2020 BigCon: EDA & 결과보고서

YJ K·2021년 11월 3일

2020 BigCon

목록 보기
1/1

최종 보고서

최종 EDA

위에 초록색 링크를 참고해주시기 바랍니다.

밑에는 R 이용한 데이터 EDA와 데이터 재구성 코드를 표기했습니다.

ls()
rm(list=ls())
ls()
shop_data<-read.csv("C:/Users/yjk9/Desktop/final_data.csv")
head(shop_data)
dim(shop_data)

#자료:37372개

library(ggplot2)
library(dplyr)
#shop_data<-shop_data%>%filter(total_sales!=0)
#dim(shop_data)
#total_sales가 0인걸 제외하니 자료 35379개
#####################################################################

#total_sales 총 판매액이 0인 데이터는 아예 예측시 제외해야 하는지 메일로 물어봄

#기온
ggplot(data=shop_data,aes(x=temp,y=total_sales))+geom_point()
ggplot(data=shop_data,aes(x=temp,y=Sales_quantity))+geom_point()

#계절별 판매량을 본다
max(shop_datatemp)max(shopdatatemp) max(shop_datatotal_sales)
min(shop_datatotalsales)min(shopdatatotal_sales) min(shop_datatemp)
max(shop_data$week)

#53주까지 있음
#봄 3~5월/10~22주차
#여름 6~8월/23~35주차
#가을 9~11월/36~48주차
#겨울 12~2월/1~9주차+49~53주차

shop_dataseason<−ifelse(shopdataseason<-ifelse(shop_dataweek>=10&shop_dataweek<=22,"spring",ifelse(shopdataweek<=22,"spring",ifelse(shop_dataweek>=23&shop_dataweek<=35,"summer",ifelse(shopdataweek<=35,"summer",ifelse(shop_dataweek>=36&shop_data$week<=48,"fall","winter")))

a<-shop_data%>%filter(season=="spring")%>%summarise(mean(Sales_quantity))
b<-shop_data%>%filter(season=="summer")%>%summarise(mean(Sales_quantity))
c<-shop_data%>%filter(season=="fall")%>%summarise(mean(Sales_quantity))
d<-shop_data%>%filter(season=="winter")%>%summarise(mean(Sales_quantity))
season<-c("spring","summer","fall","winter")
quantity<-c(a,b,c,d)
season_quantity<-data.frame(season,quantity)
ggplot(data=season_quantity)+geom_col(aes(x=season,y=quantity))+ggtitle("계절별 평균 판매량")

#강수량

min(shop_dataprecipitation)max(shopdataprecipitation) max(shop_dataprecipitation)
#일단 y측 갯수로 핵가지고 산점도
ggplot(data=shop_data)+geom_point(aes(x=precipitation,y=total_sales/unit_price))

#0~5사이에 자료들이 몰려 있으므로
#0~5를 한그룹으로 보고 5~21을 또다른 한 그룹으로 보아 서로의 평균 매출액 비교

rain_small<-shop_data%>% filter(precipitation>=0&precipitation<5)
rain_big<-shop_data%>%filter(precipitation>=5)

ggplot(data=rain_small)+geom_point(aes(x=precipitation,y=Sales_quantity))
ggplot(data=rain_big)+geom_point(aes(x=precipitation,y=Sales_quantity))

#small그룹과 big그룹 평균 비교
mean(rain_smallprecipitation)mean(rainbigprecipitation) mean(rain_bigprecipitation)
shop_datarainvariable<−ifelse(shopdatarainvariable<-ifelse(shop_dataprecipitation>=0& shop_dataprecipitation<5,0,1)shopdataprecipitation<5,0,1) shop_datarain_totalsales<-ifelse(shop_datarainvariable==0,mean(rainsmallrainvariable==0,mean(rain_smalltotal_sales),mean(rain_big$total_sales))

ggplot(data=shop_data)+geom_col(aes(x=rainvariable,y=rain_totalsales))

