Python数据分析实战：从课程作业到图书馆借阅行为分析

1. 选题定调这份“作业”到底要做什么先说结论把一份看起来普普通通的课程作业做成一个能写进简历的完整数据分析小项目这完全可行。我这次拿到的题目就是“shuyibin的作业”一份信息科技课的期末大作业表面要求是“使用Python对一组真实数据进行统计分析并撰写报告”但老师没有限定数据来源、没有限定分析维度、也没有限定报告形式。这种自由度极高的作业最容易做崩也最容易做出彩。很多同学遇到这种开放式作业第一反应是去网上抄一份现成的“学生成绩分析”或者“电商销售数据分析”交差了事。但我的经验是这种通用模板恰恰是评分最低的。为什么因为全班三四十号人三分之一都交同一份“销量分析”老师审美疲劳不说答辩时一问数据从哪来的、为什么选这个字段、异常值怎么处理的答不上来就直接露馅。所以我在拿到题目后没有急着写代码而是先花了两天时间想清楚三件事作业的受众是谁、要证明什么能力、用什么数据最能体现这种能力。这份作业的受众是信息课老师评分维度大概率包括数据处理的规范程度、统计方法的正确性、可视化的表达效果、报告的逻辑完整性。也就是说光跑出一个结果远远不够过程的可解释性才是高分关键。我最终选定的方向是“校园图书馆借阅行为分析”用自己模拟生成的一个月借阅流水数据从时间规律、类别偏好、借阅周期三个角度切入完整走了一遍“数据采集—清洗—聚合—可视化—结论输出”的流程。为什么选图书馆数据而不是电商数据因为校园场景离我最近字段语义我能讲清楚比如“还书日期减去借书日期就是借阅天数”这类业务解释在答辩时非常加分。而且图书馆数据的分析结论是有实际意义的——可以反推热门书目的备货策略和开放时间优化这种“分析结果能落回业务场景”的感觉是纯模板作业给不了的。2. 数据准备与预处理八成的功夫都花在这2.1 造一份“真实感”十足的数据集既然是作业我手上并没有现成的图书馆数据库直接抓公开数据又不一定贴合校园场景。所以我的方案是自己写脚本模拟生成一份高仿真借阅流水。这里有个关键认知需要纠正模拟数据不代表随便造造数据的严谨程度直接决定后续分析的可靠程度。我的数据字段设计如下字段名含义示例模拟规则borrow_id借阅流水号B202505001日期当日序号student_id学号S2021001五位编号book_id图书编号B001共120本category图书类别计算机/文学/历史九个大类borrow_date借出日期2025-05-04集中在学期中段return_date归还日期2025-05-18借期3~30天模拟的时候我给自己定了三个原则第一时间范围固定为2025年4月1日到5月31日共61天这样就有一个完整的学期中段周期可以观察规律第二借阅量与日期强关联比如每周一和考试周前一周借阅量明显上升这就人为制造了“业务规律”方便后面分析出有意义的结论第三数据里必须埋入脏数据包括缺失值、重复记录、异常日期否则清洗环节没东西可写。生成数据我用的是Python的random模块加pandas批量拼接总共生成600条左右的流水。造数据不是目标造出能支撑多维度分析的“信号”才是目标。2.2 缺失值、重复值和异常值的处理逻辑数据生成之后我特意在脚本里埋了这些脏数据三条records缺失return_date两条records完全重复一条records的borrow_date晚于return_date还有一条category写成了“计算机类”而不是统一的“计算机”。这里分享一个处理脏数据的顺序方法论先看结构再看值先补缺失再剔异常。我是这样操作的import pandas as pd df pd.read_csv(library_borrow.csv, parse_dates[borrow_date, return_date]) print(df.info()) print(df.isnull().sum())df.info()能快速暴露每列的非空数量和数据类型。缺失的return_date我采用“同类书籍平均借阅天数补齐”的策略而不是直接删行。比如历史类图书的平均借期是12.6天缺失的那条就用借用日期加上13天作为估计归还日。这样处理比直接drop更有技术含量也更能体现对业务的理解。遇到borrow_date晚于return_date的记录我的判断是原始录入把日期填反了处理方式是交换两个字段的值。