企业官网建设流程全解析

1. 案例背景：数据整理是图表生成的前提

不少初学者拿到一份数据后，第一反应就是直接画图，结果要么报错，要么图表内容与实际业务对不上。原因并不在绘图代码本身，而在于数据没有经过整理。原始数据通常存在日期格式不统一、字段名混乱、分类值带空格、存在缺失值或重复记录等问题，直接喂给绘图函数会出现柱状图高度异常、折线图横轴乱序、饼图占比合计不等于 100% 等现象。

数据整理（Data Wrangling）指的是把杂乱数据转换为结构化、规范、便于分析和可视化的表格过程，主要包括读取数据、检查数据质量、清洗缺失值和重复值、修正数据类型、重命名字段、分组聚合等环节。图表生成（Chart Generation）则是基于整理后的数据，用柱状图、折线图、饼图、箱线图等图形展示规律和结论。两者是前后衔接的关系：数据整理决定图表能否画出来，也决定图表传递的信息是否可信。

本文以一个销售订单数据集为例，完整演示从 CSV 读取、数据清洗、字段加工、分组统计到生成 4 张不同图表的全过程。案例面向 Python 数据分析初学者，也适用于有基础但希望规范操作流程的开发者。学完你能够独立完成一份“原始表 → 干净表 → 统计表 → 可视化图表”的分析链路。

2. 环境准备与数据集设计

2.1 运行环境与依赖安装

本案例基于 Python 实现，核心依赖为 pandas 和 matplotlib，可选依赖为 seaborn。建议使用 Python 3.8 及以上版本，pandas 与 matplotlib 的版本以当前常见稳定版本为准，不同小版本之间的 API 差异不大。如果本地还没有安装依赖，可以在终端中执行以下命令：

pip install pandas matplotlib

安装完成后，可以通过以下方式验证环境：

import pandas as pd import matplotlib.pyplot as plt print("pandas version:", pd.__version__) print("matplotlib version:", matplotlib.__version__)

执行后能够输出版本号，说明环境就绪。需要说明的是，不同操作系统、不同 Python 版本下的版本号会有所差异，只要 pandas 版本在 1.0 以上，本文代码的绝大多数用法都可以正常执行。

2.2 模拟数据文件准备

为了演示方便，我们不去刻意寻找真实企业数据，而是先写一个小脚本生成一份带有一系列“脏数据”特征的销售订单表。这份表覆盖了常见的数据整理场景，包括缺失值、重复记录、日期格式不一致、分类值前后带空格等情况。

在项目目录下新建generate_data.py，代码内容如下：

# 文件路径：generate_data.py import random import pandas as pd from datetime import datetime, timedelta random.seed(42) categories = { "手机数码": ["智能手机", "蓝牙耳机", "智能手表", "移动电源"], "家用电器": ["电饭煲", "空气炸锅", "吸尘器", "电风扇"], "服饰鞋包": ["T恤", "运动鞋", "双肩包", "牛仔裤"], "食品生鲜": ["坚果礼盒", "进口牛奶", "咖啡豆", "新鲜水果"], } records = [] start_date = datetime(2024, 1, 1) order_id = 1001 for _ in range(120): day_offset = random.randint(0, 181) order_date = start_date + timedelta(days=day_offset) category = random.choice(list(categories.keys())) product = random.choice(categories[category]) quantity = random.randint(1, 10) price = random.choice([99, 199, 299, 499, 699, 1299, 1999, 3999]) amount = quantity * price # 模拟少量脏数据 if order_id % 37 == 0: quantity = None if order_id % 41 == 0: amount = None if order_id % 29 == 0: category = " " + category + " " records.append([ "ORD" + str(order_id), order_date.strftime("%Y-%m-%d"), category, product, quantity, price, amount, ]) order_id += 1 # 插入两条完全重复的记录 records.append(records[0]) records.append(records[1]) df = pd.DataFrame(records, columns=[ "订单编号", "日期", "商品类别", "商品名称", "销量", "单价", "销售额" ]) df.to_csv("sales_orders.csv", index=False, encoding="utf-8-sig") print("数据已生成，共", len(df), "条记录")

