[Pandas] Ich habe versucht, Verkaufsdaten mit Python zu analysieren. [Für Anfänger]

Ich habe mir ein Python-Vorlesungsvideo von Keith Galli, einem jungen Mann aus Übersee, angesehen und die Arbeit ausprobiert.

Lösen wir echte datenwissenschaftliche Probleme mit der Pandas-Bibliothek von Python! ]] Solving real world data science tasks with Python Pandas! Der Schwierigkeitsgrad ist nicht hoch und es ist einfaches Englisch, also schauen Sie bitte.

Es ist ungefähr anderthalb Stunden Video. Es ist eine sehr höfliche Erklärung. Bei Stackoverflow (Q & A-Site zur Programmierung in Übersee) bei Google Es zeigt auch den Prozess der Lösungsfindung.

Es ist eine Aufgabe, mit CSV-Excel-Daten zu analysieren. Die Daten können von seinem Github heruntergeladen werden.

Klicken Sie hier für Github

Ich laufe auf einem Jupyter-Notebook.

Ich mache es, während ich dem Code auf Japanisch Ergänzungen hinzufüge.

Wenn Sie sich das Video ansehen und es tatsächlich berühren, ist dies meiner Meinung nach der beste Weg, um Pandas zu üben.

Sie können ein Gefühl für die Atmosphäre bekommen, indem Sie diesen Artikel lesen.

Erstellen Sie einen Datenrahmen aus dem Lesen von Daten

Laden Sie die Pandas, OS-Bibliothek

import pandas as pd
import os

Überprüfen Sie zunächst, welche Art von Daten enthalten sind (Dateinamenliste abrufen).

files = [file for file in os.listdir("Sales_Data")]
for file in files:
    print(file)

Sales_April_2019.csv
Sales_August_2019.csv
Sales_December_2019.csv
Sales_February_2019.csv
Sales_January_2019.csv
Sales_July_2019.csv
Sales_June_2019.csv
Sales_March_2019.csv
Sales_May_2019.csv
Sales_November_2019.csv
Sales_October_2019.csv
Sales_September_2019.csv

Es scheint, dass die Daten vom Dateinamen bis Januar-Dezember 2019 enthalten sind, ich möchte die Daten für die Analyse kombinieren

Erstellen Sie zunächst einen leeren Datenrahmen, um alle Daten zu speichern

all_months_data = pd.DataFrame()

Um alle Monatsdaten zu kombinieren, fügen wir die CSV-Datei jedes Monats nacheinander in den leeren Datenrahmen ein.

for file in files:
    df = pd.read_csv("Sales_Data/" + file)
    all_months_data = pd.concat([all_months_data,df])

Nun, die ersten 5 Datenzeilen sehen so aus

all_months_data.head()

Geben Sie die kombinierten Daten aus (Da zu diesem Zeitpunkt die Seriennummer nicht erforderlich ist, fügen Sie dem Argument index = False hinzu.)

all_months_data.to_csv("all_data.csv",index=False)

Versuchen Sie nach Bestätigung der Ausgabedaten erneut, die kombinierten Daten zu lesen.

all_data = pd.read_csv("all_data.csv")
all_data.head()

Arbeit 1: Wann war der Monat mit den höchsten Umsätzen und wie viel haben Sie verdient?

In der Spalte gibt es eine Spalte mit Bestelldatum = Bestelldatum, aber es gibt keine Daten nur für den Monat. Erstellen wir also eine neue

Die ersten beiden Zeichen in der Spalte Bestelldatum sind wahrscheinlich die Monatsdaten

all_data['Month'] = all_data['Order Date'].str[0:2]

Da es in eine Zeichenfolge konvertiert wurde, kehren wir wieder zum numerischen Wert zurück

all_data['Month'] = all_data['Month'].astype('int32')
all_data.head()

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-77-ffc394ccb2ad> in <module>
----> 1 all_data['Month'] = all_data['Month'].astype('int32')
      2 all_data.head()


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/generic.py in astype(self, dtype, copy, errors, **kwargs)
   5880             # else, only a single dtype is given
   5881             new_data = self._data.astype(
-> 5882                 dtype=dtype, copy=copy, errors=errors, **kwargs
   5883             )
   5884             return self._constructor(new_data).__finalize__(self)


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/managers.py in astype(self, dtype, **kwargs)
    579 
    580     def astype(self, dtype, **kwargs):
--> 581         return self.apply("astype", dtype=dtype, **kwargs)
    582 
    583     def convert(self, **kwargs):


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/managers.py in apply(self, f, axes, filter, do_integrity_check, consolidate, **kwargs)
    436                     kwargs[k] = obj.reindex(b_items, axis=axis, copy=align_copy)
    437 
--> 438             applied = getattr(b, f)(**kwargs)
    439             result_blocks = _extend_blocks(applied, result_blocks)
    440 


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/blocks.py in astype(self, dtype, copy, errors, values, **kwargs)
    557 
    558     def astype(self, dtype, copy=False, errors="raise", values=None, **kwargs):
--> 559         return self._astype(dtype, copy=copy, errors=errors, values=values, **kwargs)
    560 
    561     def _astype(self, dtype, copy=False, errors="raise", values=None, **kwargs):


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/blocks.py in _astype(self, dtype, copy, errors, values, **kwargs)
    641                     # _astype_nansafe works fine with 1-d only
    642                     vals1d = values.ravel()
--> 643                     values = astype_nansafe(vals1d, dtype, copy=True, **kwargs)
    644 
    645                 # TODO(extension)


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/dtypes/cast.py in astype_nansafe(arr, dtype, copy, skipna)
    705         # work around NumPy brokenness, #1987
    706         if np.issubdtype(dtype.type, np.integer):
--> 707             return lib.astype_intsafe(arr.ravel(), dtype).reshape(arr.shape)
    708 
    709         # if we have a datetime/timedelta array of objects


pandas/_libs/lib.pyx in pandas._libs.lib.astype_intsafe()


ValueError: cannot convert float NaN to integer

Ich habe einen Fehler bekommen

Wenn ich die Fehlererklärung lese, heißt es, dass NaN nicht quantifiziert werden kann.

Das Kombinieren von is_na und allen Funktionen gibt True zurück, wenn mindestens ein NaN vorhanden ist.

Achse = 1 ist eine Funktion, die die Verarbeitung zeilenweise zurückgibt

Bitten Sie sie, alle Zeilen mit NaN zurückzugeben

nan_df = all_data[all_data.isna().any(axis=1)]
nan_df

Es gab auch 545 Zeilen

Löschen Sie Daten, die NaN enthalten

all_data = all_data.dropna(how='all')
all_data.head()

Okay, gehen wir zurück zum vorherigen Monat und versuchen es erneut

all_data['Month'] = all_data['Month'].astype('int32')
all_data.head()

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-80-ffc394ccb2ad> in <module>
----> 1 all_data['Month'] = all_data['Month'].astype('int32')
      2 all_data.head()


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/generic.py in astype(self, dtype, copy, errors, **kwargs)
   5880             # else, only a single dtype is given
   5881             new_data = self._data.astype(
-> 5882                 dtype=dtype, copy=copy, errors=errors, **kwargs
   5883             )
   5884             return self._constructor(new_data).__finalize__(self)


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/managers.py in astype(self, dtype, **kwargs)
    579 
    580     def astype(self, dtype, **kwargs):
--> 581         return self.apply("astype", dtype=dtype, **kwargs)
    582 
    583     def convert(self, **kwargs):


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/managers.py in apply(self, f, axes, filter, do_integrity_check, consolidate, **kwargs)
    436                     kwargs[k] = obj.reindex(b_items, axis=axis, copy=align_copy)
    437 
--> 438             applied = getattr(b, f)(**kwargs)
    439             result_blocks = _extend_blocks(applied, result_blocks)
    440 


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/blocks.py in astype(self, dtype, copy, errors, values, **kwargs)
    557 
    558     def astype(self, dtype, copy=False, errors="raise", values=None, **kwargs):
--> 559         return self._astype(dtype, copy=copy, errors=errors, values=values, **kwargs)
    560 
    561     def _astype(self, dtype, copy=False, errors="raise", values=None, **kwargs):


