sql写个客户数据分析代码

SELECT 客户.客户ID, 客户.客户名称, 客户.客户地址, SUM(订单.订单数量) AS 订单总数 FROM 客户 INNER JOIN 订单 ON 客户.客户ID = 订单.客户ID GROUP BY 客户.客户ID, 客户.客户名称, 客户.客户地址;

相关问题

金融行业客户数据分析sql代码

我可以回答这个问题。金融行业客户数据分析的 SQL 代码可以根据具体的数据和需求来编写，例如可以使用 SELECT、FROM、WHERE、GROUP BY、HAVING、ORDER BY 等关键字和函数来查询和分析数据。具体的代码需要根据具体情况来编写。

电影租赁sql数据进行数据挖掘代码

首先，我们需要准备一个包含电影租赁信息的 SQL 数据库。下面是一个简单的示例：

CREATE TABLE customers (
    id INT PRIMARY KEY,
    name VARCHAR(255),
    email VARCHAR(255)
);

CREATE TABLE movies (
    id INT PRIMARY KEY,
    title VARCHAR(255),
    year INT,
    genre VARCHAR(255)
);

CREATE TABLE rentals (
    id INT PRIMARY KEY,
    customer_id INT,
    movie_id INT,
    rented_on DATE,
    returned_on DATE,
    rental_fee DECIMAL(5, 2),
    late_fee DECIMAL(5, 2)
);

这个数据库包含三个表格：`customers`、`movies`和`rentals`。`customers`表格包含客户信息，`movies`表格包含电影信息，`rentals`表格包含租赁信息。

接下来，我们可以使用以下 Python 代码连接数据库并进行数据挖掘：

import mysql.connector
import pandas as pd
import matplotlib.pyplot as plt

# 连接数据库
cnx = mysql.connector.connect(user='username', password='password',
                              host='localhost',
                              database='rental')

# 从数据库中读取数据
customers_df = pd.read_sql('SELECT * FROM customers', con=cnx)
movies_df = pd.read_sql('SELECT * FROM movies', con=cnx)
rentals_df = pd.read_sql('SELECT * FROM rentals', con=cnx)

# 分析数据
# 统计每个电影的租借次数
movie_rental_counts = rentals_df.groupby('movie_id')['id'].count()
movie_rental_counts = movie_rental_counts.reset_index()
movie_rental_counts.columns = ['movie_id', 'rental_count']
movie_rental_counts = pd.merge(movie_rental_counts, movies_df, on='movie_id')
movie_rental_counts = movie_rental_counts.sort_values(by='rental_count', ascending=False)

# 统计每个客户的租借次数
customer_rental_counts = rentals_df.groupby('customer_id')['id'].count()
customer_rental_counts = customer_rental_counts.reset_index()
customer_rental_counts.columns = ['customer_id', 'rental_count']
customer_rental_counts = pd.merge(customer_rental_counts, customers_df, on='customer_id')
customer_rental_counts = customer_rental_counts.sort_values(by='rental_count', ascending=False)

# 统计每个电影的平均租借费用和逾期费用
movie_rental_fees = rentals_df.groupby('movie_id')['rental_fee', 'late_fee'].mean()
movie_rental_fees = movie_rental_fees.reset_index()
movie_rental_fees.columns = ['movie_id', 'avg_rental_fee', 'avg_late_fee']
movie_rental_fees = pd.merge(movie_rental_fees, movies_df, on='movie_id')

# 可视化数据
# 绘制电影租借次数排名前10的电影柱状图
fig, ax = plt.subplots()
movie_rental_counts.head(10).plot(kind='bar', x='title', y='rental_count', ax=ax)
ax.set_title('Top 10 Movies by Rental Count')
ax.set_xlabel('Movie Title')
ax.set_ylabel('Rental Count')
plt.show()

# 绘制客户租借次数排名前10的客户柱状图
fig, ax = plt.subplots()
customer_rental_counts.head(10).plot(kind='bar', x='name', y='rental_count', ax=ax)
ax.set_title('Top 10 Customers by Rental Count')
ax.set_xlabel('Customer Name')
ax.set_ylabel('Rental Count')
plt.show()

# 绘制不同电影的平均租借费用和逾期费用散点图
fig, ax = plt.subplots()
movie_rental_fees.plot(kind='scatter', x='avg_rental_fee', y='avg_late_fee', ax=ax)
ax.set_title('Rental Fees by Movie')
ax.set_xlabel('Average Rental Fee')
ax.set_ylabel('Average Late Fee')
plt.show()

# 关闭数据库连接
cnx.close()

这个代码使用了 Pandas 和 Matplotlib 库来进行数据挖掘和可视化。我们首先连接数据库，然后从数据库中读取客户、电影和租赁信息。接下来，我们对数据进行了一些分析，比如统计每个电影和客户的租借次数，以及每个电影的平均租借费用和逾期费用。最后，我们使用 Matplotlib 库绘制了柱状图和散点图来展示数据。