# 互联网与传统零售业 **Repository Path**: NICEKIKI/network ## Basic Information - **Project Name**: 互联网与传统零售业 - **Description**: 互联网与传统零售业 - **Primary Language**: Unknown - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2019-10-12 - **Last Updated**: 2024-10-17 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README 总

互联网时代下传统零售业的发展探析

前言：互联网快速发展后，经常有人说：“马云害那些超市纷纷倒闭。”事实是不是如此呢？如果是，那么传统零售业又该何去何从？ *

一、互联网与零售业发展的相关性：

我们将从零售业以及互联网近十年发展情况的数据，研究出二者的相关性。互联网的发展是否冲击了零售业的发展？我们将用数据可视化来说明。

In [32]:
import pandas as pd
import csv, os
In [2]:
总数据 = open('C:/Users/DELL/Desktop/总数据.csv')
总数据1 = pd.read_csv(总数据)
In [3]:
总数据1
Out[3]:
指标 百货零售法人企业数 百货零售主营业务收入 互联网上网人数
0 2017年 6311 10526.90 77198
1 2016年 6851 11946.43 73125
2 2015年 6532 12033.32 68826
3 2014年 6232 11732.28 64875
4 2013年 5838 11209.69 61758
5 2012年 4933 9923.97 56400
6 2011年 4759 8897.36 51310
7 2010年 4708 7379.80 45730
8 2009年 4077 5898.48 38400
In [4]:
print(list(总数据1.指标))

['2017年', '2016年', '2015年', '2014年', '2013年', '2012年', '2011年', '2010年', '2009年']
In [5]:
print(list(总数据1.百货零售法人企业数))

[6311, 6851, 6532, 6232, 5838, 4933, 4759, 4708, 4077]
In [6]:
print(list(总数据1.百货零售主营业务收入))

[10526.9, 11946.43, 12033.32, 11732.28, 11209.69, 9923.97, 8897.36, 7379.8, 5898.48]
In [7]:
print(list(总数据1.互联网上网人数))

[77198, 73125, 68826, 64875, 61758, 56400, 51310, 45730, 38400]
In [8]:
年度百货零售法人企业数 = zip(list(总数据1.指标),list(总数据1.百货零售法人企业数))
In [9]:
print(年度百货零售法人企业数)

<zip object at 0x00000215FF4E9388>
In [10]:
年度百货零售主营业务收入 = zip(list(总数据1.指标),list(总数据1.百货零售主营业务收入))
In [11]:
print(年度百货零售主营业务收入)

<zip object at 0x00000215FF4E9208>
In [12]:
年度互联网上网人数 = zip(list(总数据1.指标),list(总数据1.百货零售主营业务收入))
In [13]:
print(年度互联网上网人数)

<zip object at 0x00000215FF4E9488>
In [14]:
年度百货零售法人企业数 = list(zip(list(总数据1.指标),list(总数据1.百货零售法人企业数)))
print(年度百货零售法人企业数)

[('2017年', 6311), ('2016年', 6851), ('2015年', 6532), ('2014年', 6232), ('2013年', 5838), ('2012年', 4933), ('2011年', 4759), ('2010年', 4708), ('2009年', 4077)]
In [15]:
年度百货零售主营业务收入 = list(zip(list(总数据1.指标),list(总数据1.百货零售主营业务收入)))
print(年度百货零售主营业务收入)

[('2017年', 10526.9), ('2016年', 11946.43), ('2015年', 12033.32), ('2014年', 11732.28), ('2013年', 11209.69), ('2012年', 9923.97), ('2011年', 8897.36), ('2010年', 7379.8), ('2009年', 5898.48)]
In [16]:
年度互联网上网人数 = list(zip(list(总数据1.指标),list(总数据1.互联网上网人数)))
print(年度互联网上网人数)

[('2017年', 77198), ('2016年', 73125), ('2015年', 68826), ('2014年', 64875), ('2013年', 61758), ('2012年', 56400), ('2011年', 51310), ('2010年', 45730), ('2009年', 38400)]
In [17]:
年度百货零售法人企业数 = list(总数据1.百货零售法人企业数)
年度百货零售法人企业数
Out[17]:
[6311, 6851, 6532, 6232, 5838, 4933, 4759, 4708, 4077]
In [18]:
年度百货零售主营业务收入 = list(总数据1.百货零售主营业务收入)
年度百货零售主营业务收入
Out[18]:
[10526.9,
 11946.43,
 12033.32,
 11732.28,
 11209.69,
 9923.97,
 8897.36,
 7379.8,
 5898.48]
In [19]:
年度互联网上网人数 = list(总数据1.互联网上网人数)
年度互联网上网人数
Out[19]:
[77198, 73125, 68826, 64875, 61758, 56400, 51310, 45730, 38400]
In [20]:
import pyecharts.options as opts
from pyecharts import options as opts
from pyecharts.charts import Bar, Grid, Line,Scatter