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/internals/blocks.py in _astype(self, dtype, copy, errors, values, **kwargs)
    641                     # _astype_nansafe works fine with 1-d only
    642                     vals1d = values.ravel()
--> 643                     values = astype_nansafe(vals1d, dtype, copy=True, **kwargs)
    644 
    645                 # TODO(extension)


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/dtypes/cast.py in astype_nansafe(arr, dtype, copy, skipna)
    705         # work around NumPy brokenness, #1987
    706         if np.issubdtype(dtype.type, np.integer):
--> 707             return lib.astype_intsafe(arr.ravel(), dtype).reshape(arr.shape)
    708 
    709         # if we have a datetime/timedelta array of objects


pandas/_libs/lib.pyx in pandas._libs.lib.astype_intsafe()


ValueError: invalid literal for int() with base 10: 'Or'

Als nächstes erhalte ich wieder einen neuen Fehler

Es scheint, dass das Wort "Oder" enthalten war

Schauen wir uns die Zeile an, die 'Oder' enthält.

temp_df = all_data[all_data['Order Date'].str[0:2] == "Or"]
temp_df.head()

Es scheint, dass die Identität von "Oder" "Bestelldatum" war.

Aktualisieren wir die Daten, indem wir andere Daten als die Daten extrahieren, die das Wort "Bestelldatum" enthalten.

all_data = all_data[all_data['Order Date'].str[0:2] != "Or"]
all_data.head()

Seien wir zum dritten Mal ehrlich und führen eine Quantifizierung durch

all_data['Month'] = all_data['Order Date'].str[0:2]
all_data['Month'] = all_data['Month'].astype('int32')
all_data.head()

Ich hab es geschafft

Als nächstes gibt es, obwohl es jeweils eine bestellte Menge und einen Preis gibt, keine wesentlichen Verkäufe.

Da PQ (Umsatz) = P (Preis) x Q (Menge), fügen Sie eine Spalte hinzu, die PQ entspricht.

all_data['Sales'] = all_data['Quantity Ordered'] * all_data['Price Each'] 

---------------------------------------------------------------------------

TypeError                                 Traceback (most recent call last)

/opt/anaconda3/lib/python3.7/site-packages/pandas/core/ops/__init__.py in na_op(x, y)
    967         try:
--> 968             result = expressions.evaluate(op, str_rep, x, y, **eval_kwargs)
    969         except TypeError:


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/computation/expressions.py in evaluate(op, op_str, a, b, use_numexpr, **eval_kwargs)
    220     if use_numexpr:
--> 221         return _evaluate(op, op_str, a, b, **eval_kwargs)
    222     return _evaluate_standard(op, op_str, a, b)


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/computation/expressions.py in _evaluate_numexpr(op, op_str, a, b, truediv, reversed, **eval_kwargs)
    126     if result is None:
--> 127         result = _evaluate_standard(op, op_str, a, b)
    128 


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/computation/expressions.py in _evaluate_standard(op, op_str, a, b, **eval_kwargs)
     69     with np.errstate(all="ignore"):
---> 70         return op(a, b)
     71 


TypeError: can't multiply sequence by non-int of type 'str'


During handling of the above exception, another exception occurred:


TypeError                                 Traceback (most recent call last)

<ipython-input-84-7c1e2b69cbe2> in <module>
----> 1 all_data['Sales'] = all_data['Quantity Ordered'] * all_data['Price Each']


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/ops/__init__.py in wrapper(left, right)
   1046 
   1047         with np.errstate(all="ignore"):
-> 1048             result = na_op(lvalues, rvalues)
   1049         return construct_result(
   1050             left, result, index=left.index, name=res_name, dtype=None


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/ops/__init__.py in na_op(x, y)
    968             result = expressions.evaluate(op, str_rep, x, y, **eval_kwargs)
    969         except TypeError:
--> 970             result = masked_arith_op(x, y, op)
    971 
    972         return missing.dispatch_fill_zeros(op, x, y, result)