#다시 나눠봄 4개그룹으로

shop_datarainvariable<−ifelse(shopdatarainvariable<-ifelse(shop_dataprecipitation>=0& shop_dataprecipitation<3,1,ifelse(shopdataprecipitation<3,1,ifelse(shop_dataprecipitation>=3&shop_dataprecipitation<5,2,ifelse(shopdataprecipitation<5,2,ifelse(shop_dataprecipitation>=5&shop_dataprecipitation<10,3,4)))mean1<−shopdataprecipitation<10,3,4))) mean1<-shop_data %>% filter(rainvariable==1) %>% summarise(mean(Sales_quantity)) mean1 mean2<-shop_data %>% filter(rainvariable==2) %>% summarise(mean(Sales_quantity)) mean2 mean3<-shop_data %>% filter(rainvariable==3) %>% summarise(mean(Sales_quantity)) mean3 mean4<-shop_data %>% filter(rainvariable==4) %>% summarise(mean(Sales_quantity)) mean4 shop_datarain_quantity<-ifelse(shop_datarainvariable==1,mean1,ifelse(shopdatarainvariable==1,mean1,ifelse(shop_datarainvariable==2,mean2,ifelse(shop_data$rainvariable==3,mean3,mean4)))

rainframe<-data.frame(rain=c(1,2,3,4),
quantity=c(297.3657,275.5667,280.8862,479.7869))
rainframe
ggplot(data=rainframe)+geom_col(aes(x=rain,y=quantity))+ggtitle("강수량 그룹별 평균 판매량")

#강수량이 높은 4그룹에서 판매량이 높아지는 걸 확인할 수 있음

#최저기온,최고기온,평균기온은 하루매출총액으로 따져야 할듯함
#일별 총판매량 구하기/일별 평균 판매량

#tempdata$day_quantity
#최저기온
#str(shop_data)
#ggplot(data=shop_data)+geom_point(aes(y=low_temp,x=total_sales/unit_price))

#최고기온
#ggplot(data=shop_data)+geom_point(aes(x=high_temp,y=total_sales/unit_price))

#평균기온

#미세먼지
#미세없는날0, 주의보1, 경보2로 데이터 변경
#3개의 그룹별 평균 판매량을 비교

str(shop_data)
b[is.na(b)]<-0
b<-ifelse(shop_datafinedust=="주의보",1,ifelse(shopdatafine_dust=="주의보",1, ifelse(shop_datafine_dust=="경보",2,0))
b[is.na(b)]<-0
table(b)
head(b)
shop_data$dustvariable<-b
mean1<-shop_data %>% filter(b==0) %>% summarise(mean(Sales_quantity))
mean1
mean2<-shop_data %>% filter(b==1) %>% summarise(mean(Sales_quantity))
mean2
mean3<-shop_data %>% filter(b==2) %>% summarise(mean(Sales_quantity))
mean3
dust_quantity<-c(298.3561,283.3523,242.8)
dustframe<-data.frame(a=c(0,1,2),dust_quantity)
dustframe
ggplot(data=dustframe)+geom_col(aes(x=a,y=dust_quantity))+ggtitle("미세먼지 그룹별 평균 판매량")

#미세먼지에 따를 차이는 거의 없다고 보임

####이상 기상데이터 담당 김수현이었습니당

#- 상품군 편성 횟수는 count문제 생각해 봐야할 것 같아 질문을 넣지 않았습니다.
#- 휴일/비휴일의 경우 각자 해당하는 일수로 나눠야 할지(각 휴일/비휴일별 평균)?

##요일별##

총 매출액이 요일에 따라 편차가 있는가?

week<- ggplot(data=shop_data, aes(x=day_week, y=total_sales))+
geom_col()+
scale_x_discrete(limits=c("월", "화","수","목","금","토","일"))+
ggtitle("요일별 판매실적")

week

#월요일 상품군에 따른 총 매출액

Monday<-shop_data %>% filter(day_week=="월")
ggplot(data=Monday)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("월요일 상품군 편성 횟수")

ggplot(data=Monday, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("월요일 상품군 총 매출액")

#화요일 상품군에 따른 총 매출액

Tuesday<-shop_data %>% filter(day_week=="화")
ggplot(data=Tuesday)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("화요일 상품군 편성 횟수")
ggplot(data=Tuesday, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("화요일 상품군 총 매출액")

#수요일 상품군에 따른 총 매출액

Wednesday<-shop_data %>% filter(day_week=="수")
ggplot(data=Wednesday)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("수요일 상품군 편성 횟수")
ggplot(data=Wednesday, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("수요일 상품군 총 매출액")

#목요일 상품군에 따른 총 매출액

Thursday<-shop_data %>% filter(day_week=="목")
ggplot(data=Thursday)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("목요일 상품군 편성 횟수")
ggplot(data=Thursday, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("목요일 상품군 총 매출액")

