Inntektsberegninger og funksjonsutvikling

Den mest grunnleggende beregningen i et salgsdatasett er inntekt per ordrelinje: produktet av antall og enhetspris for hver rad. Opprett kolonnen med en vektorisert multiplikasjon, slik at NumPy behandler alle rader samtidig uten en Python-løkke. Denne kolonnen danner grunnlaget for alle aggregeringer i analysen.

Gruppering etter kalenderperioder er avgjørende for trendanalyse. Bruk .dt-tilgangen på en datetime-kolonne for å hente ut år, måned og kvartal. Når disse lagres som separate heltallskolonner, blir groupby-operasjoner raskere, og De kan filtrere etter periode uten å tolke strenger på nytt hver gang.

Forretningsregler definerer ofte et rabattflagg: Ordrer der totalbeløpet overstiger en terskel, får rabatt. Bruk np.where eller en boolsk sammenligning for å opprette denne binære kolonnen effektivt. Et rabattflagg gjør det mulig for analytikere å sammenligne inntektsfordelingen for rabatterte ordrer og ordrer til full pris i ett enkelt groupby-kall.

Hvis datasettet inneholder en cost_price-kolonne, kan De beregne fortjenestemarginen som (unit_price - cost_price) / unit_price. Bruk clip(lower=0) for å begrense eventuelle negative marginer som skyldes datafeil, før videre analyse. Marginkolonner muliggjør groupby-aggregeringer med fokus på fortjeneste i tillegg til inntekt.

Antallet dager mellom en kundes første ordre og den gjeldende ordren er en nyttig funksjon for kundelojalitetstid. Beregn den ved å gruppere etter customer_id, bruke den tidligste datoen som kohortdato og trekke denne fra datoen i hver rad. Timedelta-aritmetikk returnerer en kolonne med verdier av typen timedelta64, som De konverterer til hele dager med .dt.days.

Del revenue-kolonnen inn i merkede størrelsesgrupper med pd.cut() for å opprette en ordinal funksjon til segmentering. Oppgi eksplisitte bins og labels som samsvarer med virksomhetens definisjoner av små, mellomstore og store ordrer. Den resulterende kolonnen er en Pandas Categorical, som grupperes effektivt.

Sorter DataFrame-en etter order_date og bruk cumsum() på inntektskolonnen for å følge hvordan totalinntekten samlet seg opp gjennom året. Denne kumulative serien gjør det enkelt å se om inntekten vokser lineært, akselererer eller flater ut, og danner grunnlaget for et fossefallsdiagram eller et kumulativt linjediagram.

Egenskapen dt.day_of_week returnerer 0 (mandag) til 6 (søndag). Marker lørdag (5) og søndag (6) som helgeordrer for å undersøke om kjøpsatferden i helgen skiller seg fra atferden på hverdager. Dette er en vanlig funksjon i utforskende dataanalyse av detaljhandel og i A/B-testanalyse.

Finn de viktigste kundene ved å beregne total inntekt per customer_id med groupby().sum() og deretter rangere med .rank(ascending=False, method='dense'). Når De legger rangeringen tilbake i hoved-DataFrame-en med map(), kan De filtrere til de N viktigste kundene med én enkelt boolsk betingelse.

Normaliser inntektskolonnen til en Z-skår, slik at De kan sammenligne ordrestørrelser på tvers av ulike produktkategorier med svært forskjellige prisnivåer. Bruk (df['revenue'] - df['revenue'].mean()) / df['revenue'].std(). Z-skårer over 3 eller under -3 er statistiske avvik som bør undersøkes før modellering.

Etter at De har lagt til beregnede kolonner, bør De lagre den utvidede DataFrame-en, slik at alle påfølgende notatbøker starter fra samme konsistente tilstand. Bruk to_parquet() for å bevare datatyper, særlig Categorical-kolonnen order_size og datetime-kolonnen order_date. Dokumenter de nye kolonnene i en kort kommentarseksjon øverst i skriptet.

I denne leksjonen lærte De å: beregne kolonner for inntekt og fortjenestemargin, hente ut tidsfunksjoner med .dt-tilgangen og utvikle funksjoner som rabattflagg, ordrestørrelsesgrupper og kunderangeringer. Deretter skal vi utforske groupby-analyse etter region og kategori.