编辑代码

# 加载必要的库
# 安装 readxl 包（如果尚未安装）
install.packages("readxl")
# 加载 readxl 包
library(readxl)
# 加载 dplyr 包
library(dplyr)
# 加载 ggplot2 包
library(ggplot2)

# 读取文件
# 读取 "各商户销售与入退场情况.xls" 文件
sales_data <- read_excel("各商户销售与入退场情况.xls")
# 读取 "黄记煌每日销售情况.xls" 文件
huangjihuang_data <- read_excel("黄记煌每日销售情况.xls")
# 读取 "税收消费情况.xls" 文件
tax_data <- read_excel("税收消费情况.xls")

# 数据清洗和处理

# 将 "各商户销售与入退场情况.xls" 中的日期列转换为日期格式
sales_data <- sales_data %>%
  mutate(
    "2021年1月" = as.Date("2021-01-01"),
    "2022年1月" = as.Date("2022-01-01"),
    "2022年2月" = as.Date("2022-02-01"),
    "2022年3月" = as.Date("2022-03-01"),
    "2022年4月" = as.Date("2022-04-01"),
    "2022年5月" = as.Date("2022-05-01"),
    "2022年6月" = as.Date("2022-06-01"),
    "2022年7月" = as.Date("2022-07-01"),
    "Monday, August 01, 2022" = as.Date("2022-08-01"),
    "Sunday, August 01, 2021" = as.Date("2021-08-01"),
    "Thursday, September 01, 2022" = as.Date("2022-09-01"),
    "Wednesday, September 01, 2021" = as.Date("2021-09-01"),
    "Saturday, October 01, 2022" = as.Date("2022-10-01"),
    "Friday, October 01, 2021" = as.Date("2021-10-01"),
    "Tuesday, November 01, 2022" = as.Date("2022-11-01"),
    "Monday, November 01, 2021" = as.Date("2021-11-01"),
    "Thursday, December 01, 2022" = as.Date("2022-12-01"),
    "Wednesday, December 01, 2021" = as.Date("2021-12-01")
  )

# 将 "黄记煌每日销售情况.xls" 中的日期列转换为日期格式
huangjihuang_data <- huangjihuang_data %>%
  mutate(交易日期 = as.Date(交易日期))

# 数据分析

# 1. 黄记煌销售情况分析

# 将黄记煌每日销售情况整理成时间序列数据
huangjihuang_ts <- huangjihuang_data %>%
  group_by(交易日期) %>%
  summarise(总销售额 = sum(交易金额)) %>%
  ungroup()

# 绘制黄记煌每日销售额折线图
ggplot(huangjihuang_ts, aes(x = 交易日期, y = 总销售额)) +
  geom_line() +
  labs(
    title = "黄记煌每日销售额",
    x = "交易日期",
    y = "总销售额"
  )

# 2. 各商户销售情况分析

# 将 "各商户销售与入退场情况.xls" 中的数据整理成时间序列数据
sales_ts <- sales_data %>%
  pivot_longer(
    cols = c(
      "2021年1月", "2022年1月", "2022年2月", "2022年3月",
      "2022年4月", "2022年5月", "2022年6月", "2022年7月",
      "Monday, August 01, 2022", "Sunday, August 01, 2021",
      "Thursday, September 01, 2022", "Wednesday, September 01, 2021",
      "Saturday, October 01, 2022", "Friday, October 01, 2021",
      "Tuesday, November 01, 2022", "Monday, November 01, 2021",
      "Thursday, December 01, 2022", "Wednesday, December 01, 2021"
    ),
    names_to = "交易日期",
    values_to = "销售额"
  ) %>%
  mutate(销售额 = as.numeric(gsub(",", "", 销售额)))

# 绘制各商户每月销售额折线图
ggplot(sales_ts, aes(x = 交易日期, y = 销售额, color = 商户)) +
  geom_line() +
  labs(
    title = "各商户每月销售额",
    x = "交易日期",
    y = "销售额"
  )

# 3. 税收消费情况分析

# 绘制税收消费情况柱状图
ggplot(tax_data, aes(x = Month, y = `2022年营收`, fill = Month)) +
  geom_bar(stat = "identity") +
  labs(
    title = "2022年每月税收消费情况",
    x = "月份",
    y = "营收"
  )

# 4. 深入分析

# 例如，可以分析黄记煌销售额的季节性变化，以及各商户的销售额增长率等。

# 黄记煌销售额的季节性变化
huangjihuang_ts <- huangjihuang_ts %>%
  mutate(月份 = format(交易日期, "%m"))

ggplot(huangjihuang_ts, aes(x = 月份, y = 总销售额)) +
  geom_boxplot() +
  labs(
    title = "黄记煌每月销售额箱线图",
    x = "月份",
    y = "总销售额"
  )

# 各商户的销售额增长率
sales_ts <- sales_ts %>%
  filter(交易日期 >= as.Date("2022-01-01")) %>%
  group_by(商户) %>%
  mutate(增长率 = (销售额 - lag(销售额)) / lag(销售额) * 100)

ggplot(sales_ts, aes(x = 交易日期, y = 增长率, color = 商户)) +
  geom_line() +
  labs(
    title = "各商户每月销售额增长率",
    x = "交易日期",
    y = "增长率"
  )

# 其他分析
# ...