def grid_mutil_yaxis() -> Grid:
    x_data = (['2017年', '2016年', '2015年', '2014年', '2013年', '2012年', '2011年', '2010年', '2009年'])
    bar = (
        Bar()
        .add_xaxis(x_data)
        .add_yaxis(
            "年度百货零售法人企业数",
            年度百货零售法人企业数,
            yaxis_index=0,
            color="#5793f3",
        )
        .add_yaxis(
            "年度百货零售主营业务收入",
            年度百货零售主营业务收入,
            yaxis_index=1,
            color="#d14a61",
        )
        .extend_axis(
            yaxis=opts.AxisOpts(
                name="年度百货零售法人企业数",
                type_="value",
                min_=4000,
                max_=20000,
                position="right",
                axisline_opts=opts.AxisLineOpts(
                    linestyle_opts=opts.LineStyleOpts(color="#d14a61")
                ),
                axislabel_opts=opts.LabelOpts(formatter="{value} 个"),
            )
        )
        .extend_axis(
            yaxis=opts.AxisOpts(
                type_="value",
                name="年度互联网上网人数",
                min_=30000,
                max_=80000,
                position="left",
                axisline_opts=opts.AxisLineOpts(
                    linestyle_opts=opts.LineStyleOpts(color="#675bba")
                ),
                axislabel_opts=opts.LabelOpts(formatter="{value} 万人"),
                splitline_opts=opts.SplitLineOpts(
                    is_show=True, linestyle_opts=opts.LineStyleOpts(opacity=1)
                ),
            )
        )
        .set_global_opts(
            yaxis_opts=opts.AxisOpts(
                name="年度百货零售主营业务收入",
                min_=4000,
                max_=13000,
                position="right",
                offset=80,
                axisline_opts=opts.AxisLineOpts(
                    linestyle_opts=opts.LineStyleOpts(color="#5793f3")
                ),
                axislabel_opts=opts.LabelOpts(formatter="{value} 亿元"),
            ),
            title_opts=opts.TitleOpts(title="互联网与零售业发展的相关性研究"),
            tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
        )
    )

    line = (
        Line()
        .add_xaxis(x_data)
        .add_yaxis(
            "年度互联网上网人数",
            年度互联网上网人数,
            yaxis_index=2,
            color="#675bba",
            label_opts=opts.LabelOpts(is_show=False),
        )
    )

    bar.overlap(line)
    return Grid().add(bar, opts.GridOpts(pos_left="10%", pos_right="20%"), is_control_axis_index=True)
In [21]:
dd = grid_mutil_yaxis()
dd.render_notebook()
Out[21]:

结论：由数据可以看出，随着互联网的崛起与发展，互联网应用的逐渐成熟，互联网人数在逐年上升,传统零售业发展缓慢，甚至倒退，从事传统零售业的人员随时面临失业的风险，传统零售业遭受严重的冲击。

二、寻求生机：向电子交易学习

传统零售业是否就是一个夕阳产业了呢？互联网时代的到来，对与传统零售业来说真的只有危机吗？一个行业的没落，另外一个行业却如新星冉冉升起，传统零售业可以参考2019年电子交易的成交数据寻求新的出路！

In [33]:
import pandas as pd
import csv, os
df = pd.read_csv('C:/Users/DELL/Desktop/sale.csv',encoding='gbk',index_col="2019年指标")
df
Out[33]:
1月 2月 3月 4月 5月 6月 7月 8月
2019年指标
网上零售额累计值(亿元) NaN 13982.8 22378.7 30439.3 38641.3 48160.6 55972.5 64393.0
网上零售额累计增长(%) NaN 13.6 15.3 17.8 17.8 17.8 16.8 16.8
实物商品网上零售额累计值(亿元) NaN 10901.0 17772.0 23933.2 30414.5 38164.9 44233.3 50745.5
实物商品网上零售额累计增长(%) NaN 19.5 21.0 22.2 21.7 21.6 20.9 20.8
吃类实物商品网上零售额累计增长(%) NaN 20.2 24.6 26.7 28.5 29.3 29.9 30.6
穿类实物商品网上零售额累计增长(%) NaN 15.6 19.1 23.7 21.2 21.4 20.4 19.7
用类实物商品网上零售额累计增长(%) NaN 20.8 21.3 21.2 21.2 20.9 20.2 20.2
In [34]:
x轴 = [x for x in df.columns.values] #列表推导
x轴
Out[34]:
['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月']
In [35]:
网上零售额累计值 = list(df.loc['网上零售额累计值(亿元)'].values)
网上零售额累计值
Out[35]:
[nan, 13982.8, 22378.7, 30439.3, 38641.3, 48160.6, 55972.5, 64393.0]
In [36]:
import pyecharts.options as opts
from pyecharts.faker import  Faker
from pyecharts.charts import Line


def line_base() -> Line:
    c = (
        Line()
        .add_xaxis(x轴)
        .add_yaxis("网上零售额", 网上零售额累计值)
        .set_global_opts(title_opts=opts.TitleOpts(title="2019年网上商品零售额累计值（亿元）"))
    )
    return c
b = line_base()
b.render_notebook()
Out[36]:

结论：传统零售业转型升级。人们的日常生活离不开零售业。所以零售业不会走向灭亡，但是想要发展，就需要转型升级，多元化发展，线上与线下结合。突破瓶椎，重新焕发活力。

In [ ]: