[Tutorial] Python for Business ฉบับพ่อค้า Part 2

By bachkukkik

a lonely man stand alone is known as bachkukkik

Email Twitter Google+ Github

ท้าวความเดิม จาก Part 1

เราได้หัดการใช้ Python อ่านข้อมูลจากไฟล์ Excel ต่างๆ, เตรียมข้อมูลให้พร้อมในการใช้งาน, ประกอบรายงานใหม่ขึ้นมา และ Export ไฟล์ลงไปที่ Directory ที่เลือกไว้ (Read -> Clean -> Join -> Export) ซึ่งในที่สุดเราได้รายงานภาพรวมธุรกิจมา 2 ชิ้นคือ 1. รายงานสรุปยอดสินค้าขายต่อวันเทียบสินค้าคงเหลือ 2. รายงานสรุปกำไรรายสินค้าต่อวันเทียบจำนวนคงเหลือ

สำหรับ Part 1 เราได้เคลียร์ 3 ข้อนี้จบไป

1. อ่านข้อมูลจาก Spreadsheet ที่ต้องการ (Load Data)
2. เตรียมข้อมูลให้พร้อมในการใช้งาน (Clean Data)
3. แสดงผลแบบ Pivot Table และ เขียนกลับไปเป็น Spreadsheet (Export Data)

ส่วนใน Part 2 เราจะมาต่อกันที่ 2 ข้อนี้กันนะครับ

1. เขียน Function Search สินค้า (Filter Data)
2. Plot Graph ให้เห็นภาพรวม (Data Visualization)

สำหรับเนื้อหาครั้งนี้ ขอขอบคุณ 425degree.com ที่เอื้อเฟื้อข้อมูลเบื้องตันให้ ข้อมูลและตัวอย่างโค้ดได้ถูกดัดแปลงเพื่อให้เหมาะกับ Tutorial ในครั้งนี้ ซึ่งผมรวมไว้ที่ลิ้งนี้แล้วครับ

ผู้อ่านท่านใดสนใจซื้อ เคส กระเป๋า หูฟัง เรียนเชิญที่ร้านนี้ครับ สั่งง่าย ส่งไว ได้ของชัวร์ครับ

Motivation

รายงานภาพรวมที่เราเพิ่งทำกันไป สามารถให้ insight เราได้หลายอย่าง แต่ก็เป็นเพียงคำตอบหนึ่งของคำถามอีกมากมายที่เหล่าพ่อค้าแม่ขายอยากจะรู้ครับ

ลองคิดถึงสถานการณ์ว่ามีลูกค้ามาติดต่อซื้อของที่ร้าน หลายครั้งลูกค้าสนใจอยากรู้แค่ราคาของสินค้าหรือแค่อยากรู้ว่าที่ร้านมีสินค้าพร้อมขายไหม สำหรับเหตุการณ์ดังกล่าวคุณลูกค้า(หรือแม้แต่ตัวพ่อค้าเอง)ไม่จำเป็นต้องรู้รายละเอียดส่วนอื่นๆในร้านเลยก็ได้ ซึ่งรายงานภาพรวมที่เราทำกันไปแล้วก็มีข้อมูลมากมายหลากหลายเหลือเกิน รายงานนี้จึงอาจไม่เหมาะจะใช้ในสถานการณ์ดังกล่าวซะทีเดียว ซึ่งวันนี้เราจะเขียน Function แสดงข้อมูลเฉพาะบางส่วนจากรายงานภาพรวมกันนะครับ

อีกเหตุการณ์ที่น่าสนใจคือ สมมุติว่าพ่อค้ากำลังวางแผนการตลาด / วางแผนสินค้าคงคลัง เขาอาจจะต้องการเข้าใจสถานการณ์ของยอดขายย้อนหลังตลอด 6 เดือนที่ผ่านมา ซึ่งรายงานภาพรวมของเราก็พอให้ insight ได้บ้างแต่พอมีตัวเลขเยอะมากๆเข้าก็อาจจะดูไม่ถนัดแล้วทำให้การสื่อสาร / ตัดสินใจผิดพลาดไป กรณีนี้เราจะทำ Data Visualization มาเพื่อแสดงภาพรวมที่แท้จริงและใช้เป็นไกด์ไลน์สำหรับการค้นคว้าขั้นต่อๆไปด้วยครับ