运行该脚本会在当前目录生成sales_orders.csv文件。文件字段说明如下：

生成的数据中故意包含了缺失值、重复记录、类别字段两侧空白、日期字段仍为字符串等问题，正好用于演示数据整理。你也可以用自己的业务数据替换sales_orders.csv，整理思路保持不变。

2.3 项目目录结构

为了方便管理和后续扩展，建议把脚本、数据和产物分开存放。案例目录结构参考如下：

data_analysis_case/ ├── generate_data.py # 生成模拟数据 ├── sales_orders.csv # 生成的原始数据 ├── data_process.py # 数据整理脚本 ├── chart_analysis.py # 图表生成脚本 └── output/ ├── sales_clean.csv # 清洗后的数据 ├── category_amount_bar.png ├── monthly_trend_line.png ├── category_quantity_pie.png └── price_boxplot.png

output目录需要手动创建，或者由脚本通过os.makedirs自动创建。后续操作中，我们按“先整理、后绘图”的顺序逐步完成。

3. 数据整理核心操作拆解

3.1 读取数据与初步检查

读取 CSV 文件并快速了解数据规模、字段类型和缺失情况，是一切整理工作的起点。

# 文件路径：data_process.py（第 1 部分） import pandas as pd df = pd.read_csv("sales_orders.csv", encoding="utf-8-sig") print("数据形状：", df.shape) print("\n前 5 行：") print(df.head()) print("\n字段信息：") print(df.info()) print("\n描述性统计：") print(df.describe())

运行结果可以得到以下关键信息：

• 共有多少行、多少列，判断数据量级。
• 每条字段是否为正确的数据类型，比如销量应为整数却可能是浮点数。
• 是否存在缺失值，info()输出中Non-Null Count会明确显示每个字段非空数量。
• describe()只对数值列计算统计量，可用于观察销售额、单价的量级和分布。

这里有一个常见误区：read_csv默认把日期读成字符串，把缺失值读成NaN，重复记录不会自动删除。因此，读取之后必须根据业务需求做后续清洗。

3.2 缺失值与重复值处理

缺失值和重复值并不是直接删除就万事大吉。删除前要想清楚：这一列缺失是否代表业务含义？重复记录是录入重复还是本来就可能出现的多条订单？

本案例的模拟规则是：部分订单缺失销量或销售额，属于录入不完整；第 0 行和第 1 行被完全复制了一遍，属于重复记录。处理方式如下：

# 文件路径：data_process.py（第 2 部分） print("清洗前重复行数：", df.duplicated().sum()) df = df.drop_duplicates() print("清洗后行数：", len(df)) print("缺失值统计：") print(df.isnull().sum()) # 有缺失的销量和销售额按业务常理用中位数填充 df["销量"] = df["销量"].fillna(df["销量"].median()) df["销售额"] = df["销售额"].fillna(df["销售额"].median()) # 重新计算销售额，保证 销量 × 单价 = 销售额 的一致性 df["销售额"] = df["销量"] * df["单价"] # 确认没有缺失 print("处理后的缺失值数量：", df["销量"].isnull().sum() + df["销售额"].isnull().sum())

drop_duplicates()默认对所有列进行完全匹配判断，如果想仅依据订单编号去重，可以传入subset=["订单编号"]。本案例的重复记录是完全相同的两行，因此默认参数即可。

缺失值的填充策略需要结合实际业务。销售额缺失时，最稳妥的做法不是简单填充，而是利用“销售额 = 销量 × 单价”的公式重新计算。填充后再统一重算一遍，可以保证字段间的逻辑关系自洽，避免后续画趋势图时出现与业务常识矛盾的数据。

3.3 数据清洗与类型转换

商品类别字段在生成时人为加入了空格，比如" 手机数码 "，如果不处理，分组时"手机数码"和" 手机数码 "会被看成两个不同的类别，导致统计结果分裂。日期字段是字符串，直接按年月聚合时也需要转换为 pandas 的日期时间类型。

# 文件路径：data_process.py（第 3 部分） # 分类字段去掉两侧空格 df["商品类别"] = df["商品类别"].str.strip() # 日期字符串转 datetime df["日期"] = pd.to_datetime(df["日期"]) # 新增“月份”字段，方便按月统计 df["月份"] = df["日期"].dt.to_period("M").astype(str) # 商品名称也做一次清洗 df["商品名称"] = df["商品名称"].str.strip() # 修正数值字段类型为整数 df["销量"] = df["销量"].astype(int) df["销售额"] = df["销售额"].astype(int) print(df.head()) print("\n处理后字段信息：") print(df.info())

