学生校园消费数据分析与可视化

引言

校园消费数据是反映学生日常生活和消费习惯的重要指标，通过对这些数据的深入分析，可以帮助学校更好地了解学生需求，优化校园服务设施，提升学生生活质量。本文基于真实的学生校园消费数据，通过数据清洗、预处理和可视化分析，揭示学生消费行为的规律和特点。

数据获取与预处理

数据来源

本次分析的数据来源于三个CSV文件（data1.csv、data2.csv、data3.csv），包含了学生的基本信息和消费记录。

数据清洗与预处理

在进行数据分析之前，我们首先对原始数据进行了清洗和预处理，主要包括以下步骤：

1. 读取并整合三个CSV文件中的数据
2. 处理缺失值，对于关键信息缺失的记录进行删除或填充
3. 处理异常值，识别并移除明显不合理的消费记录
4. 转换数据格式，确保日期、金额等字段格式统一
5. 将处理后的数据保存为processed_student_data.csv文件

数据结构说明

处理后的数据集包含以下主要字段：

• CardNo：学生校园卡编号
• PeoNo：学生学号
• Date：消费日期和时间
• Money：消费金额
• Type：交易类型（消费/存款）
• Dept：消费地点
• Sex：性别
• Major：专业

数据分析与可视化

1. 消费时间趋势分析

通过分析学生消费金额随时间的变化趋势，我们可以了解学生在不同时间段的消费规律。

分析结论：从消费时间趋势图可以看出，学生消费金额呈现出明显的周期性波动。工作日（周一至周五）的消费金额明显高于周末，这与学生的上课时间安排和校园活动规律相符。此外，4月18日出现了一个明显的消费高峰，可能与学校的特殊活动或节假日有关。

2. 消费地点分布分析

分析学生在不同地点的消费情况，可以帮助学校了解各服务设施的使用情况，优化资源配置。

分析结论：从消费地点分布对比图可以看出，第四食堂的总消费金额最高，达到91130.2元，而第二食堂的消费次数最多，达到31197次。这表明不同食堂在学生中的受欢迎程度和消费特点存在差异。学校可以根据这些数据调整各食堂的服务内容和运营时间，以更好地满足学生需求。

3. 男女生消费差异分析

分析男女生在消费金额上的差异，可以了解不同性别学生的消费习惯和偏好。

分析结论：从男女生消费占比饼图可以看出，女生的总消费金额略高于男生，分别为83257.76元和80083.13元，占比约为51%和49%。这一差异相对较小，说明在校园消费方面，男女生的整体消费水平较为接近。

4. 专业消费差异分析

分析不同专业学生的消费情况，可以了解各专业学生的消费特点和需求差异。

分析结论：从专业消费差异对比图可以看出，不同专业学生的消费金额和消费次数存在明显差异。18软件技术专业的总消费金额最高，达到11414.16元，而18连锁经营专业的消费次数最多，达到3024次。这可能与各专业的学生人数、课程安排和生活习惯等因素有关。

5. 消费金额分布分析

分析学生消费金额在不同区间的分布情况，可以了解学生的消费结构和消费水平。

分析结论：从消费金额分布柱状图可以看出，学生的消费主要集中在0-10元的区间内，其中0-5元区间的消费次数最多，达到6.9万次，5-10元区间的消费次数为2.5万次。这表明学生的日常消费以小额消费为主，符合校园生活的特点。

结论与建议

主要发现

1. 学生消费金额呈现明显的周期性波动，工作日消费高于周末
2. 不同食堂的消费金额和消费次数存在差异，第四食堂消费金额最高，第二食堂消费次数最多
3. 男女生的消费水平较为接近，女生略高于男生
4. 不同专业学生的消费情况存在明显差异，软件技术专业消费金额最高，连锁经营专业消费次数最多
5. 学生消费主要集中在0-10元的小额消费区间

