Adventure Works Cycles是AdventureWorks样本数据库所虚构的公司，这是一家大型跨国制造公司。本次分析数据库使用datafrog提供的线上数据库，模拟真实业务场景。

公司背景

Adventure Works Cycle是国内一家制造公司，该公司生产和销售金属和复合材料自行车在全国各个市场。销售方式主要有两种，前期主要是分销商模式，但是2018年公司实现财政收入目标后，2019就开始通过公司自有网站获取线上商户进一步扩大市场。

项目背景

2019年12月5日，线上业务经理需要向公司CEO汇报2019年11月自行车销售情况，所以数据部门要提供11月份线上自行业务数据分析报告。

分析目的与思路

此报告目的在于汇报2019年11月综合销售情况，因此主要从如下5个角度展开分析。
1.整体销售表现：分析2019.1—2019.11自行车整体销售表现
2.地域的角度：分析11月每个区域销售量表现、11月TOP10城市销售量表现
3.产品类别的角度：分析11月各类别产品销售量表现、11月细分产品销售量表现
4.热销产品角度：分析11月TOP10产品销量榜、11月TOP10销量增速榜
5.用户行为分析：分析11月用户年龄分布及每个年龄段产品购买喜好、11月男女用户数量分布及男女消费偏好

此次分析分2个步骤：数据预处理（python）+可视化（powerbi），本文主要描述数据预处理的步骤，可视化报告后续进行更新

导入模块

#导入模块
import pandas as pd
import numpy as np
import pymysql
pymysql.install_as_MySQLdb()
from sqlalchemy import create_engine
from datetime import datetime #使用datetime库
pd.set_option('display.float_format', lambda x: '%.6f' % x)#不显示科学计数法，将显示方法变为数字

一、整体销售表现

1.1、从数据库读取源数据：dw_customer_order

#读取源数据。不同城市，每天产品销售信息
#创建数据库引擎
engine = create_engine('mysql://frogdata001:密码保密@106.13.128.83/adventure_ods?charset=gbk')
sql='select * from dw_customer_order'
gather_customer_order=pd.read_sql_query(sql,con = engine)

#查看源数据前5行，观察数据，判断数据是否正常识别
gather_customer_order.head()

image.png

gather_customer_order.info()#查看数据源类型

image.png

增加create_year_month月份字段。按月维度分析时使用

gather_customer_order['create_year_month']=gather_customer_order.create_date.apply(lambda x:x.strftime('%Y-%m'))

筛选产品类别为自行车的数据

gather_customer_order = gather_customer_order[gather_customer_order['cplb_zw']=='自行车']
gather_customer_order

image.png

1.2 自行车整体销售量表现

每月订单数量和销售金额

overall_sales_performance = gather_customer_order.groupby('create_year_month').agg({'order_num':'sum','sum_amount':'sum'}).reset_index()
#每月订单数量和销售金额

overall_sales_performance.head()
#按日期降序排序，方便计算环比

image.png

overall_sales_performance=overall_sales_performance.sort_values('create_year_month',ascending=True)
#销量环比
overall_sales_performance['order_num_diff']=(overall_sales_performance.order_num.diff().fillna(0)/overall_sales_performance.order_num.shift()).fillna(0)
#销售金额环比
overall_sales_performance['sum_amount_diff']=(overall_sales_performance.sum_amount.diff()/overall_sales_performance.sum_amount.shift()).fillna(0)
overall_sales_performance

image.png

字段注释：
create_year_month：时间，order_num：本月累计销售数量，sum_amount：本月累计销售金额，order_diff：本月销售数量环比，sum_amount_diff：本月销售金额环比，dw_customer_order:用户订单表
表名：pt_overall_sale_performance_1_sam

#将数据存入数据库
engine = create_engine('mysql://frogdata05:密码保密@106.15.121.232:3306/datafrog05_adventure?charset=gbk')
overall_sales_performance.to_sql('pt_overall_sale_performance_1_sam',con=engine,index=False,if_exists='append')

二、2019年11月自行车地域销售表现

2.1、数据清洗筛选10月11月数据

#gather_customer_order在分析自行车整体表现时已从数据库导入表（dw_customer_order），并筛选仅自行车数据，这里不再导入
gather_customer_order.head()

