用文心一言 / 讯飞星火等四大 AI 工具做咖啡销售数据可视化分析：从代码生成到业务洞察

作为大数据专业的学生，最近完成了一项超实用的实验 —— 用四大 AI 工具（文心一言、讯飞星火、智谱清言、通义千问）分析咖啡销售数据并实现可视化。整个过程从踩坑调试到提炼业务价值，收获满满，今天就把完整流程和核心发现分享给大家～

一、实验背景与目标
1. 核心需求
基于coffee_sales_zh.csv数据集，用 Python 实现多维度可视化分析，同时对比四大 AI 工具在数据分析领域的表现，最终提炼咖啡销售的业务规律。
2. 实验目标

掌握 pandas、matplotlib、seaborn 等库的实战应用，解决数据预处理和可视化常见问题；
理解 AI 工具生成代码的逻辑，学会调试优化 AI 生成的代码；
能用折线图、柱状图、热力图等图表解读销售趋势、产品排名、时间交叉关系；
对比四大 AI 工具的优缺点，明确不同场景下的工具选择策略。

二、实验环境准备
1. 编程与库环境

编程平台PyCharm 2023.2
核心库：pandas 1.5+（数据处理）、matplotlib 3.7+（基础可视化）、seaborn 0.12+（高级可视化）、numpy 1.24+（数据计算）
库安装命令：pip install pandas matplotlib seaborn numpy
数据集：咖啡销售记录数据集

2. 数据集说明
数据集coffee_sales_zh.csv包含 3547 条咖啡销售记录，核心字段如下：

时间维度：日期、月份、星期、时段（上午 / 下午 / 晚上）、小时
业务维度：咖啡名称（拿铁、美式、卡布奇诺等 8 类）、金额（单杯价格）、支付方式（全部为卡支付）

3. AI 工具
文心一言网页端、讯飞星火网页端、智谱清言网页端、通义千问网页端（用于生成初始分析代码）

三、实验完整流程
1. 数据准备与理解
先通过 Excel 初步查看数据结构，确认无明显缺失值和格式异常。关键发现：

销售时间跨度：2024 年 3 月 - 2025 年 3 月
咖啡品类：8 种核心产品，涵盖经典美式、拿铁、卡布奇诺等
支付方式：100% 卡支付，无需额外区分支付渠道影响

2. AI 工具代码生成
向四大 AI 工具统一提交需求：
"用 Python 分析 coffee_sales_zh.csv 咖啡销售数据，生成多维度可视化图表（含趋势、产品、时间维度），并输出核心分析结论"

分别获取 4 份 Python 脚本：wenxinyiyan.py、xunfeixinghuo.py、zhipuqingyan.py、tongyiqianwen.py

3. 代码调试与问题解决（关键踩坑环节）
AI 生成的代码不能直接运行，需针对性调试，核心问题及解决方案如下：

（1）中文字体乱码

现象：图表标题、坐标轴标签显示为 "□□"
解决：在所有代码开头添加字体配置

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']  # 支持中文
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示异常

（2）数据编码错误

现象：通义千问代码提示UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc4 in position 0
解决：数据集实际为 GBK 编码，修改读取参数

# 原代码
df = pd.read_csv(file_path, encoding='utf-8')
# 修改后
df = pd.read_csv(file_path, encoding='gbk')  # 智谱清言需将encoding='ANSI'也改为'gbk'

（3）图表布局重叠

现象：讯飞星火的 2 行 3 列子图中，热力图 x 轴标签（星期）重叠
解决：调整画布大小 + 自动优化间距

# 原代码
fig, axs = plt.subplots(2, 3, figsize=(18, 12))
# 修改后
fig, axs = plt.subplots(2, 3, figsize=(20, 14))
plt.tight_layout()  # 自动优化子图间距
axs[0,1].tick_params(axis='x', rotation=30)  # 旋转x轴标签

（4）数据类型错误

现象：金额字段为字符串类型，无法计算总和
解决：强制转换数据类型

df['金额'] = pd.to_numeric(df['金额'], errors='coerce')  # 转换为数值类型
df.dropna(subset=['金额'], inplace=True)  # 删除转换失败的空值

4. 可视化结果与核心发现
经过调试后，四大 AI 工具均生成了有效图表，以下是关键结果汇总：
（1）文心一言：基础趋势分析能手

核心图表：月度销售额折线图、柱状图、占比饼图
关键结论：12 月销售额最高（14.2% 占比），3 月最低（5.1% 占比），月度销售额呈 "先降后升" 趋势
可视化示例：

（2）讯飞星火：高级图表与交叉分析强者

核心图表：时段 × 星期热力图、箱线图、小提琴图、堆叠条形图
关键结论：

周五下午为销售高峰（热力图红色最深），适合优化排班和库存；
拿铁咖啡金额中位数最高（箱线图验证），是高端客群首选；
晚上时段客单价分布最集中（小提琴图显示数据密度最高）

可视化示例：

（3）智谱清言：全维度数据汇总专家

核心图表：产品销售排名图、时段销售分布图、星期趋势图、月度趋势图
关键结论：

加奶美式最受欢迎（销售数量 809 杯），拿铁销售额最高（26875.30 元）；
下午时段销量最高（1205 杯），晚上时段平均客单价最高（32.89 元）；
周二销售数量峰值（526.6 杯），周日最低（419 杯）