#금요일 상품군에 따른 총 매출액

Friday<-shop_data %>% filter(day_week=="금")
ggplot(data=Friday)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("금요일 상품군 편성 횟수")
ggplot(data=Friday, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("금요일 상품군 총 매출액")

#토요일 상품군에 따른 총 매출액

Saturday<-shop_data %>% filter(day_week=="토")
ggplot(data=Saturday)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("토요일 상품군 편성 횟수")
ggplot(data=Saturday, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("토요일 상품군 총 매출액")

#일요일 상품군에 따른 총 매출액

Sunday<-shop_data %>% filter(day_week=="일")
ggplot(data=Sunday)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("일요일 상품군 편성 횟수")
ggplot(data=Sunday, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("일요일 상품군 총 매출액")

##시간대별##
#주요 시간대의 상품군별 매출액 차지하는 정도?
#프라임 시간대의 상품군별 매출액은 어떻게 되는가?

Primetime<-shop_data %>% filter(time>=20 & time<=23)
ggplot(data=Primetime)+
geom_bar(mapping=aes(x=Product_group))+
ggtitle("프라임 시간대 상품군 별 편성 횟수")
ggplot(data=Primetime, aes(x=Product_group, y=total_sales))+
geom_col(position="stack")+
ggtitle("프라임 시간대 상품군 별 총 매출액")