/opt/anaconda3/lib/python3.7/site-packages/pandas/core/ops/__init__.py in masked_arith_op(x, y, op)
    445         if mask.any():
    446             with np.errstate(all="ignore"):
--> 447                 result[mask] = op(xrav[mask], com.values_from_object(yrav[mask]))
    448 
    449     else:


TypeError: can't multiply sequence by non-int of type 'str'

Wieder enthielt es eine Zeichenfolge

Ich möchte es in eine Form umschreiben, die vorerst berechnet werden kann, daher werde ich die Funktion "to_numeric" verwenden

all_data['Quantity Ordered'] = pd.to_numeric(all_data['Quantity Ordered'])
all_data['Price Each'] = pd.to_numeric(all_data['Price Each'])

Ich werde es noch einmal versuchen

all_data['Sales'] = all_data['Quantity Ordered'] * all_data['Price Each'] 

all_data.head()

Es kam heraus. Es scheint, dass die Antwort auf die Frage endlich herauskommen wird

Vorerst werde ich die Frage erneut stellen.

Arbeit 1: Wann war der Monat mit den höchsten Umsätzen und wie viel haben Sie verdient?

all_data.groupby('Month').sum()

Ich kenne Pat nicht, also lass es uns zeigen

Installieren Sie die Bibliothek zur Veranschaulichung

import matplotlib.pyplot as plt

Diagramm, während der Bereich für die X-Achse festgelegt wird

months = range(1,13)
results = all_data.groupby('Month').sum()
plt.bar(months,results['Sales'])
plt.xticks(months)
plt.xlabel('Month')
plt.ylabel('Sales')
plt.show()

Das war Arbeit 1.

Arbeit 2: Welche Stadt hatte den höchsten Umsatz?

Jetzt, wo wir eine Vertriebslinie haben, scheint es eine einfache Arbeit zu sein, aber lass es uns tun

Lassen Sie uns vorher noch einmal überprüfen, wie die Daten waren.

all_data.head()

Es ist so, als würde man einen Teil der Daten im Teil "Kaufadresse" extrahieren und summieren.

Lassen Sie uns eine City-Spalte erstellen, wie wir es im Vertrieb getan haben

Ich muss einen Teil der Adresse extrahieren, aber wenn ich mir die Daten der Adresse ansehe, möchte ich nur den zweiten Städtenamen wie "Adresse, Städtename, Postleitzahl" extrahieren.

Verwenden Sie die Apply-Funktion, um in der Split-Funktion nach "," zu teilen, und wenden Sie sie auf alle Spalten in derselben Spalte an

all_data['City'] = all_data['Purchase Address'].apply(lambda x: x.split(',')[1])
all_data.head()

Nur City wurde erfolgreich geteilt!

Übrigens gibt es ein Problem, das hier bei der Summe in City berücksichtigt werden muss.

Dies ist der Fall, wenn die Stadt denselben Namen hat, andere Länder jedoch denselben Namen haben. Wenn dies nicht berücksichtigt wird, werden sie addiert und unbeabsichtigte Aggregationsergebnisse erhalten. (Beispiel: Portlands in Oregon und Maine)

Es ist jedoch nicht erforderlich, eine neue Spalte für den Ländernamen zu erstellen. Da es sich nur um eine Aggregation handelt, müssen Sie lediglich den Status (2 Zeichen) in die Zelle der Spalte "Stadt" einfügen. Dieses Mal wird es in Form von Stadt (Staat) sein. Beispiel: Dallas (TX)

Früher habe ich es in einer Zeile mit der Lambda-Funktion geschrieben, aber da es eine große Sache ist, erstellen wir eine Funktion, um den Namen der Stadt bzw. des Landes zu erhalten. Es ist auch freundlich zum Leser.

def get_city(address):
    return address.split(',')[1]

def get_state(address):
    return address.split(',')[2].split(' ')[1]
#Kaufadressdaten sind Komma(,)Leer danach(" ")Weil es gibt, schneiden Sie mit Spaltung, damit es nicht unnatürlich wird, wenn es vereint wird

all_data['City'] = all_data['Purchase Address'].apply(lambda x: f"{get_city(x)} ({get_state(x)})")
all_data.drop("State",axis=1)

Es ist in Ordnung, alles was Sie tun müssen, ist normal zu addieren

all_data.groupby('City').sum()

San Francisco ist die Nummer eins. Sie können auch sehen, dass Portland auch richtig aufgeteilt ist.

