ECデータ分析とpandasの相性
Pythonのpandasは、表形式のデータを高速に処理・集計・可視化するためのライブラリです。売上データ・在庫データ・アクセスログなど、ECビジネスで扱うデータの分析に非常に適しています。
本記事では、ECサイトの売上CSVをpandasで読み込み、トレンドを分析してmatplotlibで可視化するまでの流れを解説します。
環境構築
pip install pandas matplotlib seaborn openpyxl
データの読み込みと前処理
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import seaborn as sns
from pathlib import Path
# 日本語フォント設定（macOS）
plt.rcParams['font.family'] = 'Hiragino Sans'
# CSVを読み込む
df = pd.read_csv('sales_2024.csv', encoding='utf-8-sig')
# カラム確認
print(df.dtypes)
print(df.head())
# 日付型に変換
df['order_date'] = pd.to_datetime(df['order_date'])
# 売上金額を数値に変換（カンマ区切り文字列の場合）
df['sales'] = df['sales'].str.replace(',', '').astype(float)
# 欠損値の確認と除去
print(df.isnull().sum())
df = df.dropna(subset=['sales', 'order_date'])
月別売上の集計
# 月別に集計
df['year_month'] = df['order_date'].dt.to_period('M')
monthly = df.groupby('year_month').agg(
total_sales=('sales', 'sum'),
order_count=('order_id', 'count'),
avg_order_value=('sales', 'mean'),
).reset_index()
monthly['year_month_str'] = monthly['year_month'].astype(str)
print(monthly.tail(6))
# 出力例:
# year_month total_sales order_count avg_order_value
# 2024-07 4523800 312 14499.4
# 2024-08 5112400 389 13143.7
# ...
月別売上トレンドのグラフ化
fig, axes = plt.subplots(2, 1, figsize=(12, 8))
# 上段：月別売上金額
ax1 = axes[0]
ax1.bar(monthly['year_month_str'], monthly['total_sales'] / 10000,
color='steelblue', alpha=0.8)
ax1.plot(monthly['year_month_str'], monthly['total_sales'] / 10000,
color='navy', marker='o', linewidth=2)
ax1.set_title('月別売上金額（万円）', fontsize=14)
ax1.set_ylabel('売上（万円）')
ax1.tick_params(axis='x', rotation=45)
ax1.grid(axis='y', alpha=0.3)
# 下段：月別注文件数
ax2 = axes[1]
ax2.bar(monthly['year_month_str'], monthly['order_count'],
color='coral', alpha=0.8)
ax2.set_title('月別注文件数', fontsize=14)
ax2.set_ylabel('件数')
ax2.tick_params(axis='x', rotation=45)
ax2.grid(axis='y', alpha=0.3)
plt.tight_layout()
plt.savefig('monthly_trend.png', dpi=150, bbox_inches='tight')
plt.show()
カテゴリ別売上分析
# カテゴリ別の売上構成
category_sales = df.groupby('category')['sales'].sum().sort_values(ascending=False)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
# 棒グラフ
category_sales.plot(kind='bar', ax=ax1, color='teal', alpha=0.8)
ax1.set_title('カテゴリ別売上')
ax1.set_ylabel('売上（円）')
ax1.tick_params(axis='x', rotation=45)
# 円グラフ
ax2.pie(category_sales, labels=category_sales.index,
autopct='%1.1f%%', startangle=90)
ax2.set_title('カテゴリ別売上構成比')
plt.tight_layout()
plt.savefig('category_breakdown.png', dpi=150)
前年比・前月比の計算
# 前月比の計算
monthly['prev_month_sales'] = monthly['total_sales'].shift(1)
monthly['mom_growth'] = (
(monthly['total_sales'] - monthly['prev_month_sales'])
/ monthly['prev_month_sales'] * 100
).round(1)
# 直近12ヶ月の成長率を表示
print(monthly[['year_month_str', 'total_sales', 'mom_growth']].tail(12).to_string())
商品別・時間帯別クロス集計
# 注文時間帯を追加
df['hour'] = df['order_date'].dt.hour
df['weekday'] = df['order_date'].dt.day_name()
# ヒートマップ：曜日×時間帯の注文数
weekday_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
pivot = df.pivot_table(
values='order_id',
index='weekday',
columns='hour',
aggfunc='count',
).reindex(weekday_order)
plt.figure(figsize=(16, 5))
sns.heatmap(pivot, cmap='YlOrRd', annot=True, fmt='.0f', linewidths=0.5)
plt.title('曜日×時間帯の注文数ヒートマップ')
plt.savefig('heatmap_orders.png', dpi=150)
Googleスプレッドシートへの書き出し
import gspread
from google.oauth2.service_account import Credentials
# 認証
creds = Credentials.from_service_account_file('service_account.json', scopes=[
'https://spreadsheets.google.com/feeds',
'https://www.googleapis.com/auth/drive',
])
gc = gspread.authorize(creds)
# スプレッドシートを開いてデータを書き込む
sh = gc.open('EC売上ダッシュボード')
ws = sh.worksheet('月別集計')
ws.clear()
# DataFrameをリストに変換して書き込む
data = [monthly.columns.tolist()] + monthly.values.tolist()
ws.update('A1', data)
まとめ
pandasは売上データの集計・分析・可視化を効率的に行えるツールです。弊社ではEC事業者向けに月次売上分析レポートの自動生成・Googleスプレッドシートへの自動書き出しを実装しています。
データ分析・自動レポート生成についてはお気軽にご相談ください。
