项目1：销售数据分析报表自动化，我用Python替代了3小时的手工工作

大家好，我是正在实战各种AI项目的程序员晚枫。

欢迎来到实战项目部分！这是第一个项目：销售数据分析报表自动化。

很多公司每天/每周都要做销售报表，手工操作耗时耗力。这个项目教你用Python全自动完成，从数据读取到报表生成，一键搞定！

---

项目背景

需求场景

你是某电商公司的数据分析师，每天需要：

1. 读取前一天的订单数据（CSV格式）
2. 计算各项KPI指标
3. 制作可视化图表
4. 生成Excel报告并邮件发送给管理层

目标产出

一个Python脚本，运行后自动完成以上所有工作。

---

准备数据

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

# 生成模拟销售数据（实际项目中从数据库或文件读取）
np.random.seed(42)

def generate_sales_data(start_date, days=30):
    """生成模拟销售数据"""
    dates = pd.date_range(start=start_date, periods=days, freq='D')
    
    data = []
    for date in dates:
        n_orders = np.random.randint(50, 150)
        for _ in range(n_orders):
            data.append({
                '订单ID': f"ORD{np.random.randint(100000, 999999)}",
                '日期': date,
                '产品类别': np.random.choice(['电子产品', '服装', '食品', '家居']),
                '产品名称': np.random.choice(['iPhone', 'T恤', '零食', '杯子']),
                '单价': np.random.randint(50, 5000),
                '数量': np.random.randint(1, 5),
                '地区': np.random.choice(['华北', '华东', '华南', '西南']),
                '销售员': np.random.choice(['张三', '李四', '王五', '赵六'])
            })
    
    return pd.DataFrame(data)

# 生成数据
df = generate_sales_data('2024-01-01', 30)
df['金额'] = df['单价'] * df['数量']

# 保存为CSV（模拟真实数据源）
df.to_csv('sales_data.csv', index=False, encoding='utf-8-sig')
print(f"生成了 {len(df)} 条销售记录")

---

核心分析模块

class SalesAnalyzer:
    def __init__(self, data_path):
        self.df = pd.read_csv(data_path, encoding='utf-8-sig')
        self.df['日期'] = pd.to_datetime(self.df['日期'])
        print(f"加载了 {len(self.df)} 条记录")
    
    def calculate_kpis(self):
        """计算关键指标"""
        kpis = {
            '总销售额': self.df['金额'].sum(),
            '总订单数': len(self.df),
            '平均客单价': self.df['金额'].mean(),
            '日均销售额': self.df.groupby('日期')['金额'].sum().mean(),
            '最高单日销售': self.df.groupby('日期')['金额'].sum().max(),
            '总销量': self.df['数量'].sum(),
        }
        return kpis
    
    def category_analysis(self):
        """品类分析"""
        return self.df.groupby('产品类别').agg({
            '金额': ['sum', 'mean', 'count'],
            '数量': 'sum'
        }).round(2)
    
    def region_analysis(self):
        """地区分析"""
        return self.df.groupby('地区')['金额'].sum().sort_values(ascending=False)
    
    def daily_trend(self):
        """日销售趋势"""
        return self.df.groupby('日期')['金额'].sum()
    
    def salesperson_performance(self):
        """销售员业绩"""
        return self.df.groupby('销售员').agg({
            '金额': 'sum',
            '订单ID': 'count'
        }).rename(columns={'订单ID': '订单数'}).sort_values('金额', ascending=False)

---

可视化模块

import matplotlib.pyplot as plt
import seaborn as sns

class ReportVisualizer:
    def __init__(self, analyzer):
        self.analyzer = analyzer
        plt.style.use('seaborn-v0_8')
    
    def create_dashboard(self, save_path='sales_report.png'):
        """创建综合报表图"""
        fig = plt.figure(figsize=(16, 12))
        
        # 1. 日销售趋势
        ax1 = plt.subplot(2, 3, 1)
        daily = self.analyzer.daily_trend()
        ax1.plot(daily.index, daily.values, marker='o', linewidth=2)
        ax1.set_title('日销售趋势', fontsize=14, fontweight='bold')
        ax1.set_ylabel('销售额')
        ax1.grid(True, alpha=0.3)
        
