100-days-of-code

Tag 31 – Warenkorb Statistik & Trends 📊

Datum: 13. September 2025
Dauer: 3 Stunden
Thema: Erweiterte Analyse der Einkaufsliste — Statistik, Top-Produkte & Zeitreihen

Was habe ich gelernt?

Statistische Auswertungen mit pandas .describe()
Gruppierungen über mehrere Spalten (groupby(["Datum","Produkt"]))
Erstellung von Balkendiagrammen für Top-Produkte
Erstellung von Liniendiagrammen für Produkt-Trends über mehrere Tage
Automatische Speicherung der Ergebnisse im Ordner output/

Verwendete Techniken

Code / Technik	Bedeutung / Einsatz
`pandas.DataFrame`	Verarbeitung tabellarischer Daten
`groupby` + `describe`	Gruppierte Statistiken (Mittelwert, Min, Max …)
`pivot` / `lineplot`	Trend-Analyse über die Zeit
`matplotlib` + `seaborn`	Visualisierung (Balken & Linie)
`os.makedirs(..., exist_ok=True)`	Automatische Erstellung des Ausgabeordners

Vorschau

Nach Ausführung des Skripts (python analyse.py) werden die Ergebnisse im Ordner output/ erzeugt:

output/top_produkte.csv → Top-Produkte (Gesamtmenge)
output/statistik.csv → Beschreibende Statistik pro Produkt
output/trend_rohdaten.csv → Rohdaten der Zeitreihe
output/top_produkte.png → Balkendiagramm der Top-Produkte
output/produkt_trend.png → Liniendiagramm der Produkt-Trends

Projektdateien

analyse.py – Hauptskript für Analyse & Visualisierung
einkaufsliste.csv – Beispiel-Datensatz (optional)
requirements.txt – Abhängigkeiten (optional)
output/ (wird automatisch erstellt) – Ergebnisse (CSV & PNG)
README.md – Dokumentation

Wie funktioniert’s?

Repository klonen oder Dateien manuell anlegen (siehe oben).
(Optional) Abhängigkeiten installieren: ```bash pip install -r requirements.txt

Fazit Dieses Mini-Projekt zeigt, wie man mit Python & Pandas Warenkorb-Daten analysiert, Kennzahlen berechnet und Ergebnisse anschaulich visualisiert. Es ist abgeschlossen und dient als Übungsprojekt für Datenanalyse im Einzelhandel.

This site is open source. Improve this page.