เริ่มเนื้อหาตรงนี้เลยนะครับ

Filter Data

เราลองมาอุ่นเครื่องกันก่อนด้วยการทำความเข้าใจการ Filtering Data

การทำ Filter คือการกรองข้อมูลที่เตรียมไว้เรียบร้อยแล้วมาแสดงผลเฉพาะแค่บางส่วนเพื่อให้ได้คำตอบที่ต้องการครับ ถ้าให้เปรียบเทียบก็เหมือนการร่อนทองออกจากโคลนครับผม

ยกตัวอย่างว่าเราต้องการทราบกำไรรายสินค้าต่อวันเทียบจำนวนคงเหลือ แต่อยากรู้แค่ 7 วันย้อนหลังเท่านั้น เราสามารถทำได้โดยการคัดกรอง รายงานสรุปกำไรรายสินค้าต่อวันเทียบจำนวนคงเหลือที่เราสร้างไว้แล้วใน Part 1 ซึ่งโค้ดจะหน้าตาประมาณนี้ครับ

pivot_Order_profit[pivot_Order_profit.columns[pd.np.r_[-3,-11:-4,-2,-1]]].sort_values('GrossProfit7D', ascending=False)

ผมขออธิบายแจกแจงโค้ดเล็กน้อยนะครับเพราะต่อไปจะใช้เทคนิคนี้บ่อยหน่อย หลายๆท่านจะได้เข้าใจเนื้อหาได้ง่ายขึ้นด้วย

โค้ดด้านล่างนี้ผมใช้สำหรับสร้างชุดตัวเลขขึ้นมาครับ โดยที่ตัวเลขชุดนี้มี type เป็น array หรือ numpy.ndarray หากผู้อ่านจำใน Part 1 ได้ เราเคย import pandas และ numpy เอาไว้แล้ว จังหวะจะใช้ก็ต้องตอนนี้แล้วครับผม

pd.np.r_[-3,-11:-4,-2,-1]

ส่วนโค้ดนี้ใช้เลือกชื่อของหลัก(Header)ที่ต้องการแสดงผลนะครับ โดยเป็นหลักที่เราเลือกถูกกำหนดโดยตัวเลข -3, -11,.. เป็นต้นนะครับ และที่เราไม่ใส่ [ -3, -11, -10, -9, -8, -7, -6, -5, -2, -1] ลงไปตรงๆเลยก็เพราะ df.columns[...] ของ pandas แกรับ input เฉพาะ numpy.ndarray เท่านั้น

pivot_Order_profit.columns[pd.np.r_[-3,-11:-4,-2,-1]]

# pivot_Order_profit.columns สั่งให้แสดงเฉพาะ Header ....
# pd.np.r_[-3,-11:-4,-2,-1] กำหนดตำแหน่งของ Header อีกที

ซึ่ง Header ดังกล่าวก็จะใส่เข้าไปใน pivot_Order_profit[....] ใช้สำหรับการคัดกรองข้อมูลที่ต้องการแสดง พร้อมกันนี้ผมขอจัดอันดับกำไรสินค้า 7 วันย้อนหลังจากมากลงไปน้อยด้วย method .sort_values('GrossProfit7D', ascending=False)

รู้จักกับ Function (สำหรับ Beginner เท่านั้น)

เราเพิ่งทำ Filtering Data ไป ทุกอย่างเรียบร้อยสวยงามยกเว้นเรื่องเดียวครับคือโค้ดมันยาวเหยียดเหลือเกิน ทำให้มีโอกาสพิมพ์ผิดและเกิด Error ได้ง่าย ดังนั้นเราควรสร้าง Function เพื่อแสดงผลลัพธ์โดยที่เป้าหมายของ Function คือทำให้แสดงผลได้ด้วยโค้ดสั้นๆ

สำหรับผู้อ่านที่ยังไม่รู้จัก Function นะครับ อธิบายคร่าวๆได้ว่า Function เป็นการรวบรวมชุดคำสั่งและไปขึ้นไว้กับชื่อๆนึง โดยถ้าชื่อดังกล่าวนั้นถูกเรียกใช้งานเมื่อไร ชุดคำสั่งภายใต้ชื่อนั้นจะถูกเรียกไปด้วยครับ

