【0 基础也能懂！】系列超市小票 + 奶茶订单：自创5 个生活场景数据集（含脏数据）

 

 一、奶茶店订单数据集（奶茶订单.csv）

场景：2 周奶茶店真实订单（含促销活动）
字段：日期、星期、商品、销量、客单价、优惠券（是否使用）、天气

import pandas as pd
import random

data = []
dates = pd.date_range(start="2024-03-01", end="2024-03-14")
products = ["珍珠奶茶", "芋泥波波", "杨枝甘露", "柠檬茶", "青稞奶茶"]
for date in dates:
    for product in products:
        # 模拟周末销量翻倍，雨天柠檬茶畅销
        base_sales = 20 if date.weekday() < 5 else 40
        if product == "柠檬茶" and date.day % 3 == 0:  # 每3天下雨日促销
            base_sales += 15
        # 加入脏数据（10%概率出现负数或异常值）
        sales = base_sales + random.randint(-10, 20) if random.random() > 0.1 else -5
        data.append({
            "日期": date.strftime("%Y-%m-%d"),
            "星期": ["周一", "周二", "周三", "周四", "周五", "周六", "周日"][date.weekday()],
            "商品": product,
            "销量": max(sales, 0),  # 确保销量非负
            "客单价": 15 if product == "珍珠奶茶" else random.randint(12, 28),
            "优惠券": random.choice([True, False]) if date.weekday() < 5 else True,  # 周末强制用券
            "天气": random.choice(["晴", "多云", "雨"]) if date.weekday() < 5 else "晴"
        })

df = pd.DataFrame(data)
df.to_csv("奶茶订单.csv", index=False)
print("奶茶订单数据集已生成！含周末爆款、雨天促销、脏数据，该数据集对应0基础也能懂系列不想关注公众号的宝子。适合练习清洗与分析～")

运行上述该代码可以生成奶茶订单.csv数据集噢。

二、超市小票数据集（超市小票.csv）

场景：家庭超市购物记录（含会员等级、促销商品）
字段：日期、商品名称、分类、价格、数量、会员等级（普通 / VIP）、是否促销

import pandas as pd
import random
from datetime import datetime, timedelta

# 定义可能的商品信息
products = [
    {"name": "纯牛奶", "category": "生鲜", "price": 65},
    {"name": "辣条", "category": "零食", "price": 5},
    {"name": "洗衣液", "category": "日用品", "price": 39},
    {"name": "冰淇淋", "category": "冷冻", "price": 18},
    {"name": "大米", "category": "粮油", "price": 89},
    {"name": "奥特曼玩具", "category": "母婴", "price": 129},
    {"name": "酸奶", "category": "生鲜", "price": 45},
    {"name": "卫生纸", "category": "日用品", "price": 29}
]

# 定义日期范围
start_date = datetime(2024, 3, 1)
end_date = datetime(2024, 3, 31)
date_list = [start_date + timedelta(days=x) for x in range((end_date - start_date).days + 1)]

# 生成数据
data = []
for date in date_list:
    num_purchases = random.randint(1, 5)  # 每天的购买次数
    for _ in range(num_purchases):
        product = random.choice(products)
        quantity = random.randint(1, 5)
        member_level = random.choice(["普通", "VIP"])
        is_promotion = random.choice([True, False])

        data.append({
            "日期": date.strftime("%Y-%m-%d"),
            "商品名称": product["name"],
            "分类": product["category"],
            "价格": product["price"],
            "数量": quantity,
            "会员等级": member_level,
            "是否促销": is_promotion
        })

# 创建DataFrame并保存为CSV文件
df = pd.DataFrame(data)
df.to_csv("超市小票.csv", index=False)
print("超市小票数据集已生成：超市小票.csv")

同理，运行上述代码可以生成超市小票.csv的数据集噢。 

三、电商复购数据集（电商复购数据.csv）

场景：3 个月美妆电商用户行为（含首次购买与复购）
字段：用户 ID、首次购买时间、首次商品、复购次数、最近复购时间、总消费金额

import pandas as pd
import random
from datetime import datetime, timedelta

# 定义用户数量
num_users = 100

# 定义日期范围
start_date = datetime(2024, 1, 1)
end_date = datetime(2024, 3, 31)

# 可能的商品列表
products = ["口红", "面膜", "粉底液", "卸妆油", "防晒霜"]

data = []
for user_id in range(1, num_users + 1):
    # 首次购买时间
    first_purchase_date = start_date + timedelta(days=random.randint(0, (end_date - start_date).days))
    first_product = random.choice(products)

    # 生成复购次数
    repurchase_count = random.randint(0, 5)

    total_consumption = 0
    if repurchase_count > 0:
        # 最近复购时间
        last_repurchase_date = first_purchase_date
        for _ in range(repurchase_count):
            # 计算复购时间间隔
            days_interval = random.randint(1, 30)
            last_repurchase_date = last_repurchase_date + timedelta(days=days_interval)
            if last_repurchase_date > end_date:
                break
            product = random.choice(products)
            price = random.randint(100, 500)
            total_consumption += price
    else:
        last_repurchase_date = None
        price = random.randint(100, 500)
        total_consumption = price

    data.append({
        "用户ID": f"U{user_id:03d}",
        "首次购买时间": first_purchase_date.strftime("%Y-%m-%d"),
        "首次商品": first_product,
        "复购次数": repurchase_count,
        "最近复购时间": last_repurchase_date.strftime("%Y-%m-%d") if last_repurchase_date else "-",
        "总消费金额": total_consumption
    })

# 创建DataFrame并保存为CSV文件
df = pd.DataFrame(data)
df.to_csv("电商复购数据.csv", index=False)
print("电商复购数据集已生成：电商复购数据.csv")

还是老话，运行上述代码可以生成电商复购数据.csv的数据集噢。 

 练习点：/NOTICE ! ! !

• 计算用户生命周期价值（LTV）：总消费金额 / 复购次数
• 绘制复购周期分布：用最近复购时间 - 首次购买时间分析粘性
• 找出「沉睡用户」：首次购买后超 60 天未复购（如 U002）

四、数据集设计心机（新手友好型）

1. 脏数据埋点：故意加入负数销量、异常日期，强制练习dropna()/replace()
2. 业务逻辑：奶茶店周末销量高、超市促销影响购买决策，贴近真实场景
3. 中文注释：所有字段名均为中文，避免user_id等英文干扰（如用户ID而非user_id）
4. 小而美：每个文件≤100 行，用pd.read_csv()秒开，避免电脑卡顿

使用建议：

1. 用 Jupyter 打开数据集，先运行df.head()观察数据结构
2. 尝试回答：「奶茶店下雨天哪款饮品卖得最好？」（需关联「天气」和「销量」）
3. 进阶挑战：用超市数据预测「买了牛奶的用户是否会买面包」（关联规则分析）

（所有数据集已打包，请在这边文章底部领取噢！）