这段代码做了四件事：

1. 用str.strip()去除字符串两侧空格，避免同义不同值导致的分组错误。
2. 用pd.to_datetime()把日期列转为标准日期类型，这样后续可以按年、月、日灵活聚合。
3. 提取出月份字段，其值为2024-01这样的格式，比直接使用日期分组更直观。
4. 把销量、销售额从浮点数转为整数，保证图表坐标轴刻度干净。

这里强调一点：字符串类型的数字和数值类型的数字在排序、求和时表现完全不同。如果发现字段类型是object但内容看起来是数字，需要先排查是否存在"1,299"、"￥199"这类带格式的字符串，否则直接astype(int)会抛异常。

3.4 分组聚合生成统计口径

图表表达的是统计结果，不是原始明细。我们需要按业务问题确定“维度”和“度量”，比如“各品类销售额”“每月销售额变化”“各品类销量占比”。pandas 的groupby是完成这类统计最常用的方法。

# 文件路径：data_process.py（第 4 部分） # 各品类销售额汇总 category_amount = ( df.groupby("商品类别")["销售额"] .sum() .reset_index() .sort_values("销售额", ascending=False) ) print("各品类销售额：") print(category_amount) # 各品类销量汇总 category_quantity = ( df.groupby("商品类别")["销量"] .sum() .reset_index() ) print("\n各品类销量：") print(category_quantity) # 每月销售额趋势 monthly_trend = ( df.groupby("月份")["销售额"] .sum() .reset_index() ) print("\n每月销售额：") print(monthly_trend) # 保存清洗后的数据 df.to_csv("output/sales_clean.csv", index=False, encoding="utf-8-sig")

groupby后的结果是一个带有分组索引的 Series 或 DataFrame，直接用于绘图时索引反而容易引起困惑，因此这里先用reset_index()把它转成普通表格。sort_values按销售额降序排列，后续柱状图横轴就会自动按金额大小展示，可读性更好。

从数据整理的角度看，清洗后的sales_clean.csv就是一份“干净数据表”，而category_amount、monthly_trend则是“统计结果表”。建议在分析项目中明确区分原始数据、清洗数据和统计数据的产物，避免反复修改造成流程混乱。

4. 图表生成实战

4.1 中文字体与画布基础设置

matplotlib 默认字体对中文支持并不友好，直接绘制中文标题时经常出现方块“口口口”，需要显式指定中文字体。Windows 环境下常用SimHei或Microsoft YaHei，macOS 可以用Arial Unicode MS。不同机器可用字体不同，最稳妥的设置方式如下：

# 文件路径：chart_analysis.py（第 1 部分） import matplotlib.pyplot as plt import pandas as pd plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "Arial Unicode MS"] plt.rcParams["axes.unicode_minus"] = False # 解决负号显示为方块的问题 df_clean = pd.read_csv("output/sales_clean.csv") df_clean["日期"] = pd.to_datetime(df_clean["日期"])

第一行设置字体列表，matplotlib 会按顺序尝试使用；第二行设置坐标轴负号正常显示。如果你发现字体仍然不对，可以在matplotlib.font_manager中查询本机可用字体后替换名称。这里的df_clean直接复用上一节保存的清洗结果文件，保证绘图数据与清洗数据完全一致。

4.2 各品类销售额柱状图

柱状图适合展示分类变量的数量差异。这里统计口径是“各商品类别的累计销售额”，它是一个分组求和的结果。

# 文件路径：chart_analysis.py（第 2 部分） category_amount = ( df_clean.groupby("商品类别")["销售额"] .sum() .reset_index() .sort_values("销售额", ascending=True) ) plt.figure(figsize=(8, 5)) bars = plt.bar( category_amount["商品类别"], category_amount["销售额"], color=["#4C72B0", "#55A868", "#C44E52", "#8172B2"], ) # 在柱状图上添加数据标签 for bar in bars: height = bar.get_height() plt.text( bar.get_x() + bar.get_width() / 2, height + 500, f"{height:,.0f}", ha="center", va="bottom", ) plt.title("2024 年上半年各品类销售额对比", fontsize=14) plt.xlabel("商品类别") plt.ylabel("销售额（元）") plt.grid(axis="y", linestyle="--", alpha=0.6) plt.tight_layout() plt.savefig("output/category_amount_bar.png", dpi=150) plt.show()

