Python 数据分析实战：POS 数据与地理位置数据的清洗合并

“喂，小王啊，跟你说个事，最近咱们得好好捋捋 POS 数据和地理位置信息这块儿。你知道的，现在数据就是金钱，把这些数据用好了，能给咱们带来不少好处。”

作为一名数据分析师，经常会遇到各种各样的数据处理需求，其中 POS 数据与地理位置数据的结合分析，在零售、餐饮、物流等行业有着广泛的应用。今天咱们就来聊聊，如何利用 Python 中的 pandas 和 geopandas 库，对 POS 数据和地理位置数据进行清洗、合并，为后续的分析挖掘打下坚实的基础。

一、 场景引入与数据准备

假设我们是一家连锁餐饮企业的数据分析师, 手头上有两份数据：

1. POS 数据 (pos_data.csv)：记录了每个门店的销售数据，包括订单 ID、门店 ID、销售时间、销售金额等。

   订单ID	门店ID	销售时间	销售金额
   1001	S001	2023-10-26 10:00:00	120
   1002	S002	2023-10-26 10:15:00	85
   1003	S001	2023-10-26 10:30:00	200
   ...	...	...	...

2. 门店地理位置数据 (store_location.csv)：记录了每个门店的地理位置信息，包括门店 ID、门店名称、经度、纬度等。

   门店ID	门店名称	经度	纬度
   S001	A店	116.4074	39.9042
   S002	B店	116.4178	39.9145
   S003	C店	116.4282	39.9248
   ...	...	...	...

我们的目标是：将这两份数据根据“门店ID”进行合并，得到一份包含门店销售数据和地理位置信息的完整数据，并进行初步的清洗，为后续的分析做准备。

二、 数据读取与初步观察

首先，我们需要导入 pandas 和 geopandas 库，并读取数据。

import pandas as pd
import geopandas as gpd
 
# 读取 POS 数据
pos_data = pd.read_csv('pos_data.csv')
 
# 读取门店地理位置数据
store_location = pd.read_csv('store_location.csv')
 
# 查看 POS 数据的前几行
print(pos_data.head())
 
# 查看门店地理位置数据的前几行
print(store_location.head())

通过 head() 方法，我们可以快速查看数据的前几行，对数据的结构和内容有一个初步的了解。 此外，还可以通过 info() 方法查看数据的类型、缺失值等信息，通过describe()查看数据的统计信息。

print(pos_data.info())
print(store_location.info())
 
print(pos_data.describe())
print(store_location.describe())

三、 数据清洗

数据清洗是数据分析中非常重要的一步，它直接影响到后续分析结果的准确性。常见的数据清洗操作包括：

1. 数据类型转换

通常，POS 数据中的“销售时间”列是字符串类型，我们需要将其转换为 pandas 中的 datetime 类型，方便后续的时间序列分析。

pos_data['销售时间'] = pd.to_datetime(pos_data['销售时间'])
print(pos_data.info())

2. 缺失值处理

在实际数据中，经常会遇到缺失值的情况。我们需要根据具体情况，选择合适的处理方法。

• 查找缺失值：

# 查看 POS 数据中的缺失值情况
print(pos_data.isnull().sum())
 
# 查看门店地理位置数据中的缺失值情况
print(store_location.isnull().sum())

• 处理缺失值：

  • 删除： 如果缺失值的数量较少，且对整体数据影响不大，可以直接删除包含缺失值的行。

    # 删除 pos_data 中包含缺失值的行
    pos_data = pos_data.dropna()

  • 填充： 如果缺失值的数量较多，或者缺失值所在的列比较重要，可以考虑使用填充的方法。

    # 使用平均值填充 pos_data 中“销售金额”列的缺失值
    pos_data['销售金额'] = pos_data['销售金额'].fillna(pos_data['销售金额'].mean())
     
    # 使用 “未知” 填充 store_location 中“门店名称”列的缺失值
    store_location['门店名称'] = store_location['门店名称'].fillna('未知')

    常用的填充值包括：平均值、中位数、众数、特定值等。

3. 重复数据处理

重复数据可能会导致分析结果出现偏差，需要进行处理。

• 查找重复值

# 检查 pos_data 中是否存在完全重复的行
print(pos_data.duplicated().sum())
#检查指定列
print(pos_data.duplicated(subset=['订单ID']).sum())

• 删除重复值：

# 删除 pos_data 中完全重复的行
pos_data = pos_data.drop_duplicates()
# 删除指定列重复项，保留第一个
pos_data = pos_data.drop_duplicates(subset=['订单ID'], keep='first')

