一、商品价格区间设置的核心意义与场景

商品价格区间设置是数据分析、电商运营、市场调研等领域的核心需求。通过合理划分价格区间，企业可以：

1. 优化定价策略：根据成本、竞品价格和消费者心理，划分低、中、高价位段，制定差异化定价方案。
2. 提升数据可视化：在Excel中生成价格区间分布图（如柱状图、饼图），直观展示商品价格分布特征。
3. 支持精准营销：基于价格区间划分用户群体，推送定制化优惠活动（如高客单价用户定向满减）。
4. 自动化报表生成：通过Python脚本定期处理商品数据，自动生成带价格区间的Excel报表，减少人工操作误差。

传统手动设置价格区间的方法（如Excel筛选+分类）存在效率低、易出错、难以复用等痛点。而Python结合Excel的方案，可实现数据预处理、区间动态划分、结果自动化导出的全流程闭环。

二、Python实现商品价格区间设置的关键步骤

1. 数据准备与预处理

使用pandas库加载商品数据（如CSV、Excel或数据库），并进行清洗：

import pandas as pd
# 示例：从Excel加载商品数据
df = pd.read_excel('商品数据.xlsx')
# 数据清洗：去除缺失值、重复值
df = df.dropna(subset=['价格']).drop_duplicates()
# 筛选有效价格范围（如0-10000元）
df = df[(df['价格'] >= 0) & (df['价格'] <= 10000)]

2. 价格区间划分方法

方法一：等宽区间划分

适用于价格分布均匀的场景，通过pd.cut实现：

# 定义区间边界（如0-500,500-1000,...）
bins = [0, 500, 1000, 2000, 5000, 10000]
labels = ['0-500', '500-1000', '1000-2000', '2000-5000', '5000-10000']
# 添加区间列
df['价格区间'] = pd.cut(df['价格'], bins=bins, labels=labels)

方法二：等频区间划分

适用于价格分布不均的场景，确保每个区间包含相同数量的商品：

# 计算分位数
quantiles = df['价格'].quantile([0.2, 0.4, 0.6, 0.8]).tolist()
bins = [0] + quantiles + [10000]  # 补充最小值和最大值
labels = [f'{int(bins[i])}-{int(bins[i+1])}' for i in range(len(bins)-1)]
df['价格区间'] = pd.cut(df['价格'], bins=bins, labels=labels)

方法三：自定义逻辑划分

根据业务规则（如成本加成、竞品对标）动态调整区间：

def custom_bin(price):
    if price < 300:
        return '低价区'
    elif 300 <= price < 800:
        return '中价区'
    else:
        return '高价区'
df['价格区间'] = df['价格'].apply(custom_bin)

3. 区间统计与分析

使用groupby统计各区间商品数量、均价等指标：

# 统计各区间商品数量
interval_counts = df['价格区间'].value_counts().sort_index()
# 计算各区间均价
interval_avg = df.groupby('价格区间')['价格'].mean().round(2)
# 合并结果
result = pd.DataFrame({
    '商品数量': interval_counts,
    '平均价格': interval_avg
})
print(result)

三、将结果导出至Excel并优化展示

1. 基础导出

使用to_excel将结果写入Excel文件：

result.to_excel('价格区间统计.xlsx', sheet_name='统计结果')

2. 高级格式化（使用openpyxl）

通过openpyxl自定义Excel样式（如字体、颜色、边框）：

from openpyxl import load_workbook
from openpyxl.styles import Font, Alignment, PatternFill
# 加载Excel文件
wb = load_workbook('价格区间统计.xlsx')
ws = wb['统计结果']
# 设置表头样式
header_font = Font(bold=True, color='FFFFFF')
header_fill = PatternFill(start_color='4F81BD', end_color='4F81BD', fill_type='solid')
for cell in ws[1]:
    cell.font = header_font
    cell.fill = header_fill
    cell.alignment = Alignment(horizontal='center')
# 保存修改
wb.save('价格区间统计_格式化.xlsx')

3. 生成可视化图表

使用pandas的ExcelWriter结合openpyxl插入柱状图：

import matplotlib.pyplot as plt
# 生成柱状图
ax = result.plot.bar(x='价格区间', y='商品数量', rot=0, figsize=(8, 6))
plt.title('商品价格区间分布')
plt.ylabel('商品数量')
plt.tight_layout()
# 保存图表为图片
plt.savefig('价格区间分布.png')
# 将图片插入Excel（需手动操作或使用`xlwings`库）

四、实际应用案例与优化建议

案例：电商商品定价分析

1. 数据来源：从电商平台API获取商品价格、销量数据。
2. 区间划分：采用等频区间，确保每个区间包含20%的商品。
3. 分析结果：发现中价区（300-800元）商品销量占比最高，但均价低于竞品，建议适当提价。
4. 自动化脚本：通过schedule库定时运行脚本，生成日报并邮件发送。

优化建议

1. 动态参数化：将区间边界、文件路径等配置为外部参数（如JSON文件），提升脚本复用性。
2. 异常处理：添加数据校验逻辑（如价格非负、区间不重叠），避免脚本中断。
3. 性能优化：对大数据集使用dask或modin替代pandas，提升处理速度。
4. 跨平台兼容：通过pyinstaller打包脚本为EXE文件，方便非技术人员使用。

五、总结与延伸学习

本文详细介绍了Python实现商品价格区间设置的全流程，包括数据预处理、区间划分方法、Excel导出与格式化。通过代码示例与场景分析，读者可快速掌握以下技能：

1. 使用pandas进行高效的数据清洗与区间划分。
2. 通过openpyxl自定义Excel样式，提升报表专业性。
3. 结合业务规则动态调整价格区间，支持精准决策。

延伸学习方向：

1. 探索更复杂的区间划分算法（如聚类分析）。
2. 学习使用Plotly或Seaborn生成交互式可视化图表。
3. 研究如何将Python脚本集成到Power BI或Tableau中，构建自动化分析看板。