Projet Pandas : analyse de ventes

  📋 Copier le code

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

np.random.seed(42)
n = 200

produits  = ["Clavier", "Souris", "Écran", "Casque", "Webcam"]
vendeurs  = ["Alice", "Bob", "Clara", "David"]
mois_list = ["Janvier", "Février", "Mars", "Avril", "Mai", "Juin"]
prix_ref  = {"Clavier": 45.90, "Souris": 22.50, "Écran": 189.00,
             "Casque": 79.99, "Webcam": 54.90}

produits_col = np.random.choice(produits, n)
vendeurs_col = np.random.choice(vendeurs, n)
mois_col     = np.random.choice(mois_list, n)
qte_col      = np.random.randint(1, 6, n)
prix_col     = [prix_ref[p] * np.random.uniform(0.95, 1.05) for p in produits_col]

df = pd.DataFrame({
    "mois":     mois_col,
    "vendeur":  vendeurs_col,
    "produit":  produits_col,
    "quantité": qte_col,
    "prix_unit": np.round(prix_col, 2)
})

# Introduire quelques valeurs manquantes volontairement
idx_nan = np.random.choice(df.index, 10, replace=False)
df.loc[idx_nan, "quantité"] = np.nan

# Inspection initiale
print("Dimensions :", df.shape)
print(df.head())
print(df.isnull().sum())

  📋 Copier le code

import pandas as pd
import numpy as np

# (suite du script — df déjà créé ci-dessus)

# Remplir les quantités manquantes par la médiane
mediane_qte = df["quantité"].median()
df["quantité"] = df["quantité"].fillna(mediane_qte)
df["quantité"] = df["quantité"].astype(int)

# Calculer le montant total par ligne
df["montant"] = (df["quantité"] * df["prix_unit"]).round(2)

# Convertir mois en catégorie ordonnée pour le tri chronologique
ordre_mois = ["Janvier", "Février", "Mars", "Avril", "Mai", "Juin"]
df["mois"] = pd.Categorical(df["mois"], categories=ordre_mois, ordered=True)

print("Données nettoyées :")
print(df.dtypes)
print(df.describe().round(2))

  📋 Copier le code

import pandas as pd
import numpy as np

# (suite du script)

# Question 1 : CA par mois
ca_mois = df.groupby("mois", observed=True)["montant"].sum().reset_index()
ca_mois.columns = ["mois", "CA"]
print("CA par mois :")
print(ca_mois.sort_values("CA", ascending=False))

# Question 2 : produits les plus vendus (en quantité)
top_produits = (
    df.groupby("produit")["quantité"]
      .sum()
      .sort_values(ascending=False)
      .reset_index()
)
top_produits.columns = ["produit", "total_vendu"]
print("\nTop produits :")
print(top_produits)

# Question 3 : performance par vendeur
perf_vendeurs = df.groupby("vendeur").agg(
    CA_total       = ("montant",  "sum"),
    nb_ventes      = ("montant",  "count"),
    panier_moyen   = ("montant",  "mean"),
    qte_totale     = ("quantité", "sum")
).round(2).reset_index()
print("\nPerformance par vendeur :")
print(perf_vendeurs.sort_values("CA_total", ascending=False))

  📋 Copier le code

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# (suite du script — ca_mois, top_produits, perf_vendeurs déjà calculés)

fig, axes = plt.subplots(1, 3, figsize=(16, 5))

# Graphique 1 : CA mensuel
axes[0].bar(ca_mois["mois"], ca_mois["CA"], color="steelblue")
axes[0].set_title("Chiffre d'affaires mensuel")
axes[0].set_xlabel("Mois")
axes[0].set_ylabel("CA (€)")
axes[0].tick_params(axis="x", rotation=30)

# Graphique 2 : Top produits
axes[1].barh(top_produits["produit"], top_produits["total_vendu"], color="coral")
axes[1].set_title("Produits les plus vendus")
axes[1].set_xlabel("Quantité totale")

# Graphique 3 : CA par vendeur
axes[2].bar(perf_vendeurs["vendeur"], perf_vendeurs["CA_total"], color="seagreen")
axes[2].set_title("CA par vendeur")
axes[2].set_xlabel("Vendeur")
axes[2].set_ylabel("CA (€)")

plt.suptitle("Tableau de bord — Analyse des ventes S1", fontsize=14, fontweight="bold")
plt.tight_layout()
plt.show()