重复行直接drop_duplicates()删掉就好。全部清洗完之后我还会用df.describe()看一遍数值分布的合理性比如借阅天数最小值为1、最大值为30没有负数、没有超长周期确认数据质量过关再进入下一步。2.3 派生字段和聚合表构建原始流水表只能回答“谁借了什么”但分析需要的是“某天借了多少”“某类书被借了几次”这样的汇总视角。所以清洗完数据后我紧接着做了三张聚合表每日借阅量表df.groupby(borrow_date).size()用于观察时间趋势类别借阅排行表df[category].value_counts()用于分析藏书偏好借阅周期分布表计算(return_date - borrow_date).dt.days后生成新列再分组统计这里要强调分析不是拿到数据就开始画图而是先想清楚“要通过哪几张表回答哪些问题”然后再用代码去实现。我把分析框架分成了三个问题图书馆的借阅高峰出现在什么时候哪类图书最受欢迎男生女生的偏好差异大吗平均借阅时长是多少不同类别的借阅周期有没有显著区别框架一旦定下来后面的代码和图表就都是为这三个问题服务的报告自然也不会散。3. 核心分析与可视化实现3.1 借阅时间趋势找到隐藏的“节奏感”第一个分析目标是观察61天内的借阅量变化。直接画df.groupby(borrow_date).size().plot(kindline)确实能出一条线但这种最朴实的方式信息量很低。我做了两个优化维度第一个优化是按星期几分组。把所有借阅记录映射到“周一”到“周日”然后求每天的平均借阅量这样就能回答“一周里哪天最忙”的问题。我得到的结果是周一和周五显著偏高周六周日断崖式下降。道理其实很朴素——周一大家刚回学校习惯性要去图书馆借一周的书周五则是因为周末前有阅读计划周末反而是借阅低谷。第二个优化是周粒度趋势。把61天按自然周拆分观察第1周到第9周的借阅量走势可以看到明显的“两头高中间平稳”形态。第1周是开学初借阅高峰大家新学期信心满满要读书第8周骤然上升因为期末考试临近。这两个维度的代码逻辑都不复杂但分析角度一分开报告的层次立刻就不一样了。导师看到的不再是“一条线”而是“两条不同尺度的规律线”。3.2 热门类别与读者画像类别偏好的分析我用的是柱状图和饼图结合的方式。堆叠柱状图能同时展示“类别的总借阅量”和“男女比例构成”饼图则适合展示占比。运行出来的结果是计算机类借阅占比28.6%排名第一文学类24.2%紧随其后历史类和经管类分列三四位。这个结果其实能延伸出好几个有价值的结论。计算机类高居榜首和我们学校理工科背景强、编程课程学分比重大有直接关系。文学类能排到第二说明“课外轻阅读”的需求始终存在图书馆的新书采购不能只盯着专业书。对比男女比例还能发现借阅计算机类的以男同学为主文学类的女同学比例更高但两者的重叠用户也不少。这里我没有做过于复杂的推荐算法而是用了一个很直观的pd.crosstab交叉表。交叉表在处理“类别×性别”这种双维计数场景时比groupby更清爽cross pd.crosstab(df[category], df[gender]) cross[合计] cross.sum(axis1) cross cross.sort_values(合计, ascendingFalse)3.3 借阅周期分析用箱线图替代均值借阅周期就是我前面算出来的(return_date - borrow_date).dt.days。很多人在这一步会直接报一个“平均借阅天数14.2天”了事但这样做有个很明显的坑如果数据里有极端的31天长期借阅记录均值会被拉高掩盖掉大多数人的真实行为。我的做法是画分组箱线图每个类别一张图同时观察中位数、四分位数和离群点。结果很有看点计算机类的中位借阅周期是9天明显短于文学类的16天。这说明工具书大家借回去是当手册查的办完事就还小说则被当枕头书慢慢翻慢慢看。这种差异如果只报一个均值是完全没有办法发现的。再进一步我还计算了逾期归还率即借阅天数超过30天的记录占比。逾期率最高的是文学类达到了6.8%计算机类只有2.1%。这个数字对图书馆管理有直接价值逾期率高的类别应该适当延长借期或者引入临近到期提醒功能。3.4 可视化细节字体、配色与图表的“可读性”可视化是这次作业里我踩坑最多的环节集中说一下三个高频雷区。第一个是Matplotlib中文乱码问题。默认字体不支持中文图上一片方块。