一、数据处理与分析流程

1. 数据初步探索：运用 Pandas 库读取 “双十一淘宝美妆数据.csv” 文件，借助head()、info()、shape、describe()等方法，快速了解数据的基本特征，包括数据规模（27598 条记录、7 个特征）、数据类型（3 个数值型、4 个对象型）、缺失值（sale_count和comment_count存在缺失）以及数值型特征的统计信息（如price的均值、标准差等）。这使我掌握了数据初步探索的关键方法，能快速把握数据集的整体情况，为后续分析奠定基础。
2. 数据清洗：在重复值处理上，利用drop_duplicates()函数删除重复值，并通过reset_index()重置索引，有效去除 86 条重复数据。对于缺失值，先观察缺失值所在行的情况，而后基于业务逻辑用 0 填充sale_count和comment_count的缺失值，确保数据的完整性，为准确分析提供保障。
3. 特征工程：使用jieba库对商品title进行分词，以挖掘商品特征。通过自定义分类规则，创建商品分类字典，为商品添加sub_type（子类别）和main_type（主类别）列。同时，根据商品标题中的关键词判断是否为男士专用，新增是否男士专用列，并通过计算price和sale_count的乘积得到销售额列。这些操作让我理解了如何从现有数据中挖掘新特征，提升数据的价值和分析的深度。
4. 数据分析与可视化：运用matplotlib和seaborn库进行数据可视化，绘制各类图表（如条形图、饼图、折线图）。通过分析各店铺的商品数量、销量、销售额以及平均每单单价等指标，发现价格与销量、销售额之间的关系，如低均价店铺的总销量和销售额更高。在分析各类别销售情况时，明确了护肤品类在大类中销量最高，清洁类和补水类在小类中销量领先。此外，还对性别因素进行分析，了解男士专用和非男士专用商品的销售差异，以及不同日期的销售波动情况，学会从多个维度深入分析数据，洞察数据背后的规律。

二、行业洞察

1. 品牌表现差异：从数据中看出，不同品牌在商品数量、销量、销售额和评论数等方面表现各异。悦诗风吟商品数量多但销量和销售额排名相对靠后；相宜本草商品数量处于中游，却在销量和销售额上表现突出，且其平均每单评论数过高，可能存在刷单现象。这使我认识到品牌在市场中的表现受多种因素影响，需综合评估。
2. 价格与销售关系：价格对销售影响显著，低均价品牌整体销量和销售额更高。但高端商品中，雅诗兰黛凭借品牌效应和良好的使用体验，在高价格区间仍有较高销售额。说明消费者在购买美妆产品时，价格是重要考虑因素，但品牌和产品品质同样关键。
3. 性别市场差异：男士专用商品中，护肤品销量最高，妮维雅、欧莱雅、相宜本草在男士专用护肤品市场份额较大。而男士化妆品主要集中在唇膏类。男性市场虽占比相对较低，但有发展潜力，值得美妆企业关注和开拓。
4. 销售时间波动：双 11 期间，销量在 9 日达到峰值，11 日当天急剧下滑，11 日后又缓慢增长。这主要是由于双 11 预热、预售活动促使消费者提前消费，以及消费者对双 11 当天网络卡顿的担忧。商家可据此调整营销策略，如在双 11 前加大推广力度，双 11 后通过优惠活动刺激二次消费。

三、技术收获

1. Python 数据分析库的运用：熟练掌握了pandas库进行数据读取、清洗、转换和分析，如数据筛选、分组计算、数据透视等操作；学会使用matplotlib和seaborn库绘制各类图表，实现数据的可视化展示，直观呈现数据特征和规律；还运用jieba库进行中文文本分词，拓展了文本数据处理的技能。
2. 数据处理与可视化技巧：在数据处理过程中，学会处理重复值、缺失值，进行数据类型转换等；在可视化方面，掌握了图表的布局、标签设置、颜色搭配，以及如何选择合适的图表类型（如条形图用于比较、饼图展示占比、折线图呈现趋势）来有效传达数据信息。

四、总结与展望

通过本次学习，我不仅提升了数据分析的实践能力，还对美妆行业在双 11 期间的市场动态有了更深入的理解。在未来的学习和实践中，我将继续深化对数据分析方法和工具的学习，尝试运用更多的机器学习算法挖掘数据价值，如预测不同品牌的销售趋势、消费者购买行为分析等。同时，关注行业动态和市场变化，将数据分析与实际业务紧密结合，为企业决策提供更有价值的参考。