10月11月自行车销售记录

10月11月自行车销售记录

上面是一张表，太长了，分2段截图。

筛选10月11月自行车数据

#筛选10月11月自行车数据
gather_customer_order_10_11 = gather_customer_order[gather_customer_order['create_year_month'].isin(['2019-10','2019-11'])]

len(gather_customer_order_10_11)#10月11月自行车订单数据共6266条

2.2、2019年11月自行车区域销售量表现

由于需要求环比，因此也需要关注10月的销售情况。
10月、11月销售金额总和

#按照区域、月分组,订单量求和，销售金额求和
gather_customer_order_10_11_group = gather_customer_order_10_11.groupby(['chinese_territory','create_year_month'])[['order_num','sum_amount']].sum().reset_index()
gather_customer_order_10_11_group.head()

区域销售金额综合

#将区域存为列表
region_list=list(gather_customer_order_10_11.chinese_territory.unique())
region_list

#pct_change()当前元素与先前元素的相差百分比,求不同区域10月11月环比
order_x=pd.Series([])
amount_x=pd.Series([])
for i in region_list:
    a=gather_customer_order_10_11_group[gather_customer_order_10_11_group['chinese_territory']==i].order_num.pct_change()
    b=gather_customer_order_10_11_group[gather_customer_order_10_11_group['chinese_territory']==i].sum_amount.pct_change()
    order_x=order_x.append(a).sort_index().fillna(0)
    amount_x=amount_x.append(b).sort_index().fillna(0)
gather_customer_order_10_11_group['order_diff']=order_x
gather_customer_order_10_11_group['amount_diff']=amount_x
#10月11月各个区域自行车销售数量、销售金额环比
gather_customer_order_10_11_group.head()

10月11月各个区域自行车销售数量、销售金额环比

#将数据存入数据库，表名:pt_bicy_november_territory_2_sam
engine = create_engine('mysql://frogdata05:密码保密@106.15.121.232:3306/datafrog05_adventure?charset=gbk')
gather_customer_order_10_11_group.to_sql('pt_bicy_november_territory_2_sam',con=engine,index=False,if_exists='replace')

2.3、2019年11月自行车销售量TOP10城市环比

（1）筛选11月自行车交易数据

#筛选11月自行车交易数据
gather_customer_order_11 = gather_customer_order[gather_customer_order['create_year_month']=='2019-11']

（2）查看销量前十的城市销售数量

gather_customer_order_city_11 = gather_customer_order_11.groupby('chinese_city')['order_num'].sum().reset_index()
# 11月自行车销售数量前十城市
gather_customer_order_city_head = gather_customer_order_city_11.sort_values(by=['order_num'],ascending=False).head(10)
#查看11月自行车销售数量前十城市
gather_customer_order_city_head

image.png

#11月销售前十城市,全部自行车销售数据
a=pd.merge(gather_customer_order_city_head['chinese_city'],gather_customer_order,on='chinese_city',how='left')
#筛选销售前十城市，10月11月自行车销售数据
gather_customer_order_10_11_head =a[a['create_year_month'].isin(['2019-10','2019-11'])]

#分组计算前十城市，自行车销售数量销售金额
gather_customer_order_city_10_11 = gather_customer_order.groupby(['chinese_city','create_year_month']).sum().reset_index()[(gather_customer_order.groupby(['chinese_city','create_year_month']).sum().reset_index().chinese_city.isin(gather_customer_order_city_head.chinese_city)) & (gather_customer_order.groupby(['chinese_city','create_year_month']).sum().reset_index().create_year_month.isin(['2019-10','2019-11']))].drop(labels=['customer_num'],axis=1).reset_index(drop=True)
gather_customer_order_city_10_11

10月11月销量top10城市销售数量和销售金额

#计算前十城市环比
city_top_list = list(gather_customer_order_city_10_11.drop_duplicates(['chinese_city']).chinese_city)
order_top_x = pd.Series([])
amount_top_x = pd.Series([])
for i in city_top_list:
    #print(i)
    a=gather_customer_order_city_10_11[gather_customer_order_city_10_11.chinese_city==i].order_num.pct_change()
    b=gather_customer_order_city_10_11[gather_customer_order_city_10_11.chinese_city==i].sum_amount.pct_change()
    order_top_x=order_top_x.append(a).fillna(0)
    amount_top_x = amount_top_x.append(b).fillna(0)
#order_diff销售数量环比，amount_diff销售金额环比
gather_customer_order_city_10_11['order_diff']=order_top_x
gather_customer_order_city_10_11['amount_diff']=amount_top_x
gather_customer_order_city_10_11