        # 2. 品类占比
        ax2 = plt.subplot(2, 3, 2)
        category = self.analyzer.category_analysis()['金额']['sum']
        colors = plt.cm.Set3(np.linspace(0, 1, len(category)))
        ax2.pie(category, labels=category.index, autopct='%1.1f%%', colors=colors)
        ax2.set_title('品类销售占比', fontsize=14, fontweight='bold')
        
        # 3. 地区对比
        ax3 = plt.subplot(2, 3, 3)
        region = self.analyzer.region_analysis()
        bars = ax3.bar(region.index, region.values, color='skyblue', edgecolor='black')
        ax3.set_title('地区销售排行', fontsize=14, fontweight='bold')
        ax3.set_ylabel('销售额')
        for bar in bars:
            height = bar.get_height()
            ax3.text(bar.get_x() + bar.get_width()/2., height,
                    f'{height:,.0f}', ha='center', va='bottom')
        
        # 4. 销售员业绩
        ax4 = plt.subplot(2, 3, 4)
        sales_perf = self.analyzer.salesperson_performance()
        ax4.barh(sales_perf.index, sales_perf['金额'], color='lightcoral')
        ax4.set_title('销售员业绩排行', fontsize=14, fontweight='bold')
        ax4.set_xlabel('销售额')
        
        # 5. 品类箱线图
        ax5 = plt.subplot(2, 3, 5)
        sns.boxplot(data=self.analyzer.df, x='产品类别', y='金额', ax=ax5)
        ax5.set_title('各品类订单金额分布', fontsize=14, fontweight='bold')
        ax5.tick_params(axis='x', rotation=45)
        
        # 6. KPI指标文本
        ax6 = plt.subplot(2, 3, 6)
        ax6.axis('off')
        kpis = self.analyzer.calculate_kpis()
        kpi_text = f"""
        【关键指标】
        
        总销售额: ¥{kpis['总销售额']:,.0f}
        总订单数: {kpis['总订单数']:,}
        平均客单价: ¥{kpis['平均客单价']:.0f}
        日均销售额: ¥{kpis['日均销售额']:,.0f}
        最高单日: ¥{kpis['最高单日销售']:,.0f}
        总销量: {kpis['总销量']:,}件
        """
        ax6.text(0.1, 0.5, kpi_text, fontsize=12, verticalalignment='center',
                family='monospace', bbox=dict(boxstyle='round', facecolor='wheat', alpha=0.5))
        
        plt.suptitle('销售数据分析报表', fontsize=18, fontweight='bold', y=0.98)
        plt.tight_layout(rect=[0, 0, 1, 0.96])
        plt.savefig(save_path, dpi=300, bbox_inches='tight')
        plt.close()
        
        return save_path

---

Excel报告生成

from openpyxl import Workbook
from openpyxl.styles import Font, Alignment, PatternFill
from openpyxl.chart import BarChart, PieChart, Reference

def generate_excel_report(analyzer, output_path='sales_report.xlsx'):
    """生成Excel格式的详细报告"""
    wb = Workbook()
    
    # 删除默认sheet
    wb.remove(wb.active)
    
    # Sheet 1: 概览
    ws_overview = wb.create_sheet("概览")
    kpis = analyzer.calculate_kpis()
    
    ws_overview['A1'] = '销售数据概览'
    ws_overview['A1'].font = Font(size=16, bold=True)
    
    row = 3
    for key, value in kpis.items():
        ws_overview[f'A{row}'] = key
        ws_overview[f'B{row}'] = value
        if isinstance(value, float):
            ws_overview[f'B{row}'].number_format = '#,##0.00'
        row += 1
    
    # Sheet 2: 品类分析
    ws_category = wb.create_sheet("品类分析")
    category_df = analyzer.category_analysis()
    category_df.to_excel(output_path, sheet_name='品类分析', startrow=0)
    