四、 数据合并

数据清洗完成后，我们需要将 POS 数据和门店地理位置数据根据“门店ID”进行合并。

# 使用 merge() 方法进行合并，指定连接键为“门店ID”
merged_data = pd.merge(pos_data, store_location, on='门店ID')
 
# 查看合并后的数据
print(merged_data.head())

pd.merge() 是 pandas 中非常强大的数据合并函数，类似于 SQL 中的 JOIN 操作。on='门店ID' 指定了连接键，表示根据“门店ID”列进行合并。 默认是内连接（inner join），只保留两个数据框中都存在的“门店ID”的行。 还可以通过 how 参数指定连接方式：

• how='left'：左连接，保留左侧数据框（pos_data）中的所有行。
• how='right'：右连接，保留右侧数据框（store_location）中的所有行。
• how='outer'：外连接，保留两个数据框中的所有行。

五、 地理编码与 GeoDataFrame

如果我们的门店地理位置数据中没有经纬度信息，只有地址信息，那么就需要进行地理编码。

地理编码： 将地址信息转换为经纬度坐标的过程。

逆地理编码： 将经纬度坐标转换为地址信息的过程。

我们可以使用 geopandas 提供的 geocode() 函数进行地理编码。 首次使用需要安装geopy。

pip install geopy

from geopy.geocoders import Nominatim
 
# 创建 Nominatim 地理编码器
geolocator = Nominatim(user_agent='my-geo-app') # user_agent 随便填一个名字
 
# 假设 store_location 数据中有一个“地址”列
# store_location['地址'] = store_location['门店名称'] + '详细地址'
 
# 对“地址”列进行地理编码，得到经纬度信息, apply()对每一行执行操作
def get_location(address):
    try:
        location = geolocator.geocode(address)
        if location:
            return location.latitude, location.longitude
        else:
            return None, None
    except:
        return None,None
 
# store_location[['纬度', '经度']] = store_location['地址'].apply(get_location).tolist()  #如果有地址列
 
# 如果没有地址，可以尝试字符串拼接

得到经纬度信息后，我们可以将 pandas 的 DataFrame 转换为 geopandas 的 GeoDataFrame，方便后续的空间数据分析。

# 将 merged_data 转换为 GeoDataFrame
geo_data = gpd.GeoDataFrame(merged_data, geometry=gpd.points_from_xy(merged_data.经度, merged_data.纬度))
 
# 设置坐标参考系（CRS），通常使用 WGS 84 坐标系，对应的 EPSG 代码为 4326
geo_data.crs = 'EPSG:4326'
 
# 查看 GeoDataFrame
print(geo_data.head())

六、 总结与展望

本文介绍了如何使用 Python 的 pandas 和 geopandas 库对 POS 数据和地理位置数据进行清洗、合并和地理编码。 通过这些操作，我们可以将原本分散的数据整合起来，为后续的空间数据分析、可视化以及更深入的业务洞察打下基础。

“小王啊，你看，通过这些步骤，咱们就把数据给捋顺了。接下来，就可以利用这些数据，分析各个门店的销售情况、客流量分布、周边竞争情况等等，为咱们的经营决策提供支持。数据分析这块儿，大有可为啊！”

后续可进行的操作包括但不限于：

• 空间可视化： 使用 geopandas 的 plot() 方法，将门店位置在地图上进行可视化。
• 空间查询： 查询某个区域内的门店信息。
• 缓冲区分析： 分析门店周边一定范围内的客户分布情况。
• 核密度估计： 分析门店的聚集程度。
• 空间关联分析： 分析门店销售额与周边环境因素（如人口密度、竞争对手数量等）的关系。
• 结合时间序列分析: 分析销售额随时间变化及与地理位置的关系

数据分析是一个不断迭代、不断深入的过程。 希望本文能为你提供一个入门的指引，帮助你更好地利用 Python 进行数据分析，挖掘数据背后的价值。