还在用 Excel 做数据分析？效率太低了！

同样一份销售数据，同事用 Python 半小时出报告，图表炫酷还能自动更新；你用 Excel 捣鼓大半天，稍微改点数据就得重新做图。

今天教你用 Python 搞定数据分析和可视化，全程带代码，新手也能跟着做。

一、3 个库搞定 90% 的分析需求

做数据分析不用学太多工具，掌握这 3 个库就够了：

• Pandas：处理数据的神器，筛选、汇总、计算一键完成

• Matplotlib：画图基础库，什么图都能画

• Seaborn：美化图表用的，默认样式甩 Excel 十条街

先花 10 秒安装好：

# 一行代码安装所有库

pip install pandas matplotlib seaborn

二、实战案例：从 Excel 到分析报告

以电商销售数据为例，教你完整流程：

步骤 1：3 行代码读数据

import pandas as pd

# 读取Excel文件（CSV文件用read_csv）

df = pd.read_excel("销售数据.xlsx")

# 看看数据长啥样（前5行）

print(df.head())

运行后就能看到数据全貌，比 Excel 打开快 10 倍，大文件尤其明显。

步骤 2：5 分钟搞定数据清洗

拿到的数据经常乱七八糟？用 Pandas 快速整理：

# 1. 处理空值

# 数值列用平均值填

df['销售额'] = df['销售额'].fillna(df['销售额'].mean())

# 文字列用最常见的填

df['商品类别'] = df['商品类别'].fillna(df['商品类别'].mode()[0])

# 2. 删掉异常值（比如销售额为负的）

df = df[df['销售额'] > 0]

# 3. 转换日期格式（方便按时间分析）

df['日期'] = pd.to_datetime(df['日期'])

清洗完的数据才能用来分析，这步千万别省！

步骤 3：数据分析就这几招

简单几行代码，搞定 Excel 里点半天的操作：

# 1. 算总销售额

total_sales = df['销售额'].sum()

print(f"总销售额：{total_sales}元")

# 2. 按类别统计销量

category_sales = df.groupby('商品类别')['销量'].sum()

print("各品类销量：\n", category_sales)

# 3. 找销量最高的10天

top_days = df.sort_values('销量', ascending=False).head(10)['日期']

print("销量最高的10天：\n", top_days)

这些只是基础操作，Pandas 还能做透视表、合并数据，比 Excel 函数简单多了。

三、可视化：3 行代码出炫酷图表

光有数字不够直观，画图才是重点！

案例 1：销量趋势图（一眼看出旺季）

import matplotlib.pyplot as plt

import seaborn as sns

# 设置中文显示（不然会乱码）

plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei"]

# 按月份汇总销量

df['月份'] = df['日期'].dt.to_period('M')

month_sales = df.groupby('月份')['销量'].sum()

# 画折线图

month_sales.plot(kind='line', figsize=(12, 6), color='red', marker='o')

plt.title('每月销量趋势')

plt.show()

效果：马上能看到 6 月、11 月是旺季，对应 618 和双 11，符合预期。

案例 2：品类销售占比（饼图）

# 按品类汇总销售额

category_data = df.groupby('商品类别')['销售额'].sum()

# 画饼图

plt.figure(figsize=(8, 8))

plt.pie(category_data, labels=category_data.index, autopct='%1.1f%%')

plt.title('各品类销售额占比')

plt.show()

技巧：品类超过 5 个就换成柱状图，不然饼图太乱。

案例 3：价格与销量关系（散点图）

# 画散点图看价格和销量的关系

plt.figure(figsize=(10, 6))

sns.scatterplot(data=df, x='单价', y='销量', hue='商品类别')

plt.title('价格与销量关系')

plt.show()

一眼看出：低价商品销量高，高价商品销量低，但利润不一定低。

四、比 Excel 强在哪？

1. 效率高：数据再多，代码一跑就出结果，Excel 卡到崩溃的文件也能轻松处理

2. 可复用：写好的代码存起来，下次换数据改个文件名就行，不用重复操作

3. 更专业：3D 图、热力图、交互式图表都能做，汇报时甩 Excel 几条街

五、新手必看：避坑指南

1. 中文乱码：每次画图前加一行设置字体的代码（上面案例已包含）

2. 数据类型错：日期列一定要转成 datetime 类型，不然按字符串处理会出错

3. 图表选错：看趋势用折线图，比大小用柱状图，看分布用直方图

最后送个福利：整理好的 100 套数据分析模板，包含代码和示例数据，关注后私信【Python 分析】就能领。

你平时用什么工具做数据分析？评论区聊聊你的技巧！