#비프라임
#비프라임 시간대의 상품군별 매출액은 어떻게 되는가?
```{r}
NPrimetime<-shop_data %>% filter(time>=13 & time<=16)
ggplot(data=NPrimetime)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("비프라임 시간대 상품군 별 편성 횟수")
ggplot(data=NPrimetime, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("비프라임 시간대 상품군 별 총 매출액")

#아침시간
#아침 시간대의 상품군별 매출액은 어떻게 되는가?

Morning<-shop_data %>% filter(time>=6 & time<=11)
ggplot(data=Morning)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("아침 시간대 상품군 별 편성 횟수")
ggplot(data=Morning, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("아침 시간대 상품군 별 총 매출액")

#오후시간
#오후 시간대의 상품군별 매출액은 어떻게 되는가?

Afternoon<-shop_data %>% filter(time>=17 & time<=18)
ggplot(data=Afternoon)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("오후 5-6 시간대 상품군 별 편성 횟수")
ggplot(data=Afternoon, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("오후 5-6 시간대 상품군 별 총 매출액")

#휴일/비휴일
#휴일/비휴일의 매출액 차이는 얼마나 나는가?

ggplot(data=shop_data, aes(x=holiday, y=total_sales, group=Product_group, color=Product_group))+
  geom_col(position="stack")+
  ggtitle("휴일/비휴일 총 매출액 비교")

#휴일의 제품군별 매출액 차이는 얼마나 나는가?
#휴일의 시간대별 매출액 추이?

holiday<-shop_data %>% filter(holiday==1)
ggplot(data=holiday)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("휴일 상품군 별 편성 횟수")
ggplot(data=holiday, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("휴일 상품군 별 총 매출액")
ggplot(data=holiday,aes(x=time, y=total_sales,group=Product_group,colour = Product_group))+
  geom_col()+
  ggtitle("휴일 시간대별 총 매출액")+
  facet_wrap(~ Product_group)
ggplot(data=holiday,aes(x=time, y=total_sales,group=Product_group,colour = Product_group))+
  geom_col()+
  ggtitle("휴일 시간대별 총 매출액")

#비휴일의 제품군별 매출액 차이는 얼마나 나는가?
#비휴일의 시간대별 매출액 추이?

Nholiday<-shop_data%>% filter(holiday==0)
ggplot(data=Nholiday)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("비휴일 상품군 별 편성 횟수")
ggplot(data=Nholiday, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("비휴일 상품군 별 총 매출액")
ggplot(data=Nholiday,aes(x=time, y=total_sales,group=Product_group,colour = Product_group))+
  geom_col()+
  ggtitle("비휴일 시간대별 총 매출액")+
  facet_wrap(~ Product_group)
ggplot(data=Nholiday,aes(x=time, y=total_sales,group=Product_group,colour = Product_group))+
  geom_col()+
  ggtitle("비휴일 시간대별 총 매출액")

time_holiday_counts <- shop_data %>%
  group_by(time, Product_group, holiday) %>%
  tally
ggplot(data = time_holiday_counts, aes(x = time, y = n, color = holiday, group = holiday)) +
  geom_line() +
  facet_wrap(~ Product_group)+
  ggtitle("휴일/비휴일 상품군 별 편성 횟수 비교")

time_holiday_total <- shop_data %>%
  group_by(time, Product_group, holiday) %>%
  summarize(Rtotal_sales = sum(total_sales))
ggplot(data = time_holiday_total, aes(x = time, y = Rtotal_sales, color = holiday, group = holiday)) +
  geom_line() +
  facet_wrap(~ Product_group)+
  ggtitle("휴일/비휴일 상품군 별 매출액 비교")

##주차별

byweek<-shop_data %>% group_by(week, Product_group) %>% 
  summarize(Rtotal_sales=sum(total_sales))

ggplot(data=byweek, aes(x=week, y=Rtotal_sales, group=Product_group, color=Product_group))+
  geom_line()+
ggtitle("상품군 별 판매액 주차 추이")

#하루당 매출액 추이
#sales_per_day<-당일 매출액

sales_per_day<-shop_data %>% group_by(Date) %>% 
  summarize(total_sales_per_day=sum(total_sales))
sales_per_day$Date<-as.Date(substr(sales_per_day$Date,1,10))
sales_per_day<-sales_per_day[1:365,]
ggplot(data=sales_per_day, aes(x=Date, y=total_sales_per_day))+
  geom_point()

#product_group count 편성 방법 /블록식

group_count1<-shop_data %>% group_by(Date,M_code,Product_group) %>% 
  summarize(count1=n())
group_count2<-group_count1[,1:3]
group_count_last<-group_count2 %>% group_by(Date,Product_group) %>% 
  summarize(count1=n())

#월별로 그래프를 그려보려고 한다.
#그런데 월별을 일단 character으로 바꿔줘보자
#월별로 총 판매 실적을 보고자 한다. 

shop_data$month<-as.character(shop_data$month)

ggplot(data=shop_data, aes(x=month, y=total_sales))+
  geom_col()+
  scale_x_discrete(limits=c("1","2","3","4","5","6","7","8","9","10","11","12"))+
  ggtitle("월별 총판매실적")

#12월의 총판매액이 가장 많고
#2월과 4월의 판매액이 가장 적다
#월별로 상품군에 따라 편성 횟수를 각각 보고자 한다. 

month1<-shop_data %>% filter(month=="1")
ggplot(data=month1)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("1월달 상품군 편성 횟수")

ggplot(data=month1, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("1월달 상품군 총 매출액")


