เมื่อยอดขาย 200 แถวพูดพร้อมกัน เราต้องช่วยจัดคิวให้ข้อมูล
ลองนึกภาพว่าเราเป็นเจ้าของร้านกาแฟ สิ้นเดือนพนักงานส่งไฟล์ยอดขายมาให้ ตารางยาวสองร้อยแถวเต็มไปด้วยวันที่ ชื่อเมนู ประเภทเครื่องดื่ม ราคา และจำนวนแก้ว
เราถามคำถามง่าย ๆ ว่า “เมนูไหนขายดีที่สุด?”
ทุกแถวในตารางเหมือนยกมือพร้อมกันแล้วตะโกนข้อมูลของตัวเอง เสียงดังมาก แต่ยังไม่มีคำตอบ
Data Science ช่วยจัดคิวให้ข้อมูล เราโหลดตาราง ตรวจว่ามีอะไรอยู่ ทำความสะอาดสิ่งผิดปกติ รวมข้อมูลที่เกี่ยวข้อง แล้วเปลี่ยนผลเป็นข้อความหรือกราฟที่คนใช้ตัดสินใจได้
บทความนี้ใช้ Python, Pandas และ Matplotlib พาเดินตั้งแต่ CSV แถวแรก ไปจนถึง Mini Project วิเคราะห์ร้านกาแฟ
1. Data Science คือการเดินจากข้อมูลไปสู่การตัดสินใจ
Data Science ไม่ได้หมายถึงการสร้างกราฟสีสวยเพียงอย่างเดียว และไม่ใช่การโยนข้อมูลเข้า AI แล้วรอคำตอบแบบจับฉลาก
หัวใจของมันคือการใช้ข้อมูลตอบคำถามอย่างมีเหตุผล
วงจรพื้นฐานมีหน้าตาประมาณนี้
ตั้งคำถาม
↓
เก็บหรือโหลดข้อมูล
↓
ตรวจและทำความสะอาด
↓
วิเคราะห์
↓
สื่อสารผลลัพธ์
↓
ตัดสินใจหรือถามคำถามต่อ
คำถามต้องมาก่อนคำสั่ง ถ้าเราเปิดไฟล์แล้วเริ่มสร้างกราฟทุกคอลัมน์ทันที เราอาจได้ผลงานหน้าตาคึกคัก แต่ยังไม่รู้ว่าจะใช้ทำอะไร
สำหรับร้านกาแฟ คำถามอาจเป็น
- เมนูไหนขายดีที่สุด
- เครื่องดื่มร้อนกับเย็นมีราคาเฉลี่ยต่างกันแค่ไหน
- ยอดขายเปลี่ยนตามวันหรือไม่
- ราคาเกี่ยวข้องกับจำนวนที่ขายได้หรือเปล่า
- มีข้อมูลหายหรือบันทึกซ้ำจนทำให้ผลเพี้ยนไหม
เมื่อคำถามชัด เราจึงเลือกข้อมูลและวิธีวิเคราะห์ได้ถูก
Data, Information และ Insight ต่างกันอย่างไร
Latte, เย็น, 85 บาท, 3 แก้ว คือข้อมูลหนึ่งแถว
“Latte ขายรวม 430 แก้วในเดือนนี้” คือข้อมูลที่ผ่านการรวมจนอ่านง่ายขึ้น
“Latte เย็นขายดีช่วงบ่าย จึงควรเตรียมนมเพิ่มก่อนเวลา 13:00 น.” คือ Insight ที่เชื่อมข้อมูลเข้ากับการตัดสินใจ
กราฟจึงไม่ใช่เส้นชัย ถ้าคนดูกราฟแล้วไม่รู้ว่าจะคิดหรือทำอะไรต่อ งานวิเคราะห์ยังเดินมาไม่ถึงปลายทาง
ภาพจำแบบเร็ว: Data Science คือการเปลี่ยน “สิ่งที่เกิดขึ้น” ให้กลายเป็น “สิ่งที่เราเข้าใจและนำไปใช้ได้”
2. Library กล่องเครื่องมือที่ช่วยให้เราไม่ต้องเริ่มจากศูนย์
ใน Python 101 เราเขียนคำสั่งพื้นฐานด้วยตัวเอง เมื่อเริ่มทำ Data Science เราจะใช้ Library ที่คนอื่นสร้างและทดสอบไว้แล้ว
เปรียบเหมือนการเข้าครัว เราไม่ต้องสร้างเตา หล่อกระทะ และแกะสลักช้อนก่อนทำข้าวผัด เราเริ่มจากเครื่องมือที่มีแล้วมาสนใจวัตถุดิบกับรสชาติแทน
Library สำคัญในบทนี้ ได้แก่