这里有一个细节：排序时我们使用了ascending=True，这样绘制出来的柱状图是按金额从小到大排列，反过来ascending=False则是从大到小。具体使用哪种排序取决于你想让最大品类出现在右端还是左端。

数据标签通过plt.text添加，坐标取自柱体的 x 中心位置和高度，height + 500的作用是让文字略微高过柱顶，避免文字被柱子遮挡。grid(axis="y")只画水平网格线，视觉上更干净，alpha=0.6则降低网格线亮度。

4.3 月度销售趋势折线图

折线图适合展示时间序列变化，金字塔形的核心是横轴必须是按时间顺序排列的。如果直接对原始日期分组，横轴可能因日期格式问题出现乱序，因此我们在数据整理阶段已经生成了月份字段。

# 文件路径：chart_analysis.py（第 3 部分） monthly_trend = ( df_clean.groupby("月份")["销售额"] .sum() .reset_index() ) plt.figure(figsize=(10, 5)) plt.plot( monthly_trend["月份"], monthly_trend["销售额"], marker="o", linewidth=2, color="#4C72B0", ) # 突出最高点 max_idx = monthly_trend["销售额"].idxmax() plt.annotate( f"峰值：{monthly_trend['销售额'][max_idx]:,} 元", xy=(monthly_trend["月份"][max_idx], monthly_trend["销售额"][max_idx]), xytext=(monthly_trend["月份"][max_idx - 1], monthly_trend["销售额"][max_idx] + 5000), arrowprops=dict(arrowstyle="->", color="gray"), ) plt.title("2024 年 1-6 月销售额趋势", fontsize=14) plt.xlabel("月份") plt.ylabel("销售额（元）") plt.grid(linestyle="--", alpha=0.5) plt.tight_layout() plt.savefig("output/monthly_trend_line.png", dpi=150) plt.show()

marker="o"在每个数据点位置显示圆形标记，方便观察具体数值点；annotate用来在最高峰位置添加箭头注释，让读者一眼看到趋势中的关键节点。如果在真实场景中月份数量很多，可以增加plt.xticks(rotation=45)旋转横轴标签，防止文字重叠。

4.4 销量占比饼图与价格分布箱线图

饼图展示构成比例，适合分类数量较少的场景。箱线图则展示数值分布，可以看到不同品类的价格区间和中位数水平。

# 文件路径：chart_analysis.py（第 4 部分） category_quantity = ( df_clean.groupby("商品类别")["销量"] .sum() .reset_index() ) plt.figure(figsize=(7, 7)) plt.pie( category_quantity["销量"], labels=category_quantity["商品类别"], autopct="%.1f%%", startangle=90, colors=["#4C72B0", "#55A868", "#C44E52", "#8172B2"], ) plt.title("各品类销量占比", fontsize=14) plt.tight_layout() plt.savefig("output/category_quantity_pie.png", dpi=150) plt.show() # 不同品类单价分布箱线图 plt.figure(figsize=(8, 5)) df_clean.boxplot(column="单价", by="商品类别", grid=False) plt.title("各品类商品单价分布") plt.suptitle("") plt.xlabel("商品类别") plt.ylabel("单价（元）") plt.tight_layout() plt.savefig("output/price_boxplot.png", dpi=150) plt.show()

饼图使用autopct="%.1f%%"在扇形内部显示保留一位小数的百分比，startangle=90让第一块扇形从 12 点方向开始。箱线图这里直接调用了 DataFrame 内置的boxplot方法，by="商品类别"会自动按分类分组生成多个箱体。plt.suptitle("")是为了去掉 pandas 自动添加的Box Plot grouped by 商品类别外层标题，避免标题重复。

关于箱线图要说明的是，如果品类的单价跨度差异很大，直接观察各类别箱体位置和上下须是比均值更稳健的方法，因为均值容易被极端值拉动。

5. 完整流程一键脚本

5.1 合并文件路径

实际项目中通常不希望每次都手动运行两个脚本，更推荐把数据整理和图表生成合并为一个主脚本，并且由脚本自动创建output目录。下面把前面所有功能整合成一个完整脚本。文件路径仍然放在项目根目录下。

