详细内容或原文请订阅后点击阅览
公共 EDA（第 2 部分）：Pandas 中的产品深度挖掘和时间序列分析
了解如何分析产品性能、提取时间序列特征以及揭示销售数据中的关键季节性趋势。公共 EDA 帖子（第 2 部分）：Pandas 中的产品深度探究和时间序列分析首先出现在 Towards Data Science 上。
来源:走向数据科学！欢迎回到“公共 EDA”系列！这是该系列的第 2 部分；如果您还没有看过第 1 部分，请在此处阅读。以下是我们所征服的内容的回顾。
在第 1 部分中，我们整理了一个混乱的、有 50 万行的销售文件，并将其成型。具体来说，我们：
我们现在有了一个干净的、可盈利的 Pandas DataFrame，可以用来获取洞察！在本系列结束时，我希望掌握使用 Pandas 进行探索性数据分析。如果您是数据爱好者，请随时关注。
现在，我们将重点转向为 NovaShop 提供真正有影响力的商业智能。我们第 2 部分的总体目标是回答基本问题：哪些产品表现最好，何时是销售它们的最佳时机？
这部分主要是关于使用强大的 Pandas 聚合技术 (.groupby()) 进行分析以及使用日期时间列（.dt 访问器）进行特征工程。我们将分析分为两个关键领域：
话不多说，让我们开始吧。
加载干净的数据
为了提高性能，让我们导出清理后的数据集并再次导入以进行分析
df.to_csv('online_retail_clean.csv', index=False)
现在，我可以创建一个新项目并重新开始。
加载包含日期列的 CSV 时，我尝试在 pd.read_csv() 中使用 parse_dates 参数。这节省了我稍后手动转换列类型的步骤，确保日期特征从一开始就是正确的。
输出：
中
领英
推特