ลองยกตัวอย่างจากโค้ดด้านบนนะครับ method .sort_values(...) เป็นคำสั่งที่ทำหน้าที่เรียงลำดับเลขให้เรา ซึ่งหากถามผมว่า .sort_values(...) ใช้วิธีการอะไร ตรรกะแบบไหนในการจัดเรียงลำดับเลขให้เรา ผมคงต้องตอบว่าไม่รู้เหมือนกันเพราะชุดคำสั่งก็ถูกซ่อนอยู่ภายใต้ชื่อ .sort_values(...) แต่รู้อยู่อย่างเดียวและอย่างเดียวก็พอ คือ .sort_values(...) มันเรียงเลขให้เราได้จริงๆ

Ok! สรุปสิ่งที่ได้เรียนรู้จาก .sort_values(...) ก็คือผู้ใช้ Function ไม่จำเป็นต้องรู้รายละเอียดว่า Function นั้นทำงานยังไงแต่รู้แค่ว่ามันทำอะไรได้ก็พอ! และพอถึงจังหวะจะใช้ก็ call Function มาใช้เลยครับ

method และ function มีความแตกต่างในรายละเอียดอยู่บ้าง สำหรับผู้ที่สนใจอ่านเพิ่มเติมเกี่ยวความแตกต่างระหว่าง method และ function นะครับ เชิญอ่านต่อที่ลิ้งนี้เลยครับ

Function ของ python มีโครงสร้างประมาณนี้ครับผม หากโค้ดบล็อคใดๆมีย่อหน้า(indentation)อยู่ถัดเข้าไปทางขาวของย่อหน้า def ชุดคำสั่งดังกล่าวก็จะไปขึ้นอยู่กับ function_name นั้นๆโดยที่มี input เป็น parameters และ output เป็น something ครับ

def function_name(parameters):
    |
    <code block>
    |
    return something

ตัวอย่าง Function สำหรับ Tutorial นี้

ลองสมมุติว่าพ่อค้าอยากรู้กำไรต่อวันเทียบจำนวนคงเหลือ 7 วันย้อนหลังแต่แสดงผลเฉพาะสินค้าที่มีชื่อนี้รหัสนั้น โดยพ่อค้าจะใส่ Keyword เข้าไปเป็นชื่อสินค้าหรือรหัสสินค้าก็ได้แล้วได้คำตอบออกมาเลย ซึ่ง Keyword ที่ใส่เข้าไปอาจจะใส่ตัวเล็กตัวใหญ่แบบไหนก็ได้นะครับ

เราน่าจะพอเขียน Function สำหรับคัดกรองคำตอบไปประมาณนี้ครับผม

def profit_table_any_cond(string):
    def profit_table_detail(string):
        return pivot_Order_profit[pivot_Order_profit['รายละเอียด'].str.contains(string, case=False, na=False)][pivot_Order_profit.columns[pd.np.r_[-3,-11:-4,-2,-1]]].sort_values('GrossProfit7D', ascending=False)

    def profit_table_SKU(string):
        return pivot_Order_profit[pivot_Order_profit.index.str.contains(string, case=False, na=False)][pivot_Order_profit.columns[pd.np.r_[-3,-11:-4,-2,-1]]].sort_values('GrossProfit7D', ascending=False)
    return pd.concat([profit_table_detail(string), profit_table_SKU(string)])

ยังจำคำสั่ง pivot_Order_profit.columns[pd.np.r_[-3,-11:-4,-2,-1]] ด้านบนกันได้อยู่ใช่ไหมครับ ส่วนนี้ให้ผลลัพธ์เป็น Header สำหรับการกรองข้อมูลนะครับ ใครลืมก็ย้อนไปดูด้านบน

pivot_Order_profit['รายละเอียด'].str.contains(string, case=False, na=False) คำสั่งนี้ใช้คัดกรองเฉพาะรายการที่ชื่อสินค้าตรงกับ Keyword ที่พ่อค้าใส่เข้ามานะครับ โดยที่เราจะไม่สนใจตัวเล็กตัวใหญ่ และเราข้าม Missing Value ไปด้วยเลยนะครับ

ส่วน pivot_Order_profit.index.str.contains(string, case=False, na=False) จะเกี่ยวกับ Keyword ฝั่งรหัสสินค้า(เป็น index ของเราตั้งแต่ Part 1)

