一、读进来先认三件事

read_csv 一句读完，9308 行 4 列，1200 个不同客户。 编号两列都是字符串（D 加六位、C 加四位），不是数字，别想着用它做加减。 订单日期读进来是字符串，和上一章一样，得先转 datetime 才能算天数差。

这三件事（形状、类型、主键）是每次读数据的固定动作，第 3 章讲过，这里只是又用一遍。

二、三类毛病，各有各的处理

重复单最阴的地方是它同时污染 F 和 M：F 多一单，M 多一笔，两个指标一起错。 客户编号空的 4 条进不了按客户的统计，留着只会让总额对不上。 负金额是退货或者冲账。严格说不该直接删，应该另存一张退货表，做净销售额时再减。

这次的目的只是算 RFM，先剔掉。但报告里必须写一句「已剔除退货 6 笔」，否则口径说不清。

三、洗完对一遍账

去重 9308 减 2 得 9306；删空客户 9306 减 4 得 9302；删负金额 9302 减 6 得 9296。 一共清掉 12 条，剩 9296 条。每一步都要报数，账对不上说明中间有漏。 剩的每一条都是「某个客户花了一笔钱」，这句话就是清洗的验收标准。

时间范围 2023-01-01 到 2025-06-28，跨 909 天——比两年半少一点，因为最后一单没到月底。

四、年度对比有个口径坑

看到 2025 年只有 71.59 万，第一反应是「腰斩了」。错，2025 年只有半年。 半年 71.59 万，年化约 143 万，比 2023、2024 都低——这个结论才站得住。 不同长度的窗口不能直接比。年报里这种坑最多：季度比年度、半年比全年、缺月比满月。

补一句：这份数据是造的，2025 年少不是业务下滑，是造数时窗口只到 6 月。

五、金额分布：右偏要看中位数

均值 521.87 元，中位数 419.64 元，最大 1879.96 元。 均值比中位数高 100 多块，说明分布右偏：少数大额订单把均值拉上去了。 右偏的分布，报均值会让人以为「典型订单 500 块」，其实一半订单在 420 以下。

两种补法：报中位数，或者把「大额订单有多少笔」单独说一句。 这件事在客户层面更明显：M 的均值 4042.71 元，中位数只有 1639.78 元。

六、动手 Demo：数据抽取与探索

读进来、查三样、洗三步，每一步报「减几条、剩几条」。 最后看时间范围、年度对比和金额分布，重点是右偏这件事。

import pandas as pd

df = pd.read_csv("订单流水.csv")
print("原始 %s" % (df.shape,))
print("重复 %d，客户空 %d，负金额 %d"
      % (df.duplicated().sum(), df["客户编号"].isnull().sum(),
         (df["订单金额"] < 0).sum()))

df = df.drop_duplicates()
df = df.dropna(subset=["客户编号"])
df = df[df["订单金额"] > 0]
df["订单日期"] = pd.to_datetime(df["订单日期"])
print("洗完 %d 行" % len(df))

print("日均单量 %.2f" % (len(df) / 909))
print("金额 均值 %.2f，中位数 %.2f，最大 %.2f"
      % (df["订单金额"].mean(), df["订单金额"].median(),
         df["订单金额"].max()))

实跑输出：

--------------------------------------------------------------------
数据抽取与探索
--------------------------------------------------------------------

  ① 读进来
  --------------------------------------------------------------------
  读进来 9308 行 4 列，1200 个不同客户。
  订单编号是 D 加六位数字，客户编号是 C 加四位，两个都是字符串。
  订单日期读进来是字符串，和上一章一样，得先转 datetime 才能算天数差。

  ② 查三样
  --------------------------------------------------------------------

| 毛病 | 怎么查 | 这次查到 |
|---|---|---:|
| 完全重复 | duplicated().sum() | 2 条 |
| 客户编号为空 | isnull().sum() | 4 条 |
| 金额为负 | (金额 < 0).sum() | 6 条 |

  负金额是退货或者冲账，不是销售额。留在表里会把 M 拉低，得单独处理。
  客户编号为空的那几条，不知道是谁买的，进不了按客户的统计。
  重复的两条是导库时插了两遍，不去掉会让 F 多算一次、M 多算一笔。

  ③ 洗：三步
  --------------------------------------------------------------------
  去重：9308 减 2 得 9306。
  删客户编号空：9306 减 4 得 9302。
  删负金额：9302 减 6 得 9296。
  一共清掉 12 条，剩 9296 条。剩的每一条都是「某个客户花了一笔钱」。
  退货那几条严格说不该直接删，应该另存一张退货表——这次只是为了算 RFM，先剔掉。

  ④ 时间和规模
  --------------------------------------------------------------------
  时间范围 2023-01-01 到 2025-06-28，跨 909 天。
  客户 1200 个，人均 7.75 单，人均 4042.71 元。

| 年份 | 订单数 | 金额（万元） |
|---|---:|---:|
| 2023 | 4306 | 212.37 |
| 2024 | 3800 | 201.17 |
| 2025 | 1190 | 71.59 |

  2025 年只有半年，不能和整年直接比。这是年报里最常见的口径坑。

  ⑤ 金额的分布
  --------------------------------------------------------------------
  均值 521.87 元，中位数 419.64 元，最大 1879.96 元。
  均值明显大于中位数，说明分布右偏：少数大额订单把均值拉上去了。
  遇到右偏，报中位数比报均值老实。或者把「大额订单有多少」单独说一句。
  ! 每个数都要说清口径：金额是订单级还是客户级、含不含退货、时间窗口多长。

dropna(subset=["客户编号"]) 只按这一列判空，别的列有缺失不受影响。 df["订单金额"] > 0 顺手把 0 也删了。金额正好是 0 的单子在业务上也没意义。 describe() 一次能看到均值、中位数、最大最小，比一个个 .mean() 省事。

30 秒实验

1. 把负金额那一步改成 abs()，看总额会变多少，想想退货该怎么记才对。
2. 把统计窗口从 909 天改成只看 2024 年，重算人均单量。
3. 想一想：如果退货占了三成，直接删掉会不会让结论失真？

常见误区

1. 半年和全年直接比：2025 只有半年，71.59 万看着像腰斩，年化后是 143 万。
2. 负金额直接删不记数：报告里必须写「剔除退货 6 笔」，否则口径说不清。
3. 重复单不去：F 多算一次、M 多算一笔，两个指标一起错。
4. 只看均值：右偏分布下，均值不代表典型值，中位数才代表。

数据能算了。下一篇按客户聚出 R、F、M 三个值，顺便看看集中度。

• ☐ （本篇完，下一篇 12.4 计算 RFM 值）

相关笔记

• 分析方法：RFM 模型与聚类
• 计算 RFM 值
• 数据清洗：缺失、重复、异常
• 📊 Python 数据分析 · 索引