    # 保存
    wb.save(output_path)
    return output_path

---

主程序整合

import os
from datetime import datetime

def main():
    """主程序"""
    print("="*50)
    print("销售数据分析报表自动生成系统")
    print("="*50)
    
    # 1. 读取数据
    print("\n[1/4] 读取销售数据...")
    analyzer = SalesAnalyzer('sales_data.csv')
    
    # 2. 计算KPI
    print("[2/4] 计算关键指标...")
    kpis = analyzer.calculate_kpis()
    print(f"  ✓ 总销售额: ¥{kpis['总销售额']:,.0f}")
    print(f"  ✓ 总订单数: {kpis['总订单数']:,}")
    
    # 3. 生成可视化
    print("[3/4] 生成可视化图表...")
    visualizer = ReportVisualizer(analyzer)
    chart_path = visualizer.create_dashboard()
    print(f"  ✓ 图表已保存: {chart_path}")
    
    # 4. 生成Excel
    print("[4/4] 生成Excel报告...")
    excel_path = generate_excel_report(analyzer)
    print(f"  ✓ Excel已保存: {excel_path}")
    
    print("\n" + "="*50)
    print("报表生成完成！")
    print("="*50)

if __name__ == "__main__":
    main()

---

定时自动运行

import schedule
import time

def job():
    print(f"[{datetime.now()}] 开始执行日报任务...")
    main()
    print("任务完成\n")

# 每天早上9点执行
schedule.every().day.at("09:00").do(job)

print("定时任务已启动，每天早上9点自动生成报表...")
while True:
    schedule.run_pending()
    time.sleep(60)

---

项目总结

学到的技能

• ✅ 数据读取与清洗
• ✅ 多维度数据分析（时间、品类、地区、人员）
• ✅ 数据可视化（Matplotlib + Seaborn）
• ✅ Excel报告生成
• ✅ 自动化任务调度

扩展方向

• 连接数据库实时读取
• 添加邮件自动发送功能
• 部署到服务器定时运行
• 制作Web版数据看板

---

进阶：报表自动化全流程

定时任务方案

# 使用schedule库实现定时执行
import schedule
import time

def daily_report():
    # 1. 读取最新数据
    df = pd.read_csv('sales_today.csv')
    
    # 2. 计算KPI
    kpi = {
        'total_sales': df['amount'].sum(),
        'order_count': len(df),
        'avg_order': df['amount'].mean()
    }
    
    # 3. 生成图表
    fig, ax = plt.subplots(figsize=(10, 6))
    df.groupby('category')['amount'].sum().plot.bar(ax=ax)
    fig.savefig('daily_chart.png')
    
    # 4. 发送邮件
    send_email(
        to='boss@company.com',
        subject=f'日报 {date.today()}',
        body=f"今日销售: ¥{kpi['total_sales']:,.0f}",
        attachments=['daily_chart.png']
    )

# 每天早上9点执行
schedule.every().day.at("09:00").do(daily_report)

while True:
    schedule.run_pending()
    time.sleep(60)

邮件发送实现

import smtplib
from email.mime.multipart import MIMEMultipart
from email.mime.text import MIMEText
from email.mime.image import MIMEImage

def send_email(to, subject, body, attachments=None):
    msg = MIMEMultipart()
    msg['From'] = 'data@company.com'
    msg['To'] = to
    msg['Subject'] = subject
    
    msg.attach(MIMEText(body, 'html'))
    
    if attachments:
        for filepath in attachments:
            with open(filepath, 'rb') as f:
                img = MIMEImage(f.read())
                msg.attach(img)
    
    with smtplib.SMTP('smtp.company.com', 587) as server:
        server.starttls()
        server.login('user', 'password')
        server.send_message(msg)

避坑指南

❌ 坑1：报表数据不一致

# 多个数据源的时间范围不同导致数据不一致
# 解决方案：统一时间过滤条件
start_date = pd.Timestamp('today') - pd.Timedelta(days=1)
df = df[df['date'] >= start_date]

