除
inplace=Trueで元のdfを変更

df.dropna(subset=['shipment_date'], inplace=True)

ソート

[userid]昇順, かつ, [purchase_date]昇順

df = df.sort_values(['userid', 'purchase_date'], ascending=[True, True])

               index  userid  order_id purchase_date shipment_date  ...省略...
purchase_date                                                        
2021-01-01         0       1         1    2021-01-01    2021-01-03   
2021-02-01         3       1         4    2021-02-01    2021-02-03   
2021-01-01         1       2         2    2021-01-01    2021-01-03   
2021-02-01         4       2         5    2021-02-01    2021-02-03   
2021-01-01         2       3         3    2021-01-01    2021-01-03   
2021-02-01         5       3         6    2021-02-01    2021-02-03

キャスト

# Seriesをdatetimeにキャスト(以下の例だとdatetime64型(ns)にキャスト)
df['purchase_date'] = pd.to_datetime(df['purchase_date'])
df['shipment_date'] = pd.to_datetime(df['shipment_date'])

# useridをintにキャスト(astypeメソッドで'int'を指定するとint32にキャスト)
# 今回の例では[userid]は既にint64型だが、
df['userid'] = df['userid'].astype('int')

Series内各要素の置換

[product_name]の半角スペースを削除

df['product_name'] = df['product_name'].str.replace(' ', '')

会員購入と非会員購入(ゲスト購入)の分別(dfを分ける)

df_guest = df.query('userid == "guest"')
df = df.query('userid != "guest"')

[userid]毎の購入回数[cumcount]カラムを追加

df['cumcount'] = df.groupby('userid').cumcount() + 1

indexつけ直し

df = df.reset_index()
df_guest = df_guest.reset_index()

indexを購入日にする

indexを購入日にすると[yyyy-mm-dd:yyyy-mm-dd]形式でスライスできるので便利

df.set_index('purchase_date', drop=False, inplace=True)
print(df[2021-01-01:2021-01-31]

               index  userid  order_id purchase_date shipment_date  ...省略...
purchase_date                                                        
2021-01-01         0       1         1    2021-01-01    2021-01-03   
2021-01-01         1       2         2    2021-01-01    2021-01-03   
2021-01-01         2       3         3    2021-01-01    2021-01-03