ผู้อ่านจะพอเห็นอยู่ว่า function ที่เราสร้างขึ้นมาเป็น function ที่ซ้อนใน function อีกทีนึงหรือที่เราเรียกกันว่า Nested function นะครับ โดยผลลัพธ์สุดท้ายของ Top-level Function profit_table_any_cond(string) จะเป็นผลลัพธ์ 2 function ย่อยของเรา(profit_table_detail(string) และ profit_table_SKU(string))รวมกันครับ ซึ่งผลลัพธ์สุดท้ายจะถูกรวมออกมาโดยใช้โค้ดว่า return pd.concat([profit_table_detail(string), profit_table_SKU(string)])

หากใครอยากรู้เพิ่มเติมเกี่ยวกับ Nested Function อ่านได้จากลิ้งนี้ครับ

หากเราลองรันคำสั่ง profit_table_any_cond('uS317') ดูจะได้คำตอบอย่างในรูปนะครับ ผู้อ่านอาจจะลองเปลี่ยน 'uS317' เป็น 'utj urbana'หรือสับเปลี่ยนตัวอักษรเล็กใหญ่ดูได้ครับ

ทำนองเดียวกันเราสามารถสรุปยอดสินค้าขายต่อวันเทียบสินค้าคงเหลือ 7 วันย้อนหลังแบบเจาะจงสินค้าได้โดยใช้ Function แบบครั้งก่อนได้เลยแต่แตกต่างกันที่ Function ใหม่ใช้ข้อมูลยอดขายแทนข้อมูลกำไร

def order_table_any_cond(string):
    def order_table_detail(string):
        return pivot_Order_box[pivot_Order_box['รายละเอียด'].str.contains(string, case=False, na=False)][pivot_Order_box.columns[pd.np.r_[-3,-11:-4,-1,-2]]]

    def order_table_SKU(string):
        return pivot_Order_box[pivot_Order_box.index.str.contains(string, case=False, na=False)][pivot_Order_box.columns[pd.np.r_[-3,-11:-4,-1,-2]]]
    return pd.concat([order_table_detail(string), order_table_SKU(string)])

ลอง call Function order_table_any_cond(string) ดูซักหน่อยโดยใช้ 'Us347' เป็น input Keyword

แถมอีกสัก Function ละกัน อันนี้เอาไว้แสดงราคาขายกับสต็อก โดยที่อันไหนมีคำว่า 'เลิก' แล้วก็ไม่่ต้องโชว์ครับผม จะได้บอกลูกค้าถูกว่าของชิ้นนี้ราคาเท่าไร มีของพร้อมส่งไหม

def filter_Stock_any_cond(string):
    def filter_Stock_by_detail(string):
        return df_Stock[df_Stock['รายละเอียด'].str.contains(string, case=False, na=False)][df_Stock.columns[pd.np.r_[0,1,2]]][df_Stock['รายละเอียด'].str.contains('เลิก') == False]

    def filter_Stock_by_SKU(string):
        return df_Stock[df_Stock.index.str.contains(string, case=False, na=False)][df_Stock.columns[pd.np.r_[0,1,2]]][df_Stock['รายละเอียด'].str.contains('เลิก') == False]
    return pd.concat([filter_Stock_by_detail(string), filter_Stock_by_SKU(string)])

Call filter_Stock_any_cond('Us347') จะได้ผลในรูปด้านล่าง ซึ่งเห็นได้ชัดเจนว่า US347-AL-C (เลิก)Phosphorescence Glowing iPhone X Case Windu ที่เคยมีคำตอบใน order_table_any_cond('Us347') ไม่มีอยู่ในคำตอบของ filter_Stock_any_cond('Us347')

Data Visualization : “A picture is worth a thousand words”

ขอย้อนกลับไปใน Part 1 ที่เราปิดงานด้วยการทำรายงานภาพรวมธุรกิจ แล้วลองเปิดไฟล์กำไรที่เรา Export ไว้ จะได้หน้าตาประมาณนี้ครับ

ตัวรายงานแม้ว่าจะมีความสมบูรณ์แค่ไหน แต่ถ้ามีตัวเลขเยอะๆแบบนี้ก็ตาลายได้เหมือนกันครับ ยิ่งถ้าต้องการโฟกัสเฉพาะบาง SKU ยกตัวอย่างเช่น US347-AL เรายิ่งดูไม่ออกเลยว่าช่วงไหนขายดี ข่วงไหนยอดตก กลายเป็นว่ารายงานที่ทำออกมาเพื่อให้เห็นภาพรวมกลับไม่สามารถบรรลุวัตถุประสงค์ได้