5.2 完整代码

# 文件路径：run_analysis.py import os import pandas as pd import matplotlib.pyplot as plt os.makedirs("output", exist_ok=True) plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "Arial Unicode MS"] plt.rcParams["axes.unicode_minus"] = False # ---------- 1. 读取数据 ---------- df = pd.read_csv("sales_orders.csv", encoding="utf-8-sig") print("原始数据形状：", df.shape) # ---------- 2. 数据清洗 ---------- df = df.drop_duplicates() df["销量"] = df["销量"].fillna(df["销量"].median()) df["销售额"] = df["销售额"].fillna(df["销售额"].median()) df["销售额"] = df["销量"] * df["单价"] df["商品类别"] = df["商品类别"].str.strip() df["商品名称"] = df["商品名称"].str.strip() df["日期"] = pd.to_datetime(df["日期"]) df["月份"] = df["日期"].dt.to_period("M").astype(str) df["销量"] = df["销量"].astype(int) df["销售额"] = df["销售额"].astype(int) print("清洗后数据形状：", df.shape) print("缺失值：", df.isnull().sum().sum()) df.to_csv("output/sales_clean.csv", index=False, encoding="utf-8-sig") # ---------- 3. 统计口径 ---------- category_amount = ( df.groupby("商品类别")["销售额"] .sum() .reset_index() .sort_values("销售额", ascending=True) ) monthly_trend = df.groupby("月份")["销售额"].sum().reset_index() category_quantity = df.groupby("商品类别")["销量"].sum().reset_index() # ---------- 4. 柱状图：各品类销售额 ---------- plt.figure(figsize=(8, 5)) bars = plt.bar( category_amount["商品类别"], category_amount["销售额"], color=["#4C72B0", "#55A868", "#C44E52", "#8172B2"], ) for bar in bars: height = bar.get_height() plt.text( bar.get_x() + bar.get_width() / 2, height + 500, f"{height:,.0f}", ha="center", va="bottom", ) plt.title("各品类销售额对比", fontsize=14) plt.xlabel("商品类别") plt.ylabel("销售额（元）") plt.grid(axis="y", linestyle="--", alpha=0.6) plt.tight_layout() plt.savefig("output/category_amount_bar.png", dpi=150) plt.close() # ---------- 5. 折线图：月度趋势 ---------- plt.figure(figsize=(10, 5)) plt.plot( monthly_trend["月份"], monthly_trend["销售额"], marker="o", linewidth=2, color="#4C72B0", ) max_idx = monthly_trend["销售额"].idxmax() plt.annotate( f"峰值：{monthly_trend['销售额'][max_idx]:,} 元", xy=(monthly_trend["月份"][max_idx], monthly_trend["销售额"][max_idx]), xytext=(monthly_trend["月份"][max_idx - 1], monthly_trend["销售额"][max_idx] + 5000), arrowprops=dict(arrowstyle="->", color="gray"), ) plt.title("月度销售额趋势", fontsize=14) plt.xlabel("月份") plt.ylabel("销售额（元）") plt.grid(linestyle="--", alpha=0.5) plt.tight_layout() plt.savefig("output/monthly_trend_line.png", dpi=150) plt.close() # ---------- 6. 饼图：各品类销量占比 ---------- plt.figure(figsize=(7, 7)) plt.pie( category_quantity["销量"], labels=category_quantity["商品类别"], autopct="%.1f%%", startangle=90, colors=["#4C72B0", "#55A868", "#C44E52", "#8172B2"], ) plt.title("各品类销量占比", fontsize=14) plt.tight_layout() plt.savefig("output/category_quantity_pie.png", dpi=150) plt.close() # ---------- 7. 箱线图：单价分布 ---------- plt.figure(figsize=(8, 5)) df.boxplot(column="单价", by="商品类别", grid=False) plt.title("各品类商品单价分布") plt.suptitle("") plt.xlabel("商品类别") plt.ylabel("单价（元）") plt.tight_layout() plt.savefig("output/price_boxplot.png", dpi=150) plt.close() print("分析完成，图表已保存到 output 目录。")

