5.4 综合 EDA 实战：电商订单数据

5.4 综合 EDA 实战：电商订单数据

本节摘要：把前面所有技能串成一次完整实战——以电商订单数据为例，走完"造数据 → 清洗 → 概览 → 单变量 → 双变量 → 关联 → 洞察"全流程。本节是本章的验收场，也是全书前半段的综合演练，读完后你应能独立复现这套分析思路。

学习目标

阅读完本节，你应当能够：

1. 独立完成一次完整的 EDA 全流程
2. 在实战中正确选择清洗与绘图工具
3. 从图表与统计中提炼可验证的业务洞察
4. 用一段代码串起"数据到结论"的完整链路

一、问题与直觉

纸上谈兵到此为止。这一节我们手握一份模拟的电商订单数据（含订单号、日期、门店、类目、金额、客单价、折扣、订单量共 8 列），业务问题是：这个月的销售靠什么撑起来？下一步该优化什么？ 带着问题走完整条链路，你会发现前面学的每个技能都有落点。

二、核心原理

2.1 实战分析的数据流

整条实战链路分六步，每一步的产出都是下一步的输入：

💡 关键直觉：这份数据的"结构性特征"是金额右偏——少数大单贡献了不成比例的销售额。后面所有分析都在验证这个特征在不同维度下的表现。

综合 EDA 数据流图

三、工程实践要点

3.1 造数据并清洗

import pandas as pd
import numpy as np

np.random.seed(42)
n = 500
df = pd.DataFrame({
    "订单号": [f"O{i:04d}" for i in range(n)],
    "门店": np.random.choice(["北京", "上海", "广州", "深圳"], n),
    "类目": np.random.choice(["数码", "家电", "服装", "食品"], n),
    "金额": np.random.lognormal(5, 0.8, n).round(2),   # 右偏分布
    "客单价": np.random.randint(50, 500, n),
    "折扣": np.random.uniform(0.7, 1.0, n).round(2),
    "订单量": np.random.randint(1, 10, n),
})

# 造几个脏数据再清洗，验证管道
df.loc[3, "金额"] = np.nan
df = df.drop_duplicates(subset=["订单号"])
df["金额"] = df["金额"].fillna(df["金额"].median())
print(df.shape)
​

3.2 概览：先看整体

df.info()
df.describe().round(2)
​

金额的 mean 明显大于 median（右偏），说明存在大额订单拉动均值——第一层概览已经有故事了。

3.3 单变量：看分布

import matplotlib.pyplot as plt
import seaborn as sns

fig, axes = plt.subplots(1, 2, figsize=(11, 4))
sns.histplot(df["金额"], kde=True, ax=axes[0])
axes[0].set_title("金额分布（右偏）")
sns.boxplot(y=df["金额"], ax=axes[1])
axes[1].set_title("金额箱线图")
plt.tight_layout()
plt.show()
​

右偏分布 + 箱线图上方的离群点：少数大单撑起了相当比例的销售额——这是本份数据最重要的结构性特征。

3.4 双变量：组间对比

fig, axes = plt.subplots(1, 2, figsize=(11, 4))
sns.barplot(data=df, x="门店", y="金额", estimator="sum", ax=axes[0])
axes[0].set_title("各门店总销售额")
sns.boxplot(data=df, x="类目", y="金额", ax=axes[1])
axes[1].set_title("各类目金额分布")
plt.tight_layout()
plt.show()
​

门店维度看"谁贡献大"，类目维度看"谁单价高、谁波动大"。

3.5 关联：看相关性

corr = df[["金额", "客单价", "折扣", "订单量"]].corr()
sns.heatmap(corr, annot=True, cmap="coolwarm", fmt=".2f")
plt.title("数值特征相关矩阵")
plt.show()
​

重点观察：金额与客单价、订单量的相关系数——哪个更接近 1，说明销售额主要由哪个因素驱动。

3.6 洞察输出

# 各门店销售额与占比
sales_by_store = df.groupby("门店")["金额"].sum().sort_values(ascending=False)
print(sales_by_store)
print("Top1 门店占比:", (sales_by_store.iloc[0] / sales_by_store.sum()).round(2))
​

至此业务问题有了答案：销售靠哪家门店、哪个类目、哪个因素驱动，都有数据支撑。把这些结论写进报告，就是一次完整的 EDA 交付。

⚠️ 常见坑：EDA 结论是"探索性"的，不是因果证明。观察到"折扣与金额负相关"不等于"折扣导致金额下降"——可能是高折扣商品本身便宜。表述时用"相关"而非"导致"。

3.7 实战检查单

3.8 延伸一：类目维度分析

业务问题"哪个类目最赚钱"，拆成两步：类目总销售额 + 类目客单价。

# 类目销售额排名
cat_sales = df.groupby("类目")["金额"].sum().sort_values(ascending=False)
print(cat_sales)

# 类目客单价
cat_price = df.groupby("类目")["客单价"].mean().sort_values(ascending=False)
print(cat_price)
​

销售额高但客单价低的类目（如食品）靠走量，销售额一般但客单价高的类目（如数码）靠单价——两个指标交叉看，才能判断类目的盈利模式。

3.9 延伸二：折扣与销售的关系

"打折到底有没有用"是业务最爱问的问题之一：

# 折扣分档
df["折扣档"] = pd.cut(df["折扣"], bins=[0, 0.8, 0.9, 1.0], labels=["大促", "常规", "原价"])

# 各档平均销售额与订单量
print(df.groupby("折扣档", observed=True).agg(
    销售额=("金额", "sum"), 订单量=("订单量", "sum")
))
​

pd.cut 把连续折扣切成档位，再分组看各档表现。注意这里的结论是"相关"而非"因果"——大促档的订单量高，可能因为促销期间流量大，也可能是打折本身拉动，单靠这组数据无法区分。

3.10 实战总结模板

完成 EDA 后，用统一模板收尾，结论就能直接进报告：

数据概况：500 行 8 列，清洗后无缺失无重复
关键发现 1：金额右偏，前 20% 大单贡献约 X% 销售额
关键发现 2：北京门店销售额领先，广州客单价最高
关键发现 3：金额与客单价强相关，与折扣弱负相关
业务建议：运营重心放在大单维护与高客单门店
待验证：折扣对复购的影响需要更长周期数据
​

"数据概况 + 关键发现 + 业务建议 + 待验证"四段式，是数据团队内部对齐和向业务汇报的标准结构。

要点串联

• 要点一：完整 EDA = 造数据 → 清洗 → 概览 → 单变量 → 双变量 → 关联 → 洞察
• 要点二：右偏分布是金额类数据的常态，均值与中位数差异本身就有信息量
• 要点三：分组汇总（groupby + sum）配合条形图，直接回答"谁贡献最大"
• 要点四：相关矩阵的数值要结合业务解读，别把相关当因果
• 要点五：箱线图的离群点提示"大单效应"，是分析要点而非待删错误
• 要点六：洞察表述用"相关"不用"导致"，保持探索性分析的严谨

从数据到洞察的完整链路已经打通。最后一章把这一切固化下来——大规模数据、时间序列、处理管道与工程化，以及那些绕不开的坑。