- Pandas สำหรับข้อมูลตาราง
- NumPy สำหรับข้อมูลตัวเลขและ Array
- Matplotlib สำหรับสร้างกราฟ
- Seaborn สำหรับกราฟเชิงสถิติที่ใช้งานสะดวกขึ้น
นำ Pandas เข้ามาใช้ด้วย import
import pandas as pd
pd เป็นชื่อย่อที่ชุมชนใช้กันทั่วไป หลังจากนี้เราเขียน pd.DataFrame() แทน pandas.DataFrame()
DataFrame ตารางที่เขียนคำสั่งคุยด้วยได้
DataFrame คล้าย Sheet ใน Excel มีแถว มีคอลัมน์ และมีชื่อคอลัมน์ แต่เราใช้โค้ดสั่งให้มันเลือก กรอง รวม และคำนวณซ้ำได้
import pandas as pd
data = {
"ชื่อ": ["ไอซ์", "มิ้น", "บีม", "แพร"],
"คะแนน": [85, 92, 78, 95],
"สาขา": ["CS", "IT", "CS", "DS"],
}
df = pd.DataFrame(data)
print(df)
Dictionary แต่ละ Key กลายเป็นชื่อคอลัมน์ และ List แต่ละชุดกลายเป็นข้อมูลในคอลัมน์นั้น
ชื่อ df ย่อจาก DataFrame พบได้บ่อยในตัวอย่าง แต่ในโปรเจกต์ที่มีหลายตาราง ควรตั้งชื่อให้ชัดขึ้น เช่น sales_df หรือ students_df
3. CSV ประตูทางเข้าของข้อมูลจำนวนมาก
CSV ย่อจาก Comma-Separated Values เป็นไฟล์ข้อความที่เก็บข้อมูลตาราง แต่ละบรรทัดคือหนึ่งแถว และค่าถูกคั่นด้วยเครื่องหมาย เช่น comma
โหลดไฟล์ด้วย Pandas ได้ในบรรทัดเดียว
import pandas as pd
df = pd.read_csv("coffee_shop.csv")
หลังโหลด อย่าเพิ่งรีบวิเคราะห์ ให้ตรวจของที่เพิ่งรับมาก่อน เหมือนเปิดกล่องพัสดุแล้วดูว่าสินค้าครบหรือไม่ แทนที่จะเซ็นรับแล้วนำไปขายทันที
head() ดูตัวอย่างแถวแรก
print(df.head())
print(df.head(10))
ค่าเริ่มต้นแสดง 5 แถว เราใส่จำนวนที่ต้องการได้
shape ดูขนาด
print(df.shape)
ผลเช่น (200, 5) หมายถึง 200 แถว 5 คอลัมน์ สังเกตว่า shape เป็น Attribute จึงไม่มีวงเล็บท้าย
info() ตรวจชนิดและข้อมูลที่หาย
df.info()
คำสั่งนี้ช่วยดูชื่อคอลัมน์ ชนิดข้อมูล จำนวนค่าที่ไม่ว่าง และหน่วยความจำโดยคร่าว
describe() ดูสถิติพื้นฐาน
print(df.describe())
สำหรับคอลัมน์ตัวเลข เราจะเห็นจำนวนข้อมูล ค่าเฉลี่ย ส่วนเบี่ยงเบน ค่าต่ำสุด ค่าสูงสุด และตำแหน่ง Quartile
คำถามนักสืบก่อนเริ่มวิเคราะห์
ลองตอบให้ได้ว่า
- ตารางมีขนาดเท่าไร
- แต่ละคอลัมน์หมายถึงอะไร
- ชนิดข้อมูลถูกต้องหรือไม่
- มีข้อมูลหายตรงไหน
- ช่วงค่าดูสมเหตุสมผลหรือไม่
ถ้าคอลัมน์ราคาเฉลี่ย 75 บาท แต่ค่าสูงสุดเป็น 75,000 บาท เราควรหยุดทักทายข้อมูลแถวนั้นก่อนสร้างกราฟ
4. เลือก Filter และ Sort เพื่อหยิบเฉพาะสิ่งที่อยากดู
DataFrame ทั้งก้อนอาจใหญ่เกินไป เราจึงต้องเลือกคอลัมน์และแถวที่เกี่ยวกับคำถาม
เลือกหนึ่งคอลัมน์
menu = df["เมนู"]
print(menu.head())
เลือกหลายคอลัมน์