Ordnen Sie den im Vormonat verwendeten Code an

results = all_data.groupby('City').sum()
cities = [city for city, df in all_data.groupby('City')]
#Stadt für Beschriftungen auf der x-Achse: Zahlen und Beschriftungen werden getrennt, es sei denn, sie befinden sich in derselben Reihenfolge wie oben gerillt.
plt.bar(cities,results['Sales'])
plt.xticks(cities,rotation="vertical")
#Wenn die Städte so angezeigt werden, wie sie sind, ist sie sperrig. Zeigen Sie sie daher vertikal an.
plt.ylabel('Sales')
plt.xlabel('City name')
plt.show()

Es ist fertig!

Arbeit 3: Wann und wann sollte eine Anzeige geschaltet werden, um die Wahrscheinlichkeit zu maximieren, dass ein Kunde den Artikel kauft?

Die Arbeit wurde sofort wie eine Datenwissenschaft (die Schlussfolgerung ist jedoch zunächst nicht so streng logisch)

Lassen Sie uns nun wie gewohnt auf die Daten zurückblicken

all_data.head()

Vielleicht wäre es schön, die Beziehung zwischen der Spalte Auftragsdaten und der Spalte Verkauf zu betrachten.

Lassen Sie uns den Datentyp ändern, damit das Bestelldatum problemlos als Datumsdaten verarbeitet werden kann.

all_data['Order Date'] = pd.to_datetime(all_data['Order Date'])
all_data.head()

Das Format der Daten hat sich geändert

Lassen Sie uns eine Zeile von Stunde, Minute machen

Wenn ich eine Spalte in Monat oder Verkauf erstellt habe, war es eine Zeichenfolge, also habe ich Split usw. verwendet, aber dank der früheren Änderung des Datentyps

all_data['Hour'] = all_data['Order Date'].dt.hour
all_data['Minute'] = all_data['Order Date'].dt.minute
all_data.head()

Lassen Sie uns einmal visualisieren, um die Daten zu erfassen

hours = [hour for hour, df in all_data.groupby('Hour')]
plt.plot(hours,all_data.groupby(['Hour']).count())
#Anzahl der Bestellungen pro Stunde mit der Zeit auf der X-Achse(Anzahl der Zeilen)Aggregat
plt.xticks(hours)
plt.grid()
#Ich möchte so viel wie möglich eine klare Tendenz für jede Stunde sehen, also werde ich ein Raster hinzufügen
plt.xlabel('Hour')
plt.ylabel('Orders')
plt.show()

Der Höhepunkt ist um AM: 11 und PM: 7. Daher scheint es gut, Anzeigen während dieser Zeit anzuzeigen, wenn die Anzahl der Bestellungen (Kunden) am höchsten ist.

Arbeit 4: Welche Produkte werden am häufigsten zusammen als Set gekauft?

all_data.head()

Es scheint, dass Sie verstehen können, wenn Sie nach derselben Bestellnummer gruppieren

Mit der duplizierten Funktion können Sie die von Ihnen getragenen Werte einfach sortieren.

df = all_data[all_data['Order ID'].duplicated(keep=False)]
df.head(20)

Daten mit derselben ID werden jetzt nacheinander aufgereiht

Der obige Datensatz ist die Bestellung mit der ID (≒ nichts anderes als die Bestellung, die als Set gekauft wurde)

Erstellen Sie nach dem Gruppieren nach ID eine Spalte, in der die von dieser ID gekauften Bestellungen gespeichert sind. (Beispiel ID: 1111 → Bestellung: Apfel, Banane, Orange)

df = all_data[all_data['Order ID'].duplicated(keep=False)]
df['Grouped'] = df.groupby('Order ID')['Product'].transform(lambda x: ','.join(x))
#Transformation ist wie eine Apply-Funktion. Ich werde die Erklärung hier weglassen.
df = df[['Order ID','Grouped']].drop_duplicates()
df.head(10)

/opt/anaconda3/lib/python3.7/site-packages/ipykernel_launcher.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

Es fühlt sich gut an. Die Daten sind gut organisiert.

