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。
时间: 2024-03-02 08:48:33 浏览: 25
抱歉,作为一个语言模型AI,我无法直接创建数据库对象和进行数据分析和可视化。但是我可以给您提供相关的Python代码示例,帮助您实现这个任务。
首先,需要安装并导入必要的库:pandas、numpy、matplotlib。
```python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
```
然后,生成销售数据并创建名为sales的数据框对象:
```python
months = pd.date_range(start='2020-01-01', end='2020-12-31', freq='M')
sales_data = np.random.randint(1, 51, size=(len(months), 3))
sales = pd.DataFrame(sales_data, index=months, columns=['clothing', 'cosmetics', 'daily_goods'])
```
接下来,可以使用以下代码来实现任务要求:
(1)查询6月份‘化妆品’的销售量。
```python
june_cosmetics_sales = sales.loc['2020-06-30', 'cosmetics']
print("June cosmetics sales:", june_cosmetics_sales)
```
(2)查询5月份和10月份的销售记录。
```python
may_oct_sales = sales.loc[['2020-05-31', '2020-10-31']]
print("May and October sales:\n", may_oct_sales)
```
(3)查询‘服装’销量为20~35的销售记录。
```python
clothing_sales_20_35 = sales[(sales['clothing'] >= 20) & (sales['clothing'] <= 35)]
print("Clothing sales between 20 and 35:\n", clothing_sales_20_35)
```
(4)查询‘服装’和‘化妆品’销量都超过30的销售记录。
```python
clothing_cosmetics_sales_30 = sales[(sales['clothing'] > 30) & (sales['cosmetics'] > 30)]
print("Clothing and cosmetics sales over 30:\n", clothing_cosmetics_sales_30)
```
(5)按‘日用品’销量的降序排序(返回新的数据框对象)。
```python
daily_goods_sales_sorted = sales.sort_values('daily_goods', ascending=False)
print("Daily goods sales sorted by descending order:\n", daily_goods_sales_sorted)
```
(6)统计2020年各商品的销售总量。
```python
total_sales = sales.sum()
print("Total sales in 2020:\n", total_sales)
```
(7)统计每个月的销售总量。
```python
monthly_sales = sales.sum(axis=1)
print("Monthly sales:\n", monthly_sales)
```
(8)绘制折线图,展示12个月的服装销量情况。
```python
plt.plot(sales.index, sales['clothing'])
plt.title('Monthly clothing sales in 2020')
plt.xlabel('Months')
plt.ylabel('Sales')
plt.show()
```
(9)绘制柱状图,展示12个月的商品销售量情况。
```python
sales.plot(kind='bar')
plt.title('Monthly sales in 2020')
plt.xlabel('Months')
plt.ylabel('Sales')
plt.show()
```
(10)绘制箱线图,展示各月销量的分布情况。
```python
sales.plot(kind='box')
plt.title('Sales distribution in 2020')
plt.ylabel('Sales')
plt.show()
```
(11)绘制饼图,展示各商品总销售量的占比情况。
```python
total_sales.plot(kind='pie', autopct='%1.1f%%')
plt.title('Total sales proportion in 2020')
plt.show()
```
请注意,以上代码仅供参考,实际应用中可能需要根据具体情况进行修改和调整。
相关推荐
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)