pandas 绘制销售移动平均趋势

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gr99123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

在数据分析工作中，时间序列分析是最常见的任务之一。无论是销售趋势、网站访问量、气温变化，还是用户活跃度，我们都需要理解数据随时间的变化规律。

pandas 在时间序列处理上非常强大，尤其是以下三个方法的组合：

resample() —— 按时间频率（如天、周、月）重采样数据
rolling() —— 创建滑动窗口计算
mean() —— 在窗口上求平均，得到平滑趋势线

通过本篇，你将学会如何用几行 pandas 代码，将“每日销售明细”转化为一个漂亮的销售趋势分析。

数据与需求

我们有一份每日销售记录，包含日期和销售额。
下面是样例数据（以字符串形式读取）：

import pandas as pd
from io import StringIO

data = StringIO("""
date,sales
2024-11-01,120
2024-11-02,150
2024-11-03,130
2024-11-04,170
2024-11-05,160
2024-11-06,180
2024-11-07,90
2024-11-08,200
2024-11-09,210
2024-11-10,190
2024-11-11,230
2024-11-12,250
2024-11-13,240
2024-11-14,260
""")

df = pd.read_csv(data, parse_dates=['date'])

需求描述：

我们希望通过时间序列分析得到：

每 3 天为一个滑动窗口的平均销售趋势；
按周汇总销售总额；
可视化趋势（可选）。

最终结果应展示出：

原始每日销售额
平滑后的移动平均曲线
每周销售汇总数据（作为辅助指标）

思路

确保时间序列索引：
将 date 列设置为索引，方便时间重采样。
使用 resample('W') 按周汇总销售额：
用于分析周度变化趋势。
使用 rolling(3).mean() 计算 3 日移动平均：
平滑日销售波动，让趋势更清晰。
可选可视化：
使用 matplotlib 绘制原始趋势 + 平滑趋势对比。

参考代码

代码如下：

import matplotlib.pyplot as plt

# 设置时间索引
df = df.set_index('date').sort_index()

# 计算3日移动平均
df['rolling_mean'] = df['sales'].rolling(3, min_periods=1).mean()

# 按周汇总
weekly_sales = df['sales'].resample('W').sum().reset_index()

# 输出结果
print("=== 日销售数据与3日移动平均 ===")
print(df.head(10))

print("\n=== 周度销售汇总 ===")
print(weekly_sales)

# 可视化趋势
plt.figure(figsize=(10,5))
plt.plot(df.index, df['sales'], label='Daily Sales', marker='o')
plt.plot(df.index, df['rolling_mean'], label='3-Day Moving Avg', linewidth=2)
plt.title('Sales Trend with 3-Day Moving Average')
plt.xlabel('Date')
plt.ylabel('Sales')
plt.legend()
plt.grid(True)
plt.tight_layout()
plt.show()

输出结果（示例）：

=== 日销售数据与3日移动平均 ===
            sales  rolling_mean
date                            
2024-11-01    120    120.000000
2024-11-02    150    135.000000
2024-11-03    130    133.333333
2024-11-04    170    150.000000
2024-11-05    160    153.333333
...

=== 周度销售汇总 ===
        date  sales
0 2024-11-03    400
1 2024-11-10   1200
2 2024-11-17    990

输出图形：

移动平均趋势图

代码分析：

.set_index('date')：让日期成为时间索引。
.rolling(3).mean()：创建一个长度为 3 的滑动窗口，计算均值。
.resample('W').sum()：按周重采样并求和，常用于周期性报表。
matplotlib：简单可视化，直观展示平滑趋势。

通过这种组合，我们可以快速得到短期波动与长期趋势并存的视图，是时间序列分析中最常用的套路之一。

应用场景：

销售走势分析
网站访问量或用户活跃度趋势
日志事件数量变化
温度或传感器数据的平滑监测

（完）

pandas 绘制销售移动平均趋势

数据与需求

思路

参考代码

相关内容