❌ 坑2：定时任务中断

# 方案1：使用系统cron（Linux/Mac）
# crontab -e
# 0 9 * * * /path/to/python /path/to/report.py

# 方案2：使用Windows任务计划程序

# 方案3：加入异常处理和日志
import logging
logging.basicConfig(filename='report.log', level=logging.INFO)

try:
    daily_report()
    logging.info(f"报告生成成功: {date.today()}")
except Exception as e:
    logging.error(f"报告生成失败: {e}")

销售分析KPI体系

# 电商销售核心KPI
kpi_system = {
    '营收类': {
        'GMV': '总成交额（含退款）',
        '净收入': 'GMV - 退款金额',
        '客单价': '净收入 / 订单数',
        '件单价': '净收入 / 商品件数',
    },
    '用户类': {
        'DAU': '日活跃用户数',
        '新客占比': '新客订单 / 总订单',
        '复购率': '购买2次以上用户 / 总用户',
        '留存率': 'N日后仍活跃的用户占比',
    },
    '效率类': {
        '转化率': '下单用户 / 访问用户',
        '退货率': '退货订单 / 总订单',
        '发货时效': '下单到发货的平均时间',
        '库存周转率': '销售成本 / 平均库存',
    }
}

for category, kpis in kpi_system.items():
    print(f"\n{category}:")
    for name, desc in kpis.items():
        print(f"  {name}: {desc}")

报表自动化架构

# 完整的报表自动化系统架构
class ReportGenerator:
    def __init__(self, config):
        self.data_source = config['data_source']
        self.report_type = config['report_type']
        self.recipients = config['recipients']
    
    def fetch_data(self):
        '''从数据源获取数据'''
        if self.data_source == 'csv':
            return pd.read_csv('latest_data.csv', parse_dates=['date'])
        elif self.data_source == 'database':
            engine = create_engine(self.config['db_url'])
            return pd.read_sql(self.config['query'], engine)
    
    def calculate_kpi(self, df):
        '''计算KPI'''
        return {
            'gmv': df['amount'].sum(),
            'orders': len(df),
            'avg_order': df['amount'].mean(),
            'refund_rate': df['refunded'].mean()
        }
    
    def generate_charts(self, df):
        '''生成图表'''
        charts = []
        # 趋势图
        fig, ax = plt.subplots(figsize=(12, 5))
        df.groupby('date')['amount'].sum().plot(ax=ax)
        fig.savefig('trend.png', dpi=150, bbox_inches='tight')
        charts.append('trend.png')
        return charts
    
    def send_report(self, kpi, charts):
        '''发送报告'''
        body = '<h2>销售日报</h2>' + f"<p>GMV: {kpi['gmv']:,.0f}</p>" + f"<p>订单数: {kpi['orders']:,}</p>" + f"<p>客单价: {kpi['avg_order']:,.0f}</p>"
        send_email(self.recipients, f'销售日报 {date.today()}', body, charts)
    
    def run(self):
        df = self.fetch_data()
        kpi = self.calculate_kpi(df)
        charts = self.generate_charts(df)
        self.send_report(kpi, charts)

# 使用
config = {
    'data_source': 'csv',
    'report_type': 'daily',
    'recipients': ['boss@company.com']
}
report = ReportGenerator(config)
report.run()

销售分析报告模板

def generate_sales_report(df, period='daily'):
    '''生成销售分析报告'''
    import pandas as pd
    from datetime import date
    
    report = "================================
"
    report += f"销售分析报告 - {date.today()}
"
    report += "================================

"
    report += "📊 核心指标
"
    report += f"- 总销售额: ¥{df['amount'].sum():,.0f}
"
    report += f"- 订单数: {len(df):,}
"
    report += f"- 客单价: ¥{df['amount'].mean():,.0f}
"
    report += "- 退货率: {:.1f}%

".format(df.get('returned', pd.Series([False]*len(df))).mean()*100)
    report += "品类分析
"
    
    # 品类汇总
    category_summary = df.groupby('category').agg(
        sales_sum=('amount', 'sum'),
        order_cnt=('order_id', 'count'),
        avg_amount=('amount', 'mean')
    ).sort_values('sales_sum', ascending=False)
    
    report += category_summary.to_string()
    report += "