นี้เป็นเพราะข้อมูลมีเยอะเกินไปจนสมองของเราประมวลผลไม่ทันครับ ซึ่งเราจะแก้โดยใช้ Data Visualization มาเล่าภาพรวมให้เราเข้าใจ ให้เราเห็นภาพ ซึ่งจริงๆแล้วรูป Cover ที่ผู้อ่านเห็นด้านบนก็คือผลงาน Data Visualization ที่เราจะทำกันในวันนี้แหละครับ

Library สำหรับการทำ Visualization ของ Python มีให้เลือกมากมายทีเดียวครับ แต่ที่ผมเลือกใช้ในวันนี้ชื่อ bokeh ครับ เหตุผลที่ใช้คือ bokeh ไม่เสียตังครับ ฮ่าๆๆๆ นอกจากนี้ยังสามารถพล็อตแบบ interactive ด้วย ความหมายคือเราสามารถคลิกๆลากๆภายในกราฟและได้เห็นข้อมูลที่เปลี่ยนไปตาม action ของเราได้เลยครับ

บอกก่อนว่าการพล็อตค่อนข้างเป็นศิลปะครับ มันไม่ตายตัว ซึ่งที่จะทำใน Tutorial นี้ก็เป็นแค่หนึ่งในสิบล้านวิธีการพล็อตสำหรับข้อมูลชุดนี้นะครับ

โดยในพล็อตตัวอย่าง ผมจะทำ Punch card Plot - GitHub Style จากข้อมูลกำไรรายสินค้าต่อวันและการฟีเจอร์อื่นๆที่อยากได้สำหรับพล็อตนี้ก็คือ

1. สามารถไล่สีของพล็อตตามตัวเลขในรายงานได้
2. มีแถบสีสำหรับชี้แจ้งว่าสีนี้แปลว่าตัวเลขอะไร
3. สามารถเอาเม้าส์ไปจ่อที่พล็อตแล้วพล็อตแจ้งข้อมูลอื่นๆเพิ่มเติมเฉพาะในตำแหน่งเม้าสได้ (Interactive plotting)

สำหรับพล็อตแบบอื่นๆของ bokeh ลองเช็คดูใน Gallery ของเค้าได้ครับ

import bokeh

Ok! เรามาสร้างกราฟกันโดยเริ่มจากการเรียก Libray เข้ามาครับ แต่เราไม่ได้เอามาทั้ง bokeh นะครับแต่จะเรียกเฉพาะที่จำเป็นสำหรับ Punch card Plot - GitHub Style

from bokeh.io import show, output_notebook
from bokeh.models import (ColumnDataSource,
                          HoverTool,
                          LinearColorMapper,
                          BasicTicker,
                          PrintfTickFormatter,
                          ColorBar)
from bokeh.plotting import figure

จะพล็อตให้ดีก็ต้องมีข้อมูลให้พร้อมครับ ว่าแล้วก็เรียกข้อมูลกำไรรายสินค้าต่อวันย้อนหลัง 7 เดือนและตั้งชื่อข้อมูลว่า data นะครับ ซึ่ง data ก็คือ pivot_Order_profit ที่ตัดข้อมูลที่ไม่เกี่ยวของออกไปก่อน เช่น รายละเอียด จำนวนสินค้าคงเหลือ เป็นต้น

พร้อมกันนี้เราก็ตั้งชื่อหลัก(Column) ชื่อแถว(index) และตั้งตัวแปรไว้ใช้งานในอนาคตด้วยเลย

# ข้อมูลหลัก
data = pivot_Order_profit[pivot_Order_profit.columns[pd.np.r_[-214:-4]]]

# ตั้งชื่อ + ตั้งตัวแปรเพิ่มเติม
data.columns.name = 'Date'
data.index.name = 'SKU'
SKU = list(data.index)
date = list(data.columns)

แต่ข้อมูลชุดนี้มีปัญหานิดหน่อยครับตรงที่ bokeh ไม่เข้าใจข้อมูลที่ถูก pivot ไปแล้ว เพราะฉะนั้นเราต้องเอาตาราง pivot มาจัดเรียงให้เป็นตารางแบบก่อน pivot ครับ