month2<-shop_data %>% filter(month=="2")
ggplot(data=month2)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("2월달 상품군 편성 횟수")

ggplot(data=month2, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("2월달 상품군 총 매출액")

month3<-shop_data %>% filter(month=="3")
ggplot(data=month3)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("3월달 상품군 편성 횟수")

ggplot(data=month3, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("3월달 상품군 총 매출액")

month4<-shop_data %>% filter(month=="4")
ggplot(data=month1)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("1월달 상품군 편성 횟수")

ggplot(data=month4, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("4월달 상품군 총 매출액")

month5<-shop_data %>% filter(month=="5")
ggplot(data=month5)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("5월달 상품군 편성 횟수")

ggplot(data=month5, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("5월달 상품군 총 매출액")

month6<-shop_data %>% filter(month=="6")
ggplot(data=month1)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("6월달 상품군 편성 횟수")

ggplot(data=month6, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("6월달 상품군 총 매출액")


month7<-shop_data %>% filter(month=="1")
ggplot(data=month1)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("7월달 상품군 편성 횟수")

ggplot(data=month7, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("7월달 상품군 총 매출액")

month8<-shop_data %>% filter(month=="8")
ggplot(data=month1)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("8월달 상품군 편성 횟수")

ggplot(data=month8, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("8월달 상품군 총 매출액")

month9<-shop_data %>% filter(month=="9")
ggplot(data=month9)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("1월달 상품군 편성 횟수")

ggplot(data=month9, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("9월달 상품군 총 매출액")

month10<-shop_data %>% filter(month=="10")
ggplot(data=month1)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("10월달 상품군 편성 횟수")

ggplot(data=month10, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("10월달 상품군 총 매출액")

month11<-shop_data %>% filter(month=="11")
ggplot(data=month1)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("11월달 상품군 편성 횟수")

ggplot(data=month11, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("11월달 상품군 총 매출액")

month12<-shop_data %>% filter(month=="12")
ggplot(data=month12)+
  geom_bar(mapping=aes(x=Product_group))+
  ggtitle("12월달 상품군 편성 횟수")

ggplot(data=month12, aes(x=Product_group, y=total_sales))+
  geom_col(position="stack")+
  ggtitle("12월달 상품군 총 매출액")

#한번에 그래프 그리기
#월별 총 매출액을 하나의 그래프로 합쳐 그렸다. 

ggplot(data=shop_data, aes(x=month, y=total_sales, group=Product_group, color=Product_group))+
  geom_col(position="stack")+
  ggtitle("월별 총 매출액 비교")

#상품군별로 살펴본 월별 총 판매액 비교 

ggplot(data = shop_data, aes(x = month, y = total_sales)) +
  geom_line() +
  facet_wrap(~ Product_group)+
  ggtitle("상품군별로 살펴본 월별 총 판매액 비교")

#상품군별로 살펴본 월별 총 판매 횟수의 비교 

ggplot(data = shop_data, aes(x = month)) +
  geom_bar() +
  facet_wrap(~ Product_group)+
  ggtitle("상품군별로 살펴본 월별 총 판매 횟수의 비교")

#상품군 별 월별 총 판매액 주차 추이

bymonth<-shop_data %>% group_by(month, Product_group) %>% 
  summarize(Rtotal_sales=sum(total_sales))

ggplot(data=bymonth, aes(x=month, y=Rtotal_sales, group=Product_group, color=Product_group))+
  geom_line()+
  ggtitle("상품군 별 판매액 주차 추이")+scale_x_discrete(limits=c(1:12))

#환경 세팅

#데이터 불러오기

shop_data<- read.csv("C:/Users/yjk9/Desktop/final_data.csv",header=T,sep=",")
head(shop_data)
shop_data<- as.data.frame(shop_data)

Product_code

상품코드별 histogram

library(ggplot2)
ggplot(data=shop_data)+geom_bar(mapping=aes(x=Product_code))+ggtitle("Histogram of Product_code")
library(tidyverse)
freq1<- shop_data %>% count(Product_code) #table과 같음

설명: 제일 많이 편성된 횟수는 318번이며, 100번 이상 편성된 상품은 총 50개이다.

상품코드별 편성횟수의 분포

ggplot(data=freq1)+geom_histogram(aes(x=n),bins=50)+ggtitle("편성 횟수 분포")

설명: 편성 횟수가 0번~100번 사이에 많이 분포하고 있으며, 같은 상품에 대해 3번, 6번 정도를 제일 많이 편성하는 것으로 보인다.

상품코드별 평균 매출액 계산, 데이터프레임으로 묶기

pc_sales<- aggregate(shop_data$total_sales,by=list(shop_data$Product_code),FUN=sum)
pc_info<- data.frame(pc_sales,freq1[,2])
names(pc_info)<- c("Product_code","total_sales","freq")
mean_sales<- pc_info$total_sales/pc_info$freq #평균 매출액