可视化示例：

（4）通义千问：数据概览与热力图专长

核心图表：每日销售额趋势图、饮品 TOP5 排名图、每日各饮品销售热力图
关键结论：

总销售额 112245.58 元，总订单 3547 单，平均客单价 31.65 元；
最受欢迎饮品 TOP3：加奶美式（809 杯）、拿铁（757 杯）、经典美式（564 杯）

可视化示例：

四、四大 AI 工具对比分析

对比维度	文心一言	讯飞星火	智谱清言	通义千问
分析维度	单一（以月度为主）	深度交叉（时段 × 星期、品类 × 价格）	全维度（产品 / 时段 / 星期 / 月度）	基础全面（销量 / 销售额 / 单品）
可视化类型	基础图表（折线 / 柱状 / 饼图）	高级图表（热力图 / 箱线图 / 小提琴图）	实用图表（排名图 / 趋势图 / 分布直方图）	趋势 + 热力图
代码简洁度	高（无冗余）	中（参数复杂但注释清晰）	低（预处理与可视化混合编写）	中（结构清晰）
数据预处理能力	弱（需手动处理类型转换）	中（含日期格式转换）	强（自动处理缺失值、统计汇总）	强（自动清洗空值）
结果解读友好度	中（仅给结论无图表关联）	高（结论 + 图表用途说明）	高（详细统计表格 + 结论）	中（核心指标汇总）
适用场景	快速基础趋势分析	深度业务交叉分析	全维度数据汇总报告	数据概览 + 热力图分析

五、实验总结与业务建议
1. 核心业务洞察

时间规律：周五下午是销售黄金时段，12 月为销售旺季，3 月为淡季；
产品策略：加奶美式（销量王）和拿铁（销售额王）应重点备货，经典美式为基础引流款；
价格定位：咖啡均价 30 元左右，晚上时段客单价最高，可针对性推出高端产品；
支付习惯：100% 卡支付，无需额外配置现金收款渠道。

2. AI 工具使用建议

快速出图选文心一言：适合初步数据探索，生成基础图表效率高；
深度分析选讯飞星火：交叉维度分析和高级图表能力突出，适合业务决策支持；
报告汇总选智谱清言：自动生成统计表格和多维度结论，适合快速出分析报告；
数据清洗选通义千问：自动处理空值和数据类型，适合原始数据快速上手。

3. 实验收获与反思

技术层面：掌握了 Python 数据分析核心库的实战应用，学会解决中文字体、编码、布局等常见问题；
思维层面：理解了 "AI 工具是辅助，人工调试和业务解读才是核心"，AI 生成的代码需要结合数据实际情况优化；
改进方向：后续使用 AI 工具时，可在需求中明确 "代码模块化、添加注释、使用原始字段名"，减少调试成本。

附：核心代码片段（以讯飞星火为例）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 字体配置
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False

# 数据加载与预处理
df = pd.read_csv('coffee_sales_zh.csv', encoding='GB2312')
df['日期'] = pd.to_datetime(df['日期'])
df['时段'] = df['时段'].str.strip()

# 创建2行3列子图
fig, axs = plt.subplots(2, 3, figsize=(20, 14))
fig.suptitle('咖啡销售数据多维度可视化分析', fontsize=16, y=0.98)

# 1. 箱线图（咖啡品类金额分布）
coffee_names = df['咖啡名称'].value_counts().head(6).index
coffee_data = [df[df['咖啡名称'] == name]['金额'] for name in coffee_names]
axs[0, 0].boxplot(coffee_data, labels=coffee_names, patch_artist=True)
axs[0, 0].set_title('销量前6咖啡的金额分布')
axs[0, 0].set_xlabel('咖啡种类')
axs[0, 0].set_ylabel('销售金额（元）')
axs[0, 0].tick_params(axis='x', rotation=45)

# 2. 热力图（时段×星期销售频次）
time_week_cross = pd.crosstab(df['时段'], df['星期'])
week_order = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
time_order = ['上午', '下午', '晚上']
time_week_cross = time_week_cross.reindex(index=time_order, columns=week_order)
im = axs[0, 1].imshow(time_week_cross.values, cmap='YlOrRd', aspect='auto')
for i in range(len(time_order)):
    for j in range(len(week_order)):
        axs[0, 1].text(j, i, time_week_cross.iloc[i, j], ha='center', va='center')
axs[0, 1].set_xticks(range(len(week_order)))
axs[0, 1].set_xticklabels(week_order)
axs[0, 1].set_yticks(range(len(time_order)))
axs[0, 1].set_yticklabels(time_order)
axs[0, 1].set_title('时段×星期销售频次热力图')
plt.colorbar(im, ax=axs[0, 1], shrink=0.8, label='销售次数')

# 其余图表代码省略...

plt.tight_layout()
plt.savefig('coffee_sales_advanced_visualization.png', bbox_inches='tight')
plt.show()

以上就是本次实验的完整分享，如果你需要获取完整 Python 脚本、数据集或高清可视化图表，可以留言交流～数据分析的核心是把数据转化为可落地的业务价值，而 AI 工具能让这个过程效率翻倍，推荐大家多动手实践！

posted on 2025-12-10 12:07 熊瑾阅读(3) 评论(0) 收藏举报

刷新页面返回顶部

导航

用文心一言 / 讯飞星火等四大 AI 工具做咖啡销售数据可视化分析：从代码生成到业务洞察