对学校管理的建议

1. 根据消费时间趋势，合理安排各服务设施的运营时间，特别是在消费高峰期增加服务人员和窗口
2. 根据各食堂的消费特点，调整菜品结构和价格策略，优化资源配置
3. 关注不同专业学生的需求差异，提供更有针对性的服务
4. 针对学生小额消费为主的特点，优化支付方式，提高消费便利性

代码实现

数据读取与预处理代码

import pandas as pd
import numpy as np

# 读取三个CSV文件
df1 = pd.read_csv('data1.csv')
df2 = pd.read_csv('data2.csv')
df3 = pd.read_csv('data3.csv')

# 整合数据
data = pd.concat([df1, df2, df3], ignore_index=True)

# 处理缺失值
data = data.dropna(subset=['CardNo', 'Money', 'Date'])  # 删除关键信息缺失的记录

# 处理异常值
data = data[(data['Money'] > 0) & (data['Money'] < 1000)]  # 过滤不合理的消费金额

# 转换数据格式
data['Date'] = pd.to_datetime(data['Date'])

# 保存处理后的数据
data.to_csv('processed_student_data.csv', index=False)

数据分析与可视化代码

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime

# 读取处理后的数据
data = pd.read_csv('processed_student_data.csv')
data['Date'] = pd.to_datetime(data['Date'])

# 1. 消费时间趋势分析
daily_consumption = data.groupby(data['Date'].dt.date)['Money'].sum()
plt.figure(figsize=(12, 6))
plt.plot(daily_consumption.index, daily_consumption.values)
plt.title('学生校园消费时间趋势图')
plt.xlabel('日期')
plt.ylabel('消费金额(元)')
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('消费时间趋势图.png')

# 2. 消费地点分布分析
location_consumption = data.groupby('Dept')['Money'].agg(['sum', 'count']).sort_values('sum', ascending=False).head(5)
location_consumption.plot(kind='barh', figsize=(12, 6))
plt.title('学生校园消费地点分布对比图')
plt.xlabel('金额/次数')
plt.ylabel('消费地点')
plt.tight_layout()
plt.savefig('消费地点分布对比图.png')

# 3. 男女生消费差异分析
sex_consumption = data.groupby('Sex')['Money'].sum()
plt.figure(figsize=(8, 8))
plt.pie(sex_consumption.values, labels=sex_consumption.index, autopct='%1.1f%%')
plt.title('男女生消费占比饼图')
plt.axis('equal')
plt.tight_layout()
plt.savefig('男女生消费占比饼图.png')

# 4. 专业消费差异分析
major_consumption = data.groupby('Major')['Money'].agg(['sum', 'count']).sort_values('sum', ascending=False).head(10)
major_consumption.plot(kind='barh', figsize=(12, 8))
plt.title('专业消费差异对比图')
plt.xlabel('金额/次数')
plt.ylabel('专业')
plt.tight_layout()
plt.savefig('专业消费差异对比图.png')

# 5. 消费金额分布分析
bins = [0, 5, 10, 15, 20, 30, 50, 100]
labels = ['0-5元', '5-10元', '10-15元', '15-20元', '20-30元', '30-50元', '50-100元']
data['AmountRange'] = pd.cut(data['Money'], bins=bins, labels=labels, right=False)
amount_distribution = data['AmountRange'].value_counts().sort_index()
plt.figure(figsize=(12, 6))
plt.bar(amount_distribution.index, amount_distribution.values / 10000)  # 转换为万次
plt.title('学生校园消费金额分布柱状图')
plt.xlabel('消费金额区间')
plt.ylabel('消费次数(万次)')
plt.tight_layout()
plt.savefig('消费金额分布柱状图.png')

通过以上分析和代码实现，我们对学生校园消费数据有了全面的了解。这些分析结果可以为学校的管理决策提供有力支持，帮助学校更好地满足学生需求，提升校园服务质量。

赛题数据下载：

https://download.csdn.net/download/qq_51751200/92212043