10月11月top10城市销售数量和销售金额环比

表名：pt_bicy_november_october_city_3_sam

#存入数据库
engine = create_engine('mysql://frogdata05:保密@106.15.121.232/datafrog05_adventure?charset=gbk')
gather_customer_order_city_10_11.to_sql('pt_bicy_november_october_city_3_sam',con=engine,index=False,if_exists='replace')

三、2019年11月自行车各类别产品销售表现

3.1、细分市场销量表现

#求每个月自行车累计销售数量
gather_customer_order_group_month = gather_customer_order.groupby('create_year_month').agg({'order_num':'sum'}).reset_index()
#合并自行车销售信息表+自行车每月累计销售数量表，pd.merge
order_num_proportion = pd.merge(gather_customer_order,gather_customer_order_group_month,how='left',on='create_year_month')
#计算自行车销量/自行车每月销量占比
order_num_proportion['order_proportion'] = order_num_proportion['order_num_x']/order_num_proportion['order_num_y']
#重命名sum_month_order：自行车每月销售量
order_num_proportion = order_num_proportion.rename(columns={'order_num_y':'sum_month_order'})

将每月自行车销售信息存入数据库
表名:pt_bicycle_product_sales_month_4_sam

字段注释
create_date:时间, product_name：产品名, cpzl_zw：产品类别, cplb_zw：产品大类, order_num_x：产品当天销售数量,customer_num：当天用户购买人数,
sum_amount：产品当天销售金额, chinese_province:省份, chinese_city：城市, chinese_territory：区域,create_year_month：月份, sum_month_order：本月累计销量, order_proportion：产品销量占比

#将每月自行车销售信息存入数据库
engine = create_engine('mysql://frogdata05:保密@106.15.121.232/datafrog05_adventure?charset=gbk')
order_num_proportion.to_sql('pt_bicycle_product_sales_month_4_sam',con=engine,index=False,if_exists='replace')

3.2公路/山地/旅游自行车细分市场表现

(1)公路自行车细分市场销量表现

求每月公路自行车中各个型号自行车销售数量与公路自行车总销量，为后续求各个型号的比率做铺垫

gather_customer_order_road = gather_customer_order[gather_customer_order['cpzl_zw'] == '公路自行车']
#1.求公路自行车不同型号产品销售数量
gather_customer_order_road_month =gather_customer_order_road.groupby(by = ['create_year_month','product_name']).sum().order_num.reset_index()
gather_customer_order_road_month['cpzl_zw'] = '公路自行车'

#2.每个月公路自行车累计销售数量
gather_customer_order_road_month_sum = gather_customer_order_road_month.groupby('create_year_month').agg({'order_num':'sum'}).reset_index()
#3.合并公路自行车gather_customer_order_road_month与每月累计销售数量
#用于计算不同型号产品的占比
gather_customer_order_road_month = pd.merge(gather_customer_order_road_month,gather_customer_order_road_month_sum,on='create_year_month',how='outer')
gather_customer_order_road_month.head()

公路自行车不同型号单品销量和每月累积销量

(2)山地自行车细分市场销量表现
与公路自行车处理方式一致

# 筛选
gather_customer_order_Mountain = gather_customer_order[gather_customer_order['cpzl_zw'] == '山地自行车']
#求山地自行车不同型号产品销售数量
gather_customer_order_Mountain_month = gather_customer_order_Mountain.groupby(['create_year_month','product_name']).agg({'order_num':'sum'}).reset_index()
gather_customer_order_Mountain_month['cpzl_zw'] = '山地自行车'
#每个月公路自行车累计销售数量
gather_customer_order_Mountain_month_sum = gather_customer_order_Mountain_month.groupby('create_year_month').sum().reset_index()
gather_customer_order_road_month_sum.head()
#合并山地自行车hz_customer_order_Mountain_month与每月累计销售数量
#用于计算不同型号产品的占比
gather_customer_order_Mountain_month = pd.merge(gather_customer_order_Mountain_month,gather_customer_order_Mountain_month_sum,on='create_year_month')
gather_customer_order_Mountain_month.head()