summary = df[["เมนู", "ราคา", "จำนวน"]]
print(summary.head())
สังเกตวงเล็บเหลี่ยมสองชั้น ชั้นนอกเลือกข้อมูลจาก DataFrame ชั้นในคือ List ของชื่อคอลัมน์
Filter แถวด้วยเงื่อนไข
expensive = df[df["ราคา"] > 100]
print(expensive)
ส่วน df["ราคา"] > 100 สร้างชุดค่า True และ False แล้ว DataFrame เลือกเฉพาะแถวที่เป็น True
ใช้หลายเงื่อนไขได้
hot_and_expensive = df[
(df["ประเภท"] == "ร้อน") &
(df["ราคา"] > 70)
]
ในเงื่อนไข Pandas ใช้ & แทน and และแต่ละเงื่อนไขควรมีวงเล็บครอบ
เรียงข้อมูลด้วย sort_values()
highest_price = df.sort_values("ราคา", ascending=False)
print(highest_price.head())
ascending=False เรียงจากมากไปน้อย ถ้าไม่ระบุ Pandas จะเรียงจากน้อยไปมาก
การ Filter ตอบว่า “ขอเฉพาะใคร” ส่วนการ Sort ตอบว่า “ให้ใครขึ้นมาก่อน”
5. GroupBy รวมเสียงหลายแถวให้ตอบเป็นกลุ่ม
ถ้าอยากรู้ยอดขายรวมของแต่ละเมนู เราไม่ต้องนั่งบวกทีละแถว ใช้ groupby() จัดแถวที่มีเมนูเดียวกันเข้ากลุ่ม แล้วสรุปค่าด้วย sum()
sales_by_menu = (
df.groupby("เมนู")["จำนวน"]
.sum()
.sort_values(ascending=False)
)
print(sales_by_menu)
อ่านจากซ้ายไปขวาได้ว่า
- จัดกลุ่มตามเมนู
- สนใจคอลัมน์จำนวน
- รวมจำนวนในแต่ละกลุ่ม
- เรียงจากมากไปน้อย
ถ้าอยากรู้ราคาเฉลี่ยแยกตามประเภทเครื่องดื่ม
average_price = df.groupby("ประเภท")["ราคา"].mean()
print(average_price)
GroupBy คล้ายให้ลูกค้าในร้านย้ายไปนั่งโต๊ะตามเมนูที่สั่ง แล้วเราเดินนับยอดแต่ละโต๊ะ แทนการวิ่งถามทุกคนใหม่ทีละคน
ฟังก์ชันสรุปที่ใช้บ่อย ได้แก่
sum()ผลรวมmean()ค่าเฉลี่ยcount()จำนวนรายการที่ไม่ว่างsize()จำนวนแถวในกลุ่มmin()และmax()
ต้องเลือกให้ตรงคำถาม “เมนูขายดี” อาจหมายถึงจำนวนแก้วรวม ไม่ใช่จำนวนบิลหรือรายได้รวม แต่ละนิยามให้คำตอบต่างกัน
6. Data Cleaning งานหลังร้านที่กำหนดคุณภาพหน้าร้าน
ข้อมูลจริงไม่ค่อยมาในชุดเรียบร้อยพร้อมโบว์ บางช่องว่าง บางแถวซ้ำ บางตัวเลขถูกเก็บเป็นข้อความ และบางค่าหลุดไกลเหมือนคนกดศูนย์เกินมาสามตัว
ถ้าใช้ข้อมูลสกปรก ผลวิเคราะห์ก็รับปัญหานั้นต่อไป กราฟสวยไม่ช่วยให้เลขผิดกลายเป็นเลขถูก
ตรวจข้อมูลหาย
print(df.isnull().sum())
ผลลัพธ์บอกจำนวนช่องว่างในแต่ละคอลัมน์
ลบแถวที่ขาด
df_without_missing = df.dropna()
วิธีนี้ง่าย แต่เราเสียข้อมูลทั้งแถว จึงต้องคิดว่าข้อมูลที่เหลือเพียงพอหรือไม่ และการหายเกิดแบบสุ่มจริงหรือเปล่า
เติมค่าที่หาย
average_quantity = df["จำนวน"].mean()
df["จำนวน"] = df["จำนวน"].fillna(average_quantity)
