在不久之前我們曾撰寫過關於購物籃分析的文章，透過分析消費者常購買的產品組合進行分析，幫助我們了解產品與產品之間的關係，進而做出產品搭配與產品推薦等後續策略。
如果想複習購物籃分析概念，可點選以下文章連結：購物籃分析，最清楚概念
本次文章內容主要使用常見的銷售資料，一步一步的展示如何進行購物籃分析的資料前處理。
首先，我們先引入套件與資料，接者檢視其資料結構，如程式碼1。
程式碼1：
from apyori import aprioriimport pandas as pdimport numpy as npalldata = pd.read_csv(‘sales_data.csv’)alldata = pd.DataFrame(alldata)
引入銷售資料後，藉由variable explorer查看銷售資料，可以看到銷售資料中有不同的系列，系列下還有不同的產品，本次分析將先選取具有分析價值的系列，再透過購物籃分析了解系列下產品搭配情形， 如圖一。
產品利潤計算
在本次的購物籃分析，我們同時也會將利潤列入考慮，所以需要將各項產品的利潤進行計算，以便進行之後的利潤分析，如程式碼2。
程式碼2：
# 利潤表格profit_df=alldata.copy()profit_df =profit_df.drop_duplicates(‘產品’)profit_df =profit_df[[‘產品’,’單價’,’成本’]]profit_df[‘利潤’] =profit_df[‘單價’]-profit_df[‘成本’]
計算各項產品之利潤，方便再後續分析將利潤放入考慮，計算成果如圖二。
系列銷售額計算
此次分析將會選銷售額前三高的系列進行分析，藉此選出具分析價值之系列。
從銷售資料中計算系列銷售額，可以透過groupby將不同系列的單價加總，並使用sort_values進行排序，完成所有產品銷售額排序。
接者，挑選營業額最高的前三系列，即完成了具有分析價值之系列篩選，結果分別為系列1、系列2、系列3，如程式碼3。
程式碼3：
# 篩選前三銷售量好的商品top3_series = alldata.groupby(‘系列’)[‘單價’].sum()#[0:3]top3_series=top3_series.sort_values(ascending= False)top3_series = top3_series.index[0:3]
挑選產品銷售額前三名，產出結果如下：
top3_seriesIndex([‘系列1’, ‘系列2’, ‘系列3’], dtype=’object’, name=’系列’)
購物籃分析資料整理
想做好購物籃分析，最重要的固然是顧客訂單上所購買的產品，而要了解顧客一次都購買了哪些產品，就需從訂單編號下手。
系列一舉例
從銷售資料中找尋購買前三名之系列(具有分析價值之系列)訂單，以系列1為範例，我們先將訂單內有系列1的訂單編號尋找出來，如程式碼4。
程式碼4：
s=’系列1'series_data=alldata[alldata[‘系列’]==s]order_number=np.unique(series_data[‘訂單編號’])
取出後，我們須將訂單內所購買的產品一一列出，將相同銷售訂單內的商品放置於一個陣列中(如圖四)，才能透過購物籃分析了解各個產品之間的關聯性，以第一個訂單編號為例，找出其訂單編號的銷售資料，如程式碼5。
程式碼5：
i = order_number[1]series_data[series_data[‘訂單編號’]==i]
從圖三中，可以看訂單編號42515027729 的所有商品就從銷售資料中篩選出來，如圖三。
緊接者，我們須取出訂單編號內的產品(圖三中產品欄位)，需使用values將【產品】欄位內資料抓取出來形成array，程式碼如下：
程式碼6：
series_data[series_data[‘訂單編號’]==i][‘產品’].values產出：
array([‘產品3–6’, ‘產品3–2’, ‘產品3–6’, ‘產品3–2’], dtype=object)實際執行
最後將以上步驟透過for迴圈方式一次處理三個系列下所有銷售訂單，同時我們可以在工作目錄中創建不同系列的資料夾，幫助我們更有系統的產出分析結果，程式碼如下：
程式碼7：
record=[]for s in top3_series:series_data=alldata[alldata['系列']==s]order_number=np.unique(series_data['訂單編號'])os.mkdir(s + '商品搭配分析')for i in order_number:cart =series_data[series_data['訂單編號']==i]['產品'].valuesrecord.append(cart)print(cart)
產出：
透過這個概念將銷售資料架構進行整理，就達成了購物籃分析前資料整理，若是喜歡我的文章，請給我一點掌聲，我將在之後的文章和大家分享更多購物籃分析的實戰應用，幫助您了解更多購物籃分析如何應用於商業資料。
作者：陳俊凱(臺灣行銷研究特邀作者)、鍾皓軒(臺灣行銷研究有限公司創辦人）
您可能有興趣:
📢【TMR新募資課程】
《Python行銷資料科學-基礎語法入門最前線》
🔹募資上線時間：11/05 (四) 中午12:00
🔹募資價格：950(原價1480)
🔹課程網址：https://hahow.in/cr/basic-python
👉 Python基礎結合數據處理，快速熟練基本語法運用
👉 基礎動態繪圖製作，利用視覺工具清楚呈現分析結果
👉 銷售資料處理實戰練習，透過實作有效提昇學習效果
👉 Python語法結合商業案例，了解基本語法的商務應用
【課程簡介】
📌python簡介與環境安裝
📌python基礎+商務常用語法更精練
📌動態圖形製作：長條圖／折線圖／朝陽圖
📌銷售資料與實戰練習
📢趕快加入募資的行列吧~
🏃♂前往報名：https://hahow.in/cr/basic-python
— — — — — — — — — — — — — —
📢【TMR 已上架課程】
👨🎓TMR為您量身打造「全方位數據課程」
熱門Python程式語言結合全新商業思維，快來終生學習不間斷!
《 Python 0到1 基礎商業數據分析實戰 》
💥 價格 ：3188
👉 從0開始：手把手從頭學習，適合完全沒學過的學員
👉 商業應用全台最多：傳授市面上少見的Python實務應用
👉 網路輿情爬蟲演練：網路輿情商務爬蟲技法
👉 競品分析：競爭價值定位圖找出藍海策略
👉 貨架陳列視覺化：解析行銷策略及廣告預算配置方法
🛒 前往購買：https://hahow.in/cr/python0-1
《 顧客分類大師：Python x RFM 會員經營新觀點 》
💥 價格 ：2388
🎯 Python X RFM最佳拍檔，輕鬆鎖定潛(錢)在顧客
不需要出門，在家也能學習專業課程，讓你擁有會員經營的新思維!
本課程以五個面向為您的企業，做更深入的健診：
👉 市場面：以最基本的顧客消費資料（頻率、購買次數），將現有顧客區隔分類。
👉 財務面：計算出在每個顧客身上所賺得毛利，在不同客群中的獲利。
👉 行銷面：藉由 RFM 的分析進行行銷預算重新分配。
👉 產品面：觀察在不同客群中，各個產品的銷售狀況。
👉 顧客回購面：分析顧客的購買週期後，進行精準推薦。
🛒 前往購買：https://hahow.in/cr/rfm-model