山地自行车不同型号单品销量和每月累积销量

gather_customer_order_tour = gather_customer_order[gather_customer_order['cpzl_zw'] == '旅游自行车']
#求旅游自行车不同型号产品销售数量
gather_customer_order_tour_month = gather_customer_order_tour.groupby(['create_year_month','product_name']).agg({'order_num':'sum'}).reset_index()
gather_customer_order_tour_month['cpzl_zw'] = '旅游自行车'
gather_customer_order_tour_month_sum = gather_customer_order_tour_month.groupby('create_year_month').sum().reset_index()
gather_customer_order_tour_month = pd.merge(gather_customer_order_tour_month,gather_customer_order_tour_month_sum,on='create_year_month')

(4)将山地自行车、旅游自行车、公路自行车每月销量信息合并

#将山地自行车、旅游自行车、公路自行车每月销量信息合并
gather_customer_order_month = pd.concat([gather_customer_order_road_month,gather_customer_order_Mountain_month,gather_customer_order_tour_month],axis=0)

(5)总销售量比率
求出每种一级子类自行车（公路、山地、旅行）中，各品类的各月的销量占比

#各类自行车，销售量占每月自行车总销售量比率
gather_customer_order_month['order_num_proportio'] =gather_customer_order_month['order_num_x']/gather_customer_order_month['order_num_y']
gather_customer_order_month.head()
#改名
#order_month_product当月产品累计销量
#sum_order_month当月自行车总销量
gather_customer_order_month.rename(columns={'order_num_x':'order_month_product','order_num_y':'sum_order_month'},inplace=True)

三种自行车子类销量比例前10行

字段注释：
create_year_month：时间，product_name：产品名，order_month_product：本月产品累计销量，sum_order_month：当月自行车总销量，order_num_proportio：本月产品销量占比

#将数据存入数据库

engine = create_engine('mysql://frogdata05:secret@106.15.121.232:3306/datafrog05_adventure?charset=gbk')
gather_customer_order_month.to_sql('pt_bicycle_product_sales_order_month_4_sam',con=engine,index=False,if_exists='replace')

3.3、公路/山地/旅游自行车2019年11月销量环比

#计算11月环比，先筛选10月11月数据
gather_customer_order_month_10_11 = gather_customer_order_month[gather_customer_order_month.create_year_month.isin(['2019-10','2019-11'])]
#排序。将10月11月自行车销售信息排序
gather_customer_order_month_10_11 = gather_customer_order_month_10_11.sort_values(by = ['product_name','create_year_month']).reset_index(drop=True)
product_name  = list(gather_customer_order_month_10_11.product_name.drop_duplicates())
#计算自行车销售数量环比
order_num_diff=pd.Series([])
for i in product_name:
    a=gather_customer_order_month_10_11[gather_customer_order_month_10_11['product_name']==i].order_month_product.pct_change()
    order_num_diff=order_num_diff.append(a).fillna(0)
gather_customer_order_month_10_11['order_num_diff'] = order_num_diff
#筛选出11月自行车数据
gather_customer_order_month_11 = gather_customer_order_month_10_11[gather_customer_order_month_10_11['create_year_month'] == '2019-11']
gather_customer_order_month_11.head(10)

11月各品类产品销量占比、环比

3.4、2019年1月至11月产品累计销量

month_1_11=list(gather_customer_order_month.create_year_month.drop_duplicates()[:11])
gather_customer_order_month_1_11 = gather_customer_order_month[gather_customer_order_month.create_year_month.isin(month_1_11)]
#计算2019年1月至11月自行车累计销量
gather_customer_order_month_1_11_sum = gather_customer_order_month_1_11.groupby(by = 'product_name').order_month_product.sum().reset_index()
#重命名sum_order_1_11：1-11月产品累计销量
gather_customer_order_month_1_11_sum = gather_customer_order_month_1_11_sum.rename(columns = {'order_month_product':'sum_order_1_11'})

1-11月累计销量

3.5 2019年11月自行车产品销量、环比、累计销量(结合3.2-3.4)

累计销量在gather_customer_order_month_1_11_sum中已计算好，11月自行车环比、及产品销量占比在gather_customer_order_month_11已计算好，把2张表merge一下