In dieser gruppierten Spalte müssen Sie nachschlagen "welche, welche, in welcher Kombination, wie oft" usw.

Lassen Sie uns zusammenfassen, während Sie eine praktische Bibliothek verwenden. Ein konkretes Bild der Bibliothek finden Sie unten im Stapelüberlauf.

• Wenn Sie sich die Eingabe- und Ausgabecodes ansehen, ist es in Ordnung, so etwas zu tun. https://stackoverflow.com/questions/56187042/python-itertools-make-combinations-with-sum/56187946#56187946

from itertools import combinations
from collections import Counter

count = Counter()
for row in df['Grouped']:
    row_list = row.split(',')
    count.update(Counter(combinations(row_list,2)))
    
count.most_common(10)

[(('iPhone', 'Lightning Charging Cable'), 1005),
 (('Google Phone', 'USB-C Charging Cable'), 987),
 (('iPhone', 'Wired Headphones'), 447),
 (('Google Phone', 'Wired Headphones'), 414),
 (('Vareebadd Phone', 'USB-C Charging Cable'), 361),
 (('iPhone', 'Apple Airpods Headphones'), 360),
 (('Google Phone', 'Bose SoundSport Headphones'), 220),
 (('USB-C Charging Cable', 'Wired Headphones'), 160),
 (('Vareebadd Phone', 'Wired Headphones'), 143),
 (('Lightning Charging Cable', 'Wired Headphones'), 92)]

Die Ausgabe ist etwas verschmutzt, daher werde ich kleinere Korrekturen vornehmen

for key,value in count.most_common(10):
    print(key,value)

('iPhone', 'Lightning Charging Cable') 1005
('Google Phone', 'USB-C Charging Cable') 987
('iPhone', 'Wired Headphones') 447
('Google Phone', 'Wired Headphones') 414
('Vareebadd Phone', 'USB-C Charging Cable') 361
('iPhone', 'Apple Airpods Headphones') 360
('Google Phone', 'Bose SoundSport Headphones') 220
('USB-C Charging Cable', 'Wired Headphones') 160
('Vareebadd Phone', 'Wired Headphones') 143
('Lightning Charging Cable', 'Wired Headphones') 92

iPhone und Ladekabel sind die meisten

Arbeit 5 (Abschlussarbeit): Welches Produkt ist das meistverkaufte? Warum verkauft es sich Ihrer Meinung nach am besten?

Dies ist die letzte Arbeit. Sie sind gekommen, um selbst zu denken (Hypothesenteil). Lassen Sie uns die Daten visualisieren.

Denken Sie quantitativ

product_group = all_data.groupby('Product')
quantity_ordered = product_group.sum()['Quantity Ordered']
products = [product for product,df in product_group]
plt.bar(products,quantity_ordered)
plt.xlabel('Product')
plt.ylabel('Quantity Ordered')
plt.xticks(products,rotation="vertical",size=8)
plt.show()

Gibt es viele Batteriekabel?

Ich denke, das liegt daran, dass der Preis günstig ist. Überprüfen Sie Preise und Verkäufe.

prices = all_data.groupby('Product').mean()['Price Each']

fig, ax1 = plt.subplots()

ax2 = ax1.twinx()
#Diagrammgenerierung, die der x-Achse gemeinsam ist und unterschiedliche Werte für die y-Achse aufweist
ax1.bar(products,quantity_ordered)
ax2.plot(products,prices,'b-')

ax1.set_xlabel('Product Name')
ax1.set_ylabel('Quanity Ordered', color="g")
ax2.set_ylabel('Price', color="b")
ax1.set_xticklabels(products,rotation="vertical",size=8)

plt.show()

Das ist alles.