Top 5 products
"
    
    top_products = df.groupby('product')['amount'].sum().nlargest(5)
    report += top_products.to_string()
    
    # 保存报告
    filename = 'sales_report_{}_{}.txt'.format(period, date.today())
    with open(filename, 'w') as f:
        f.write(report)
    
    return report

# 使用
report = generate_sales_report(df)
print(report)

销售数据分析完整代码

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from datetime import date

plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

# ===== 1. 数据读取 =====
np.random.seed(42)
n = 10000
df = pd.DataFrame({
    'order_id': range(10001, 10001 + n),
    'date': pd.date_range('2025-01-01', periods=n, freq='1H'),
    'product': np.random.choice(['手机', '电脑', '平板', '耳机', '手表'], n),
    'channel': np.random.choice(['线上', '线下'], n, p=[0.7, 0.3]),
    'city': np.random.choice(['北京', '上海', '广州', '深圳', '成都'], n),
    'amount': np.random.exponential(1000, n).round(2),
    'quantity': np.random.randint(1, 5, n)
})

# ===== 2. KPI计算 =====
gmv = df['amount'].sum()
orders = len(df)
avg_order = df['amount'].mean()
refund_rate = 0.05  # 模拟

print('=' * 40)
print(f'销售KPI报告 - {date.today()}')
print('=' * 40)
print(f'GMV: ¥{gmv:,.0f}')
print(f'订单数: {orders:,}')
print(f'客单价: ¥{avg_order:,.0f}')
print(f'退货率: {refund_rate*100:.1f}%')

# ===== 3. 品类分析 =====
cat_summary = df.groupby('product').agg(
    销售额=('amount', 'sum'),
    订单数=('order_id', 'count'),
    客单价=('amount', 'mean')
).sort_values('销售额', ascending=False)
print(f'\n品类分析:')
print(cat_summary.round(0))

# ===== 4. 可视化 =====
fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 月度趋势
monthly = df.set_index('date').resample('M')['amount'].sum()
monthly.plot(ax=axes[0,0], title='月度销售额趋势')
axes[0,0].set_ylabel('销售额(万元)')

# 品类占比
df.groupby('product')['amount'].sum().plot.pie(ax=axes[0,1], autopct='%1.1f%%', title='品类占比')

# 渠道对比
df.groupby('channel')['amount'].sum().plot.bar(ax=axes[1,0], title='渠道对比', rot=0)

# 城市排行
df.groupby('city')['amount'].sum().sort_values().plot.barh(ax=axes[1,1], title='城市排行')

plt.tight_layout()
plt.savefig('sales_report.png', dpi=150, bbox_inches='tight')
print('\n图表已保存: sales_report.png')

下节预告

下一项目是用户行为分析，学习RFM模型、留存分析等经典方法。

👉 继续阅读：项目2-用户行为分析与RFM模型

---

💬 加入学习交流群

扫码加入Python学习交流群，和数千名同学一起进步：

👉 点击加入交流群

群里不定期分享：

• 数据分析实战案例
• Python学习资料
• 求职面试经验
• 行业最新动态

---

推荐：AI Python数据分析实战营

🎁 限时福利：送《利用Python进行数据分析》实体书

👉 点击了解详情

---

课程导航

上一篇： 数据分布分析-正态分布与QQ图

下一篇： 项目2-用户行为分析与RFM模型

---

PS：自动化报表是数据分析师的核心技能。把这个项目做出来，你就超过了80%的同行。

---

---

📚 推荐教材

主教材：《Excel+Python 飞速搞定数据分析与处理（图灵出品）》

💬 联系我

平台	账号/链接
微信	扫码加好友
微博	@程序员晚枫
知乎	@程序员晚枫
抖音	@程序员晚枫
小红书	@程序员晚枫
B 站	Python 自动化办公社区

主营业务：AI 编程培训、企业内训、技术咨询

🎓 AI 编程实战课程

想系统学习 AI 编程？程序员晚枫的 AI 编程实战课 帮你从零上手！

• 👉 课程报名：点击这里报名，前3讲免费试听
• 👉 免费试看：B站免费试看前3讲，先看看适不适合自己