#按相同字段product_name产品名，合并两张表
gather_customer_order_month_11 = pd.merge(gather_customer_order_month_11,gather_customer_order_month_1_11_sum,on='product_name')
#观察表数据
gather_customer_order_month_11.head()

2019年11月自行车产品销量、环比、1-11累计销量

存入数据库
表名:pt_bicycle_product_sales_order_month_11_sam

字段注释：
create_year_month：时间；product_name：产品，order_month_product：产品本月累计销量，cpzl_zw：产品类别，sum_order_month：当月自行车总销量，order_num_proportio：产品本月占比，order_num_diff：产品本月环比，sum_order_1_11：1-11月产品累计销量

#存入数据库
engine = create_engine('mysql://frogdata05:Frogdata!1321@106.15.121.232:3306/datafrog05_adventure?charset=gbk')
gather_customer_order_month_11.to_sql('pt_bicycle_product_sales_order_month_11_sam',index=False,con=engine,if_exists='replace')

四、2019年11月热品销售分析

4.1、11月产品销量TOP10产品，销量及环比

2019年11月自行车产品销售表现”时已计算出11月所有产品的销量及环比，这里不在重复计算，直接使用gather_customer_order_month_10_11、gather_customer_order_month_11
取top10产品

#计算产品销售数量,\ 为换行符
#按照销量降序，取TOP10产品

customer_order_11_top10 = gather_customer_order_11.groupby(by = 'product_name').\
order_num.count().reset_index().sort_values(by = 'order_num',ascending = False).head(10)

计算TOP10销量及环比
只需要五个字段：create_year_month月份，product_name产品名，order_month_product本月销量，cpzl_zw产品类别，order_num_diff本月产品销量环比

customer_order_month_10_11 = gather_customer_order_month_10_11[['create_year_month','product_name','order_month_product','cpzl_zw','order_num_diff']]
#找出top10商品
customer_order_month_10_11 = customer_order_month_10_11[customer_order_month_10_11['product_name'].isin(list(customer_order_11_top10['product_name']))]

customer_order_month_10_11['category'] = '本月TOP10销量'
customer_order_month_10_11.head()

11月Top10销量产品销量、环比

4.2、11月产品增速TOP10产品，销售数量及环比

#11月增长率前十的产品信息
customer_order_month_11 = gather_customer_order_month_10_11.loc[gather_customer_order_month_10_11['create_year_month'] == '2019-11'].sort_values(by = 'order_num_diff',ascending = False).head(10)
#11月top10增长率产品在10月和11月的信息
customer_order_month_11_top10_seep = gather_customer_order_month_10_11.loc[gather_customer_order_month_10_11['product_name'].isin(list(customer_order_month_11['product_name']))]

筛选需要的四个字段：create_year_month月份，product_name产品名，order_month_product本月销量，cpzl_zw产品类别，order_num_diff本月产品销量环比

customer_order_month_11_top10_seep = customer_order_month_11_top10_seep[['create_year_month','product_name','order_month_product','cpzl_zw','order_num_diff']]
customer_order_month_11_top10_seep['category'] = '本月TOP10增速'
customer_order_month_11_top10_seep.head()

11月Top10增速产品增速、环比

#axis = 0按照行维度合并，axis = 1按照列维度合并
hot_products_11 = pd.concat([customer_order_month_10_11,customer_order_month_11_top10_seep],axis = 0)
hot_products_11

11月Top10销量产品、增速产品表

字段注释：
create_year_month：月份，product_name：产品名，order_month_product：本月产品销量，order_num_diff：本月产品环比，category：分类

#存入数据库
engine = create_engine('mysql://frogdata05:秘密@106.15.121.232:3306/datafrog05_adventure?charset=gbk')
datafrog=engine
hot_products_11.to_sql('pt_hot_products_november_sam',con = datafrog,if_exists='replace', index=False)

五、用户行为分析

这里需要使用订单明细表ods_sales_orders，用户表信息表ods_customer

#读取数据库客户信息表
engine = create_engine('mysql://frogdata001:秘密@106.13.128.83:3306/adventure_ods?charset=gbk')
datafrog=engine
df_CUSTOMER = pd.read_sql_query("select customer_key,birth_date,gender,marital_status from ods_customer where create_date < '2019-12-1'",con = datafrog)