โชคดีที่ Pandas มีคำสั่งเฉพาะทางให้เลยทำให้เราไม่ต้องมาเรียงด้วยมือ โดยเราจะใช้ method .stack() ในการจัดเรียงข้อมูล โค้ดอาจจะยาวหน่อยแต่ไม่ต้องตกใจไปครับ

# ทำการปรับข้อมูลแล้วตั้งชื่อให้ชื่อใหม่ว่า df_plot
df_plot = pd.DataFrame(data.stack(), columns=['GProfit']).reset_index().join(pivot_Order_profit['รายละเอียด'], on='SKU').reset_index().rename(columns={"รายละเอียด": 'detail'})

อธิบายโค้ด : สำหรับชื่อหลัก, ชื่อแถวของวันที่และรหัสสินค้าเราตั้งไว้แล้วตั้งแต่โค้ดก่อนหน้านะครับ ส่วน columns=['GProfit'] ใช้ตั้งชื่อหลักของตัวเลขกำไรในข้อมูล นอกจากนี้เรายังได้ .join(pivot_Order_profit['รายละเอียด'] เพื่อให้มีข้อมูลรายละเอียดสินค้าสำหรับแต่ละ SKU และปิดท้ายด้วยการเปลี่ยนชื่อหลัก 'รายละเอียด' เป็น 'detail' เพราะว่าภาษาอังกฤษทำงานง่ายกว่าสำหรับ bokeh

หลังจากเตรียมข้อมูลแล้ว เรามาดู setup ของพล็อตกันบ้าง ซึ่งเราจะเริ่มกันที่การเล่นสีนะครับโดยผมจะแบ่งสีเป็น 25 ขั้นจากแดงอ่อนไปแดงเข้มและมีความห่างขั้นละ 200(บาท) ถ้านับกำไรจาก 0 ก็จะไปสุดที่ 5000 บาทพอดีครับ โดยสีจะถูก map ให้ตรงกับเลขกำไรที่ทำขั้นบันไดเอาไว้

นอกจากนี้ feed ข้อมูลเข้าไปได้เลย แล้วก็ทำ tools bar ไว้ใช้ขยาย บันทึก รีเซ็ตกราฟ ฯลฯ

colors = ['#feeaea',
'#fcdcdc',
'#facdcd',
'#f9bebe',
'#fab1b1',
'#faa3a3',
'#f99292',
'#f68080',
'#f17070',
'#ed6161',
'#e54f4f',
'#df4040',
'#d83131',
'#d12323',
'#c71616',
'#be0a0a',
'#b20303',
'#a40202',
'#950101',
'#870101',
'#750101',
'#670101',
'#5c0101',
'#4d0101',
'#3d0101', ]

mapper = LinearColorMapper(palette=colors, low=0, high=5000)

source = ColumnDataSource(df_plot)

TOOLS = "hover,save,pan,box_zoom,reset,wheel_zoom"

setup ต่างๆพร้อมแล้วก็ประกอบร่างกันเลย : วาง Layout, กำหนดช่องไฟ, แล้วก็ลงสีเข้าไปในช่องได้เลย

หากใครงงโค้ดไม่ต้องตกใจนะครับ ลองตามๆไปก่อน เพราะโค้ดส่วนนี้ผมเองก็ลอกจากตัวอย่างมาตรงๆเหมือนกันครับ

# figure ทำหน้าที่เป็น Layout ของกราฟ, กำหนดความกว้าง ความสูง และตำแหน่งของ Element ต่างๆ
p = figure(title = '425 Profit by SKU (from {0} to {1})'.format(date[0], date[-1]),
           x_range = SKU, y_range=list(reversed(date)),
           x_axis_location = 'above', plot_width = len(data.index) * 12, plot_height = 1600,
           tools = TOOLS, toolbar_location="below")

# ส่วนนี้ใช้ customize ขนาด องศา และช่องไฟ
p.grid.grid_line_color = None
p.axis.axis_line_color = None
p.axis.major_tick_line_color = None
p.axis.major_label_text_font_size = '5pt'
p.axis.major_label_standoff = 0
p.xaxis.major_label_orientation = 1

