تجزیه و تحلیل داده های فروش با NumPy

import numpy as np
import csv

# بارگیری داده ها از فایل CSV
data = []
with open('sales_data.csv', 'r') as csvfile:
    reader = csv.reader(csvfile)
    next(reader)  # Skip header row
    for row in reader:
        data.append(row)

# تبدیل داده ها به آرایه NumPy
data_array = np.array(data)

# تبدیل ستون ها به نوع داده مناسب
product_names = data_array[:, ۰]
unit_prices = data_array[:, ۱].astype(np.float64)
unit_sold = data_array[:, ۲].astype(np.int32)
sale_dates = data_array[:, ۳]

# محاسبه درآمد کل برای هر محصول
total_revenue = unit_prices * unit_sold

# دریافت لیست محصولات منحصر به فرد
unique_products = np.unique(product_names)

# جمع آوری درآمد کل برای هر محصول
product_revenue = np.zeros_like(unique_products)
for product in unique_products:
    product_mask = product_names == product
    product_revenue[np.where(unique_products == product)] = np.sum(total_revenue[product_mask])

# مرتب سازی محصولات بر اساس درآمد کل به صورت نزولی
sorted_revenue = np.sort(product_revenue)[::-۱]
sorted_products = unique_products[np.argsort(product_revenue)[::-۱]]

# نمایش ۵ محصول پرفروش
print("۵ محصول پرفروش:")
for i in range(۵):
    print(f"{sorted_products[i]}: ${sorted_revenue[i]:,.۲f}")

# یافتن شاخص محصول با بالاترین درآمد کل
top_product_idx = np.argmax(product_revenue)

# نمایش پرفروش ترین محصول
print("\nپرفروش ترین محصول:")
print(f"{sorted_products[top_product_idx]}: ${sorted_revenue[top_product_idx]:,.۲f}")

# استخراج داده ها برای هر ماه
months = np.unique(sale_dates[:, ۲])

# محاسبه میانگین قیمت در هر ماه
monthly_avg_price = np.zeros_like(months)
for month in months:
    month_mask = sale_dates[:, ۲] == month
    monthly_avg_price[np.where(months == month)] = np.mean(unit_prices[month_mask])

# نمایش میانگین قیمت در هر ماه
print("\nمیانگین قیمت در هر ماه:")
for i in range(len(months)):
    print(f"{months[i]}: ${monthly_avg_price[i]:,.۲f}")