#读取数据库销售订单表
engine = create_engine('mysql://frogdata001:秘密@106.13.128.83:3306/adventure_ods?charset=gbk')
datafrog=engine
df_sales_orders_11 = pd.read_sql_query("select *  from ods_sales_orders where create_date>='2019-11-1' and   create_date<'2019-12-1'",con = datafrog)

销售订单表中仅客户编号，无客户年龄性别等信息，需要将销售订单表和客户信息表合并

#pd.merge
sales_customer_order_11=pd.merge(df_sales_orders_11,df_CUSTOMER,on='customer_key',how='left')
sales_customer_order_11.head()

销售订单表和客户信息表合并表

获取客人的年份作为新的一列 birth_year

sales_customer_order_11.birth_date.fillna('0000-00-00',inplace=True)#有空值
sales_customer_order_11['birth_date'].str.split('-').apply(lambda x:x[0])
sales_customer_order_11['birth_year']=sales_customer_order_11['birth_date'].str.split('-').apply(lambda x:x[0])
sales_customer_order_11.head(3)

用户购买信息、基本信息表

5.1、用户年龄分析

#修改出生年为int数据类型
sales_customer_order_11['birth_year'] = sales_customer_order_11['birth_year'].astype(int)
# 计算用户年龄
sales_customer_order_11['customer_age'] = 2019 - sales_customer_order_11['birth_year']

对年龄进行分层0-34,35-39,40-44,45-49,50-54,55-59,60-64

#年龄分层1
bins=[0,34,39,44,49,54,59,64]
labels=['0-34','35-39','40-44','45-49','50-54','55-59','60-64']
#新增'age_level'分层区间列
sales_customer_order_11['age_level'] = pd.cut(sales_customer_order_11['customer_age'],bins=bins,labels=labels)

筛选销售订单为自行车的订单信息

#筛选销售订单为自行车的订单信息
df_customer_order_bycle = sales_customer_order_11.loc[sales_customer_order_11['cplb_zw'] == '自行车']
#查看总数：一共3438个
df_customer_order_bycle.count()
# 计算年龄比率
df_customer_order_bycle['age_level_rate'] = 1/3438
df_customer_order_bycle

image.png

将年龄分为3个层次，分别为'<=29'、'30-39'、'>=40'

def cut_age(x):
'''年龄分层函数'''
    if x>=40:
        return '>=40'
    elif x>=30 & x<=39:
        return '30-39'
    elif x<=29:
        return '<=29'
    else:
        return 'nan'

'''将年龄分为3个层次'''
df_customer_order_bycle.age_level2=df_customer_order_bycle.customer_age
df_customer_order_bycle['age_level2']=df_customer_order_bycle.customer_age.apply(cut_age)
df_customer_order_bycle.head(3)

分层后

查看每个年龄段人数

# 求每个年龄段人数
age_level2_count = df_customer_order_bycle.groupby(by = 'age_level2').customer_key.count().reset_index()
age_level2_count.head()

每个年龄段人数

将自行车销售订单表和每个年龄段人数表合并，为后续算年龄段比例做准备

df_customer_order_bycle = pd.merge(df_customer_order_bycle,age_level2_count,on = 'age_level2').rename(columns = {'customer_key_y':'age_level2_count'})

image.png

5.2、用户性别分析

gender_count = df_customer_order_bycle.groupby(by = 'gender').cplb_zw.count().reset_index()
gender_count

男女个数

将性别个数和自行车销售订单表+每个年龄段人数表合并，形成一个汇总信息表，并计算性别比率。汇总成了用户行为信息总表。

#合并2表
df_customer_order_bycle = pd.merge(df_customer_order_bycle,gender_count,on = 'gender').rename(columns = {'cplb_zw_y':'gender_count'})
#性别比率
df_customer_order_bycle['gender_rate'] = 1/df_customer_order_bycle['gender_count']

将11月用户行为信息总表保存到数据库
表名:pt_user_behavior_november_sam

#df_customer_order_bycle 将11月自行车用户存入数据库
#存入数据库
engine = create_engine('mysql://frogdata05:秘密@106.15.121.232:3306/datafrog05_adventure?charset=gbk')
datafrog=engine
df_customer_order_bycle.to_sql('pt_user_behavior_november_sam',con = datafrog,if_exists='replace', index=False)

至此数据预处理的工作已经完成，后续会更新使用powerBI进行可视化的部分

以下为分析报告

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png

image.png