# rect เอาไว้ลงสีในกรอบบสี่เหลี่ยมครับผม โดย feed data ที่เตรียมไว้เข้ามาและลงสีเข่้มอ่อนตามที่ map เอาไว้กับตัวเลขกำไร
p.rect(x='SKU',y='Date',width=1, height=1,
       source=source,
       fill_color={'field': 'GProfit', 'transform':mapper},
       line_color=None)

output_notebook() # กำหนดให้แสดงผลใน tab เดิม

show(p, notebook_handle=True) # คำสั่งแสดงผลงาน

กราฟมาแล้ว! เรียกว่ามาถูกทางเลยครับ แต่ยังต้องเพิ่มเติม Color bar เอาไว้ใช้เป็น reference ในการอ่านข้อมูล นอกจากนี้ยังขาดการจัดเรียงข้อมูล interactive ให้สวยๆ ว่าแล้วก็ไปลุยกันต่อเลยจ้า

# setup color bar กันก่อน โดยให้แบ่งเป็น 25 สีและ mapper เข้าไปตามเลขกำไร
color_bar = ColorBar(color_mapper=mapper, major_label_text_font_size = '5pt',
                     ticker=BasicTicker(desired_num_ticks=len(colors)),
                     label_standoff=6, border_line_color=None, location=(0, 0))

# เพิ่ม color bar ไว้ทางขวาของกราฟ เอาไว้ดูเป็น reference
p.add_layout(color_bar, 'right')

# กำหนดการแสดงข้อมูลเวลาเอาเม้าส์ไปจ่อบนกราฟ ให้แสง SKU, รายละเอียด, กำไร และวันที่ของแต่ละ plot
p.select_one(HoverTool).tooltips = [
     ('SKU', '@SKU'),
     ('รายละเอียด', '@detail'),
     ('GProfit', '@GProfit{1,111.11} THB'),
     ('Date', '@Date'),
]

output_notebook() # กำหนดให้แสดงผลใน tab เดิม

show(p, notebook_handle=True) # คำสั่งแสดงผลงาน

พล็อตกราฟย้อนหลัง 6 เดือนมันก็จะดูคูลๆหน่อยครับ สิบปากว่าไม่เท่าตาเห็นจริงๆ

Data Visualization ช่วยให้เราเห็นภาพอย่างแท้จริง รู้เลยว่าสินค้าตัวไหนให้กำไรเยอะ ตัวไหนเป็นสินค้ามาใหม่ ตัวไหนสร้างยอดต่อเนื่อง ทำให้พ่อค้าบ้านๆอย่างเรานำข้อมูลไปวางแผนงานต่างๆได้ตรงประเด็นมากขึ้นเยอะครับ ^^

สรุปทั้ง 2 Part

และแล้วก็มาถึงจุดสิ้นสุดของ Tutorial นี้นะครับ เราลองมาทบทวนอีกครั้งว่าเราได้อะไรกันไปบ้าง

ใน Part 1 เราได้ใช้ Python ในการเตรียมรายงานภาพรวมธุรกิจให้เรา เริ่มจากการการนำข้อมูลที่มีมาทำการปรับปรุงให้พร้อมใช้งาน(Read -> Clean -> Join) และ Export รายงานออกมา ซึ่งเราสามารถใช้ Script เดิมรันข้อมูลใหม่ๆได้ทุกวัน เหมาะกับรายงานที่ต้องทำเป็นประจำ

ส่วนใน Part 2 เราได้ใช้ Python ในการเขียน Function ในการคัดกรองรายละเอียดสินค้าแบบเจาะลึก และได้ทำ Data Visualization อย่างง่ายกัน

อย่างไรก็ตามสิ่งที่สำคัญไม่น้อยกว่าการวิเคราะห์ข้อมูลก็คือการเก็บข้อมูลนะครับ เราควรปรับวิธีการบันทีกข้อมูลเป็นประจำและหมั่นตรวจสอบรอยรั่วของการเก็บข้อมูลเหล่านั้น

สำหรับ Tutorial นี้ หากมีผิดพลาดผมต้องขออภัยอีกครั้งนะครับและขอขอบคุณผู้อ่านทุกท่านที่สละเวลามาอ่าน blog นี้

ไว้เจอกันใหม่ blog ถัดไปนะครับ สวัสดี

สุดท้ายนี้ ผมขอขอบคุณจารย์ตุลย์ @bluenex และ จารย์มาย @titipata ที่ช่วยพิสูจน์อักษรทั้ง 2 Part ขอขอบคุณ 425degreeที่ช่วยสนับสนุนข้อมูลเบื้องต้นให้นะครับ