pc_info<- data.frame(pc_info,mean_sales)
p<- subset(shop_data,select=c('Product_code','Product_name','Product_group','unit_price'))
product<- unique(merge(pc_info,p,by="Product_code"))
product<- data.frame(product, quantity=product$total_sales/product$unit_price)
head(product)

상품코드별 그래프

설명: 상품코드별 총 매출액이 가장 높았던 상품은 농수축 상품군의 안동간고등어 20팩이다. 그 다음은 농수축 상품군의 AAB의 소곱창전골 800g x 8팩이다. 이 두가지 상품은 편성 빈도도 매우 높게 나타났다. (각각 318, 252번)

ggplot(data=product)+geom_col(aes(x=Product_code,y=total_sales))+ggtitle("상품 코드 당 전체 매출액") 
product_order1<- product[order(-product$total_sales),]; head(product_order1)

설명: 상품코드 당 평균 매출액이 가장 높았던 상품은 농수축 상품군의 피시원 국내산 절단 햇 꽃게 2.4kg이다. 그 다음은 CERINI

ggplot(data=product)+geom_col(aes(x=Product_code,y=mean_sales))+ggtitle("상품 코드 당 한번 편성 했을 때의 평균 매출액 ")
product_order2<- product[order(-product$mean_sales),]; head(product_order2)

설명: 상품코드 당 판매량이 가장 높았던 상품은 농수축 상품군의 안동간고등어 20팩이다. 그 다음은 농수축 상품군의 AAB의 소곱창전골 800g x 8팩이다. 이 트렌트는 총 매출액을 비교했을 때와 비슷하다.

ggplot(data=product)+geom_col(aes(x=Product_code,y=quantity))+ggtitle("상품 코드 당 한번 편성 했을 때의 판매량")
product_order3<- product[order(-product$quantity),]; head(product_order3)

느낀점: 코드별로 일단 매출액, 수량, 평균 매출액 등으로 그려보긴 했지만, 특별한 유의성이 있는지 알아보기는 쉽지 않음. 그냥 어떤 상품이 매출이 높은지, 판매수량이 높은지 확인하는 정도. 하지만 왜 높은지 생각해볼 필요성은 있다고 봄. 나중에 편성할 때 필요할 수도 있다고 생각함.

시간변수를 함께 고려하면서 추이를 살펴보는게 더 의미있다.

Product_group

데이터 정리

freq2<- shop_data %>% count(Product_group)
pg_sales<- aggregate(shop_data$total_sales,by=list(shop_data$Product_group),FUN=sum)
pg_mean_sales<- aggregate(shop_data$total_sales,by=list(shop_data$Product_group),FUN=mean)
pg_info<- data.frame(pg_sales,pg_mean_sales,freq2[,2])
pg_info<- pg_info[,-3]
names(pg_info)<- c("Product_group","total_sales","mean_sales","freq")

그래프

가전, 주방 상품군의 편성 빈도가 매우 높다.

ggplot(data=pg_info)+geom_col(mapping=aes(x=Product_group,y=freq))+ggtitle("상품군별 편성 빈도")

의류, 농수축, 가전, 주방의 상품군에서 이상치가 나타난다. 이는 어떤 특정한 상품에서 아주 높은 매출액을 기록한 것이다.

상품군들중 가장 높은 평균 매출액을 가지는 상품군은 농수축이다.

ggplot(data=shop_data,aes(x=Product_group,y=total_sales))+geom_boxplot()+ggtitle("상품군별 매출액")

데이터 불러오기

shop_data<-read.csv("C:/Users/yjk9/Desktop/final_data.csv")
head(shop_data)
attach(shop_data)

총판매량은 농수축이 제일 많지만 방영횟수는 가전, 주방이 제일 많음

방영횟수 자체도 0-20-40이 압도적으로 많아서 전반:0, 중반:20, 후반:40 으로 봄.

가구

furniture <-shop_data %>% filter(Product_group=="가구")
furniture

ggplot(data=furniture, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("가구 min별 총 판매량")

의류

clothes <-shop_data %>% filter(Product_group=="의류")

ggplot(data=clothes, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("의류 min별 총 판매량")

속옷

underwear <-shop_data %>% filter(Product_group=="속옷")

ggplot(data=underwear, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("속옷 min별 총 판매량")

주방

kitchen <-shop_data %>% filter(Product_group=="주방")

ggplot(data=kitchen, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("주방 min별 총 판매량")

농수축

agriculture <-shop_data %>% filter(Product_group=="농수축")

ggplot(data=agriculture, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("농수축 min별 총 판매량")

이미용

beauty <-shop_data %>% filter(Product_group=="이미용")

ggplot(data=beauty, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("이미용 min별 총 판매량")

가전

electronics <-shop_data %>% filter(Product_group=="가전")

ggplot(data=electronics, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("가전 min별 총 판매량")

생활용품

living <-shop_data %>% filter(Product_group=="생활용품")

ggplot(data=living, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("생활용품 min별 총 판매량")

건강기능

health <-shop_data %>% filter(Product_group=="건강기능")

ggplot(data=health, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("건강기능 min별 총 판매량")

잡화

goods <-shop_data %>% filter(Product_group=="잡화")

ggplot(data=goods, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("잡화 min별 총 판매량")

침구

bed <-shop_data %>% filter(Product_group=="침구")

ggplot(data=electronics, aes(x=min, y=Sales_quantity))+
  geom_col(position="stack")+
  ggtitle("침구 min별 총 판매량")
profile
YJ K
Hey this is a simple portfolio of a Statistics Graduate student. Since I'm a beginner of velog my portfolio's not sophisticated yet. But I'll upload and decorate mine soon~ Just enjoy what Data Scientist dreamer's doing:) Thank you!

0개의 댓글