1. 模拟某商场2020年12个月的服装、化妆品、日用品的销售量，建立名为sales的数据库对象。要求： （1） 销售数据使用随机数生成（每种商品的销量都不超过50），使用时间序列对象作为数据库的行索引。 （2） 查询6月份‘化妆品’的销售量。 （3） 查询5月份和10月份的销售记录。 （4） 查询‘服装’销量为20~35的销售记录。 （5） 查询‘服装’和‘化妆品’销量都超过30的销售记录。 （6） 按‘日用品’销量的降序排序（返回新的数据框对象）。 （7） 统计2020年各商品的销售总量。 （8） 统计每个月的销售总量。 （9） 绘制折线图，展示12个月的服装销量情况。 （10） 绘制柱状图，展示12个月的商品销售量情况。 （11） 绘制箱线图，展示各月销量的分布情况。 （12） 绘制饼图，展示各商品总销售量的占比情况。

好的，下面是Python代码实现：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
np.random.seed(2022)
sales = pd.DataFrame({
    '服装': np.random.randint(50, size=12),
    '化妆品': np.random.randint(50, size=12),
    '日用品': np.random.randint(50, size=12)
}, index=pd.date_range('2020-01-01', periods=12, freq='M'))

# 查询6月份‘化妆品’的销售量
print(sales.loc['2020-06-30', '化妆品'])

# 查询5月份和10月份的销售记录
print(sales.loc[['2020-05-31', '2020-10-31']])

# 查询‘服装’销量为20~35的销售记录
print(sales[(sales['服装'] >= 20) & (sales['服装'] <= 35)])

# 查询‘服装’和‘化妆品’销量都超过30的销售记录
print(sales[(sales['服装'] > 30) & (sales['化妆品'] > 30)])

# 按‘日用品’销量的降序排序（返回新的数据框对象）
sorted_sales = sales.sort_values('日用品', ascending=False)
print(sorted_sales)

# 统计2020年各商品的销售总量
print(sales.sum())

# 统计每个月的销售总量
print(sales.sum(axis=1))

# 绘制折线图，展示12个月的服装销量情况
sales['服装'].plot(kind='line', x='Month', y='Sales', title='服装销量')

# 绘制柱状图，展示12个月的商品销售量情况
sales.plot(kind='bar', title='商品销售量')

# 绘制箱线图，展示各月销量的分布情况
sales.plot(kind='box', title='销量分布情况')

# 绘制饼图，展示各商品总销售量的占比情况
sales.sum().plot(kind='pie', title='商品销售量占比')

需要注意的是，上述代码中的图表绘制部分需要在jupyter notebook或类似环境中运行，才能正确显示图表。