【数据可视化-42】杂货库存数据集可视化分析

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

一、引言

  在库存管理与销售分析中，数据可视化是优化库存水平、提升供应链效率的强大工具。本文将利用杂货库存数据集，涵盖990种产品的详细信息，从多个维度进行可视化分析，深入探讨影响库存周转、销售绩效及供应链效率的因素。以下分析包括完整的Python代码实现，可供读者参考和复现。

二、数据探索

2.1 数据集介绍

该数据集包含以下变量：

• Product_Name：产品名称
• Category：产品类别
• Supplier_Name：供应商名称
• Warehouse_Location：仓库位置
• Status：产品状态（Active/Discontinued/Backordered）
• Product_ID：产品ID
• Supplier_ID：供应商ID
• Date_Received：入库日期
• Last_Order_Date：最后订购日期
• Expiration_Date：有效期
• Stock_Quantity：库存数量
• Reorder_Level：再订购阈值
• Reorder_Quantity：再订购数量
• Unit_Price：单价
• Sales_Volume：销售量
• Inventory_Turnover_Rate：库存周转率
• Percentage：百分比

2.2 数据清洗探索

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 加载数据
df = pd.read_csv('grocery_inventory.csv')  # 请替换为实际文件路径# 查看数据基本信息
print(df.info())

  从数据基本信息可发现：

• 数据共17个维度，包含字符串、数值类型。
• 一共包含990条数据记录，其中只有Catagory字段存在一个缺失值，其它特征无缺失值的情况。

三、单维度特征可视化

3.1 产品类别分布

plt.figure(figsize=(10, 6))
sns.countplot(y='Category', data=df)
plt.title('Product Category Distribution')
plt.xlabel('Count')
plt.ylabel('Category')
plt.show()

3.2 库存状态分布

plt.figure(figsize=(8, 6))
sns.countplot(x='Status', data=df)
plt.title('Product Status Distribution')
plt.xlabel('Status')
plt.ylabel('Count')
plt.show()

3.3 库存数量分布

plt.figure(figsize=(10, 6))
sns.histplot(df['Stock_Quantity'], bins=30, kde=True, color='skyblue')
plt.title('Stock Quantity Distribution')
plt.xlabel('Stock Quantity')
plt.ylabel('Count')
plt.show()

四、各个特征与库存管理关系的可视化

4.1 库存数量与销售量关系

plt.figure(figsize=(10, 6))
sns.scatterplot(x='Stock_Quantity', y='Sales_Volume', data=df, hue='Status', palette='Set1')
plt.title('Stock Quantity vs Sales Volume Relationship')
plt.xlabel('Stock Quantity')
plt.ylabel('Sales Volume')
plt.legend(title='Status')
plt.show()

4.2 库存周转率与销售量关系

plt.figure(figsize=(10, 6))
sns.lineplot(x='Inventory_Turnover_Rate', y='Sales_Volume', data=df, marker='o', color='coral')
plt.title('Inventory Turnover Rate vs Sales Volume Relationship')
plt.xlabel('Inventory Turnover Rate')
plt.ylabel('Sales Volume')
plt.show()

4.3 产品类别与库存周转率关系

plt.figure(figsize=(12, 6))
category_turnover = df.groupby('Catagory')['Inventory_Turnover_Rate'].mean().reset_index()
sns.barplot(x='Catagory', y='Inventory_Turnover_Rate', data=category_turnover)
plt.title('Average Inventory Turnover Rate by Category')
plt.xlabel('Category')
plt.ylabel('Average Inventory Turnover Rate')
plt.xticks(rotation=45)
plt.show()

4.4 供应商与库存数量关系

plt.figure(figsize=(12, 6))
supplier_stock = df.groupby('Supplier_Name')['Stock_Quantity'].sum().reset_index()
supplier_stock = supplier_stock.sort_values('Stock_Quantity', ascending=False).head(10)
sns.barplot(x='Supplier_Name', y='Stock_Quantity', data=supplier_stock)
plt.title('Top 10 Suppliers by Stock Quantity')
plt.xlabel('Supplier Name')
plt.ylabel('Total Stock Quantity')
plt.xticks(rotation=45)
plt.show()