解决方式是在绘图前声明中文字体plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei] plt.rcParams[axes.unicode_minus] False第二个是图表配色问题。Matplotlib默认的颜色虽然不难看但同质性很强多图并列时容易视觉疲劳。我选了一个低饱和度的配色方案主色用#4C72B0和#DD8452辅助色用#55A868整套图表放在报告里视觉风格统一加分不少。第三个是坐标轴信息密度。很多人画柱状图时横坐标不旋转、不加数值标签导致柱子挤成一团。我的习惯是类别超过五个的柱状图横坐标标签必须旋转30度关键数值必须直接标在柱顶上方用plt.text()手动添加而不是让读者自己拿尺子去对坐标轴读数。4. 报告撰写与常见问题排查实录4.1 作业报告的结构化表达框架代码和分析做完了作业只完成了一半另一半是报告。我见过太多技术能力不差但因为报告混乱被扣分的案例。我自己用的报告框架是这样项目背景与目标1页说明为什么选图书馆数据、想回答什么业务问题数据来源与处理说明1.5页贴上字段字典、清洗前后对比强调数据质量分析过程与可视化3页三个分析模块各一页每个模块按“图表结论”的结构写结论与改进建议0.5页把分析结果反推回图书馆管理的具体动作报告里有一条铁律我每次都会强调每一张图表下面必须紧跟一段话写清楚“这张图说明了什么、为什么会出现这种情况、下一步应该怎么做”。图表要是孤零零摆在那没有解读那和分析不做的效果差不多。4.2 高频报错与排查思路把我在写这份作业过程中实际遇到、以及帮同学排查过的高频问题整理成一个速查表全部都是真金白银换来的经验报错/问题现象根因解决方案KeyError: gender列名拼写错误或字段被空格包裹先跑df.columns.tolist()核对列名中文字体显示为方框Matplotlib缺少中文字体配置设置font.sans-serif后重启kernelTypeError: unsupported operand type(s)日期列还是字符串类型用pd.to_datetime()显式转换数据透视表出现大量NaN分组键之间存在空组合在pd.crosstab中加dropnaFalse图表全挤在左下角x轴或y轴scale问题检查是否误用了plt.xlim(0, 10)硬限制其中“日期列没转类型”这个问题在入门阶段特别常见。pd.read_csv读进来的日期默认是字符串如果不转成datetime64类型减法操作直接报错。排查思路也很简单df.dtypes一查便知。如果这一列显示object就说明该做类型转换了。4.3 仿真答辩把自己的作业当面试项目准备既然这是一份能写进简历的作业那么制作过程中就要养成分阶段记录的肌肉记忆。我每完成一个分析模块就把代码、图表、结论三样东西归档到同一个文件夹标注当天的修改时间。最后写报告的时候直接调档拼接就行不需要临时回想“我当时怎么处理的”。更重要的一个习惯是我做完之后会把自己当成面试官对着报告逐段拷问一遍。数据哪里来的模拟生成的那模拟规则和真实场景的贴合依据是什么缺失值为什么用均值补而不是删除补完之后对后面的分析有没有引入偏差这些问题的答案我都提前写在报告的脚注或附录里。老师答辩时一旦问到我不至于慌。我个人有个经验老师提问的重点往往不在你的分析结论多惊艳而在于你做每一步时有没有想过“为什么”。只要把“为什么”这个环节做扎实了这份作业的分数下限就不会低。5. 作业之外的延伸价值做完这份“shuyibin的作业”之后我最大的感受是一份课程作业的价值不取决于题目的新颖程度而取决于你愿不愿意把每个环节往深处做一步。改数据源就能变成一篇完整的数据分析项目加一个协同过滤算法就能升级成图书推荐原型把模拟数据替换成豆瓣的真实书目数据结合爬虫技术这份作业的含金量又会再上一个台阶。这些都是已经跑通的拓展方向尤其是把模拟数据换成真实API数据的路径非常建议感兴趣的同学接着试。最后分享一个我在传输文件时踩过的小坑交作业的时候记得把数据和代码用zipfile压缩成一个压缩包再提交千万别拿pd.to_csv直接存的裸表在微信里传来传去格式全乱是小事工程文件残缺被老师判定为抄袭才是大事。用压缩包保证“数据代码报告”三位一体每份文件命名带上日期这套习惯我从这份作业一直用到现在省过不少麻烦。