Python 计算周末销售额占总销售额的百分比，以及如何处理银行假期等例外情况

我有一个每日销售数据框

我想创建一个KPI，以了解周末销售如何影响每周销售，以及正常工作日如何影响每周销售

我创建了一个工作代码，作为下面的示例，它是有效的

但是：

1） （第一个主要问题）我认为可以用一种更为通灵的方式来改进，但我不知道如何改进 2） （第二个小问题）如果是销售过低的银行假日或销售过高的特殊假日，我应该用平均值或中值替换这些异常值吗

#Generating a Random Sample
np.random.seed(30)
values=np.random.randint(0,400,14)
day= pd.date_range(start='25/02/2020',periods=14)

#Creating an example DataFrame
df_input={'date':day,"values":values}
df_test=pd.DataFrame(df_input)

#From here starts what I have done on my original code
# week and day of the week are two informatio that I have to retrieve from my
#original DataFrame
#Creating a column with Week and Day Of The Week info
df_test['week']=df_test.date.dt.week
df_test['day']=df_test.date.dt.dayofweek

#Creating a Column for differencing weekend from normal day 
df_test['weekend']=np.zeros(len(df_test))
df_test['weekend'][(df_test.day==5)|(df_test.day==6)]=1

#Grouping on Week to get total sales 
grouped_full=df_test.groupby(['week']).sum()

#Grouping on Week And Weekend to separate normal days from weekend days
grouped=df_test.groupby(['week','weekend']).sum()

#Getting the ratio between 
#the weekend and total weekly sales
#normal days and total weekly sales
ratio=grouped/grouped_full
print(ratio['values'])

这是我的输出：

week  weekend
9     0.0        0.666667
      1.0        0.333333
10    0.0        0.784127
      1.0        0.215873
11    0.0        1.000000

---

我花了一些时间试图真正理解你是如何处理这个问题的，以及是否有其他方法来看待这个问题

无论如何，我都不是专业人士，所以对这一切都要三思而后行：

我认为没有比这更“pythonic”的方法来编写代码。虽然范围很广，但我可以告诉你我的大脑如何接近你的大脑 我所理解的问题是：

我不知道它是否有用，但可能使用

.mean（）

（正如您在我的代码中看到的）而不是

.sum（）

查找平均销售额中的比率差异

---

我花了一些时间试图真正理解你是如何处理这个问题的，以及是否有其他方法来看待这个问题

无论如何，我都不是专业人士，所以对这一切都要三思而后行：

我认为没有比这更“pythonic”的方法来编写代码。虽然范围很广，但我可以告诉你我的大脑如何接近你的大脑 我所理解的问题是：

我不知道它是否有用，但可能使用

.mean（）

（正如您在我的代码中看到的）而不是

.sum（）

查找平均销售额中的比率差异

---

嗨，我很想评论一下乌克兰哔叽布的回答，但最终由于50分的声誉规则，这是不可能的，但我不在乎，我无论如何都想做出贡献

我想指出，从技术上讲，你的回答只回答了问题的后半部分：

我想创建一个KPI，以了解周末销售如何影响每周销售，以及正常工作日如何影响每周销售

实际上，通过对同一周数进行分组，我们创建了KPI，其因果关系为Weekdays-->Weekend，反之，我们应使用：

#分组并使用平均值
工作日=（df_test[df_test.date.dt.weekday.isin（[0,1,2,3,4]））
.groupby（df_测试日期dt周）
.mean（））
#分组并使用平均值
周末=（df_test[df_test.date.dt.weekday.isin（[5,6]））
.groupby（df_test.date.dt.week-1）
.mean（））

---

为了找到周末-->工作日因果关系

您好，我想对乌克兰哔叽回答发表意见，但最终由于50分声誉规则，这是不可能的，但我不在乎，我无论如何都想做出贡献

我想指出，从技术上讲，你的回答只回答了问题的后半部分：

我想创建一个KPI，以了解周末销售如何影响每周销售，以及正常工作日如何影响每周销售

实际上，通过对同一周数进行分组，我们创建了KPI，其因果关系为Weekdays-->Weekend，反之，我们应使用：

#分组并使用平均值
工作日=（df_test[df_test.date.dt.weekday.isin（[0,1,2,3,4]））
.groupby（df_测试日期dt周）
.mean（））
#分组并使用平均值
周末=（df_test[df_test.date.dt.weekday.isin（[5,6]））
.groupby（df_test.date.dt.week-1）
.mean（））

---

为了找到周末-->工作日因果关系

问题1

可能的替代方案

# Creating an example DataFrame
np.random.seed(30)
values = np.random.randint(0,400,14)
day = pd.date_range(start='25/02/2020',periods=14)
df_test = pd.DataFrame({'date':day,"values":values})

# Create week, day, weekend
df_test['week'] = df_test['date'].dt.week
df_test['day'] = df_test['date'].dt.dayofweek
df_test['weekend'] = df_test['day'].isin([5,6])# optional --> .astype(int)

# Calculate the metric
df_test_grouped = df_test.groupby(['week', 'weekend'])[['values']].sum()
df_test_grouped.groupby(level=0).apply(lambda x: 100 * x / float(x.sum()))

问题2
很难说，这取决于分析的类型、你所做的假设、你有多少数据、异常值的规模等等。
异常值通常是重要的数字，而不仅仅是需要平滑处理的值。

---

圣诞节一周可以提供某种产品年销售额的20%。那周只是一个异常值吗？

问题1

可能的替代方案

# Creating an example DataFrame
np.random.seed(30)
values = np.random.randint(0,400,14)
day = pd.date_range(start='25/02/2020',periods=14)
df_test = pd.DataFrame({'date':day,"values":values})

# Create week, day, weekend
df_test['week'] = df_test['date'].dt.week
df_test['day'] = df_test['date'].dt.dayofweek
df_test['weekend'] = df_test['day'].isin([5,6])# optional --> .astype(int)

# Calculate the metric
df_test_grouped = df_test.groupby(['week', 'weekend'])[['values']].sum()
df_test_grouped.groupby(level=0).apply(lambda x: 100 * x / float(x.sum()))

问题2
很难说，这取决于分析的类型、你所做的假设、你有多少数据、异常值的规模等等。
异常值通常是重要的数字，而不仅仅是需要平滑处理的值。
圣诞节一周可以提供某种产品年销售额的20%。那一周只是个例外吗

# Creating an example DataFrame
np.random.seed(30)
values = np.random.randint(0,400,14)
day = pd.date_range(start='25/02/2020',periods=14)
df_test = pd.DataFrame({'date':day,"values":values})

# Create week, day, weekend
df_test['week'] = df_test['date'].dt.week
df_test['day'] = df_test['date'].dt.dayofweek
df_test['weekend'] = df_test['day'].isin([5,6])# optional --> .astype(int)

# Calculate the metric
df_test_grouped = df_test.groupby(['week', 'weekend'])[['values']].sum()
df_test_grouped.groupby(level=0).apply(lambda x: 100 * x / float(x.sum()))