4.5 多维度组合分析（类别、状态与库存数量）

plt.figure(figsize=(12, 6))
sns.boxplot(x='Category', y='Stock_Quantity', hue='Status', data=df)
plt.title('Stock Quantity Variation by Category and Status')
plt.xlabel('Category')
plt.ylabel('Stock Quantity')
plt.xticks(rotation=45)
plt.show()

  从以上可视化分析可以看出：

• 产品类别分布：不同类别产品在库存中占比差异显著。
• 库存状态分布：多数产品处于有效状态，但存在一定数量的延期交货和已停产产品。
• 库存数量分布：库存数量呈现右偏分布，少数产品占据较大库存。
• 库存数量与销售量关系：存在一定负相关关系，高库存产品销售量较低，可能为滞销品。
• 库存周转率与销售量关系：存在一定正相关关系，高周转率产品销售量较高。
• 产品类别与库存周转率：不同类别产品周转率差异明显，快消品通常周转率较高。
• 供应商与库存数量：少数供应商贡献了大部分库存，反映了供应商的重要性差异。

  以上分析为优化库存管理、提升销售效率和供应链运营提供了多维度视角，帮助企业更好地做出数据驱动的决策。

五、完整代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# 加载数据
df = pd.read_csv('Grocery_Inventory new v1.csv')  # 请替换为实际文件路径
# 查看数据基本信息
print(df.info())plt.figure(figsize=(10, 6))
sns.countplot(y='Catagory', data=df)
plt.title('Product Category Distribution')
plt.xlabel('Count')
plt.ylabel('Category')
plt.show()plt.figure(figsize=(8, 6))
sns.countplot(x='Status', data=df)
plt.title('Product Status Distribution')
plt.xlabel('Status')
plt.ylabel('Count')
plt.show()plt.figure(figsize=(10, 6))
sns.histplot(df['Stock_Quantity'], bins=30, kde=True, color='skyblue')
plt.title('Stock Quantity Distribution')
plt.xlabel('Stock Quantity')
plt.ylabel('Count')
plt.show()plt.figure(figsize=(10, 6))
sns.scatterplot(x='Stock_Quantity', y='Sales_Volume', data=df, hue='Status', palette='Set1')
plt.title('Stock Quantity vs Sales Volume Relationship')
plt.xlabel('Stock Quantity')
plt.ylabel('Sales Volume')
plt.legend(title='Status')
plt.show()plt.figure(figsize=(10, 6))
sns.lineplot(x='Inventory_Turnover_Rate', y='Sales_Volume', data=df, marker='o', color='coral')
plt.title('Inventory Turnover Rate vs Sales Volume Relationship')
plt.xlabel('Inventory Turnover Rate')
plt.ylabel('Sales Volume')
plt.show()plt.figure(figsize=(12, 6))
category_turnover = df.groupby('Catagory')['Inventory_Turnover_Rate'].mean().reset_index()
sns.barplot(x='Catagory', y='Inventory_Turnover_Rate', data=category_turnover)
plt.title('Average Inventory Turnover Rate by Catagory')
plt.xlabel('Catagory')
plt.ylabel('Average Inventory Turnover Rate')
plt.xticks(rotation=45)
plt.show()plt.figure(figsize=(12, 6))
supplier_stock = df.groupby('Supplier_Name')['Stock_Quantity'].sum().reset_index()
supplier_stock = supplier_stock.sort_values('Stock_Quantity', ascending=False).head(10)
sns.barplot(x='Supplier_Name', y='Stock_Quantity', data=supplier_stock)
plt.title('Top 10 Suppliers by Stock Quantity')
plt.xlabel('Supplier Name')
plt.ylabel('Total Stock Quantity')
plt.xticks(rotation=45)
plt.show()plt.figure(figsize=(12, 6))
sns.boxplot(x='Category', y='Stock_Quantity', hue='Status', data=df)
plt.title('Stock Quantity Variation by Category and Status')
plt.xlabel('Category')
plt.ylabel('Stock Quantity')
plt.xticks(rotation=45)
plt.show()

如果您在后续分析中有其他问题或需要进一步的帮助，欢迎随时交流探讨！