การเติมค่าเฉลี่ยช่วยรักษาจำนวนแถว แต่ไม่ได้เหมาะทุกกรณี ถ้าค่ากระจายมากหรือมี Outlier ค่าเฉลี่ยอาจไม่เป็นตัวแทนที่ดี เราอาจใช้ Median, Mode หรือกติกาจากธุรกิจแทน
ตรวจข้อมูลซ้ำ
print(df.duplicated().sum())
df = df.drop_duplicates()
ก่อนลบ ต้องถามว่ารายการซ้ำคือ Error จริงหรือเป็นลูกค้าซื้อเมนูเดิมสองครั้ง ข้อมูลที่หน้าตาซ้ำไม่ได้แปลว่าเป็นรายการซ้ำเสมอไป
แปลงชนิดข้อมูล
df["วันที่"] = pd.to_datetime(df["วันที่"], errors="coerce")
df["ราคา"] = pd.to_numeric(df["ราคา"], errors="coerce")
errors="coerce" เปลี่ยนค่าที่แปลงไม่ได้ให้เป็นค่าหาย จากนั้นเราค่อยตรวจและตัดสินใจจัดการ
Cleaning Log สมุดบันทึกว่าเราแตะอะไรไปบ้าง
ทุกครั้งที่แก้ข้อมูล ควรบันทึกเหตุผล เช่น
- ลบแถวซ้ำ 3 แถว เพราะมี Transaction ID เดียวกัน
- เติมจำนวนที่หายด้วย Median แยกตามเมนู
- แปลงราคาเป็นตัวเลข และพบค่าแปลงไม่ได้ 2 แถว
Data Cleaning ที่ไม่มีบันทึกเหมือนเชฟปรุงอาหารหลังม่านแล้วบอกว่า “เชื่อผม อร่อยแน่” คนตรวจงานต้องรู้ว่าวัตถุดิบถูกเปลี่ยนอย่างไร
7. Visualization เลือกกราฟให้ตอบคำถาม ไม่ใช่เลือกเพราะสีสวย
กราฟช่วยให้สมองเห็นรูปแบบได้เร็วกว่าการอ่านตัวเลขยาว ๆ แต่กราฟแต่ละชนิดเหมาะกับคำถามต่างกัน
Bar Chart เปรียบเทียบระหว่างกลุ่ม
ใช้ตอบว่าเมนูไหนขายมากกว่า หรือสาขาไหนทำยอดได้สูงกว่า
import matplotlib.pyplot as plt
sales_by_menu = df.groupby("เมนู")["จำนวน"].sum()
plt.figure(figsize=(8, 4))
plt.bar(sales_by_menu.index, sales_by_menu.values)
plt.title("ยอดขายรวมแยกตามเมนู")
plt.ylabel("จำนวนแก้ว")
plt.xticks(rotation=30)
plt.tight_layout()
plt.show()
Line Chart ดูแนวโน้มตามเวลา
daily_sales = df.groupby("วันที่")["จำนวน"].sum()
plt.figure(figsize=(10, 4))
plt.plot(daily_sales.index, daily_sales.values, marker="o")
plt.title("ยอดขายรายวัน")
plt.ylabel("จำนวนแก้ว")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
Scatter Plot ดูความสัมพันธ์ของสองตัวแปร
plt.scatter(df["ราคา"], df["จำนวน"], alpha=0.6)
plt.xlabel("ราคา")
plt.ylabel("จำนวนที่ขาย")
plt.title("ราคาและจำนวนที่ขาย")
plt.show()
จุดที่กระจายเป็นแนวอาจบอกความสัมพันธ์ แต่ยังไม่ยืนยันเหตุและผล ถ้าราคาสูงสัมพันธ์กับยอดขายต่ำ อาจมีปัจจัยอื่น เช่น ขนาดแก้ว ช่วงเวลา หรือประเภทเมนู
Pie Chart ดูสัดส่วน แต่ใช้พอดี
Pie Chart อ่านง่ายเมื่อมีกลุ่มไม่มากและสัดส่วนต่างกันชัด หากมีเมนู 24 ชนิด มันจะกลายเป็นพิซซ่าที่หั่นจนไม่มีใครรู้ว่าชิ้นไหนของใคร ใช้ Bar Chart อาจอ่านง่ายกว่า