注意脚本中保存每张图后立即调用plt.close()，这是为了避免多个 Figure 对象在内存中堆积。在低频脚本中影响不明显，但如果未来改造成循环绘制几十张图表，不关闭画布会出现内存占用持续增长的问题。

5.3 运行结果与产物说明

在项目目录下依次运行：

python generate_data.py python run_analysis.py

第二个脚本执行完成后，控制台会输出清洗前后的数据形状和缺失值数量，output目录下出现以下文件：

你可以打开这些图片检查：柱状图最长柱对应销售额第一的品类；折线图能看出销售额最高的月份；饼图所有百分比之和应为 100%；箱线图能够观察不同品类的价格中位数和离群点。任何一处异常都应回溯到数据整理环节，而不是在绘图参数上盲目调整。

6. 常见问题与排查思路

需要特别说明的是，上述表格中的多数问题在“数据整理阶段”就可以预防。很多图表绘制异常，本质上是上游数据质量没有处理干净。遇到报错时，建议先打印数据样本，再逐字段判断数据类型和取值，最后才去修改绘图代码。

7. 最佳实践与工程建议

7.1 数据整理阶段

第一，永远保留原始数据。清洗过程中的修改应输出到新文件或新变量，例如本文的sales_clean.csv，不要在原始 CSV 上覆盖，这样便于回溯问题。

第二，清洗逻辑尽量拆成步骤化的函数或注释分段。数据整理往往需要反复调整，步骤清晰后，新增清洗规则不会影响已有逻辑。

第三，统计口径必须有记录。比如“销售额”是指订单金额还是实付金额？“月份”是按下单日期还是支付日期拆分？这些口径决定图表的业务含义，统一口径比调整绘图参数重要得多。

第四，处理真实生产数据时，凡是涉及删除行或填充值，都应该先行打印统计量并确认影响范围。若数据量大，可以用抽样数据测试清洗逻辑，再全量执行。

7.2 图表生成阶段

图表不是越花哨越好。柱状图用不同的颜色区分类别即可，饼图不要超过 6 个扇区，折线图如果有多条线一定要提供图例。保存图片时建议统一设置dpi，日常分析 150 够用，准备发表或报告可以提高到 300。

另外，所有图表都要有完整的标题、轴标签和数据标签。读图的人不一定了解数据背景，如果你的横轴只写一个“月份”，纵轴只写一个“销售额”，那么图表的含义是不完整的。数据标签适量添加，密集时可以使用空心圆点和色块代替逐点文字。

7.3 从实验脚本到生产脚本

本文的脚本适合学习和小规模分析，但放到生产环境还需要关注以下几点：

• 路径参数化：不要硬编码"sales_orders.csv"，改为通过命令行参数或配置文件传入。
• 日志记录：用logging替换print，记录脚本每次运行的时间、数据量、清洗前后对比。
• 异常处理：对数据库连接、文件读取、类型转换增加try-except，避免单条脏数据导致整个流程中断。
• 扩展性：如果图表数量增加，可以把每一张图封装成函数，输入统计表，输出图片文件，便于单元测试。

例如，将柱状图封装为函数后，新增品类时无需修改绘图逻辑，只需修改输入统计表。这样的结构在真实项目中能显著降低维护成本。

8. 下一步可以延伸的方向

运行完本文的案例，你已经掌握了一条基本的数据分析链路：从原始数据、清洗整理、统计聚合到可视化的完整流程。这是很多数据分析和商业报告脚本的通用骨架。

接下来的进阶方向可以根据自己的需求选择：一是把统计结果导出为 Excel 多工作表报告，使用pd.ExcelWriter实现；二是把图表嵌入 HTML 周报，使用savefig保存后由邮件附件发送；三是使用 seaborn 增加热力图、成对图等更复杂的可视化；四是把 pandas 的query、pivot_table和apply应用到更多样的脏数据场景。

建议你直接修改生成数据脚本中的参数，比如增加商品类别、修改日期范围、加入更多缺失值，然后重新运行整个流程，观察图表如何变化。只有数据“脏”过，才知道整理步骤每一步的价值。数据整理和图表生成是互相成就的，前者保证正确，后者放大价值，两者都值得在项目中持续打磨。

如果这篇教程对你有所帮助，建议收藏备用，方便下次处理类似分析任务时直接对照参考。