กติกาง่าย ๆ: เวลาอยู่บนแกน X มักเริ่มคิดถึง Line, กลุ่มต่าง ๆ มักเริ่มที่ Bar, ความสัมพันธ์สองตัวแปรใช้ Scatter และสัดส่วนไม่กี่กลุ่มค่อยใช้ Pie
8. Mini Project วิเคราะห์ร้านกาแฟแบบครบวงจร
ต่อไปเราจะต่อทุกขั้นเข้าด้วยกัน
ขั้นที่ 1 โหลดและสำรวจ
import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv("coffee_shop.csv")
print("ขนาดข้อมูล:", df.shape)
print(df.head())
df.info()
ขั้นที่ 2 ตรวจและทำความสะอาด
print("ข้อมูลหายก่อนแก้")
print(df.isnull().sum())
df["จำนวน"] = pd.to_numeric(df["จำนวน"], errors="coerce")
df["จำนวน"] = df["จำนวน"].fillna(df["จำนวน"].median())
df = df.drop_duplicates()
print("ข้อมูลหายหลังแก้")
print(df.isnull().sum())
ขั้นที่ 3 หาเมนูขายดี
top_menu = (
df.groupby("เมนู")["จำนวน"]
.sum()
.sort_values(ascending=False)
)
print(top_menu.head(5))
ขั้นที่ 4 สร้างกราฟ
top_five = top_menu.head(5)
plt.figure(figsize=(8, 4))
plt.bar(top_five.index, top_five.values, color="steelblue")
plt.title("5 เมนูขายดีที่สุด")
plt.ylabel("จำนวนแก้วรวม")
plt.xticks(rotation=25)
plt.tight_layout()
plt.show()
ขั้นที่ 5 เขียน Insight ด้วยภาษาคน
อย่าจบงานด้วยการแนบกราฟแล้วพิมพ์ว่า “ตามรูปครับ” ลองเขียนสามส่วน
- พบอะไร: เมนูใดขายนำ และห่างจากอันดับถัดไปเท่าไร
- อาจแปลว่าอะไร: ลูกค้าชอบเมนูนี้ หรือมีโปรโมชั่นช่วงเก็บข้อมูล
- ควรทำอะไรต่อ: เตรียมวัตถุดิบเพิ่ม ตรวจช่วงเวลาที่ขายดี หรือทดลองโปรโมชั่นกับเมนูรอง
แยกข้อเท็จจริงออกจากการตีความเสมอ
ตัวอย่าง
“Matcha มียอดขายรวมสูงสุดในชุดข้อมูลนี้ สูงกว่า Latte 18% ผลอาจเกี่ยวข้องกับโปรโมชั่นในครึ่งเดือนหลัง ควรแยกยอดตามวันและตรวจช่วงโปรโมชั่นก่อนเพิ่มสต็อกถาวร”
ประโยคนี้บอกทั้งสิ่งที่เห็น ข้อสงสัย และขั้นต่อไป โดยไม่กระโดดจากกราฟหนึ่งรูปไปสั่งวัตถุดิบทั้งปี
9. กับดักที่ทำให้กราฟดูดีแต่คำตอบไม่น่าเชื่อ
ไม่ตรวจหน่วย
คอลัมน์หนึ่งอาจเป็นบาท อีกคอลัมน์เป็นพันบาท ถ้ารวมกันตรง ๆ ตัวเลขจะดูใหญ่และผิดอย่างมีระเบียบ
ใช้ค่าเฉลี่ยกลบ Outlier
ลูกค้าส่วนใหญ่ซื้อ 1 ถึง 3 แก้ว แต่มีรายการหนึ่ง 500 แก้ว ค่าเฉลี่ยจะถูกดึงสูง ควรดู Median และ Distribution ร่วมด้วย
สรุปเหตุและผลจากความสัมพันธ์
ยอดขายไอศกรีมกับจำนวนคนเล่นน้ำอาจเพิ่มพร้อมกัน เพราะอากาศร้อน ไม่ได้หมายความว่าไอศกรีมทำให้คนกระโดดลงสระ
เลือกช่วงข้อมูลที่เข้าข้างคำตอบ
การเลือกเฉพาะสัปดาห์ที่ยอดขายดีอาจทำให้แนวโน้มดูสวย แต่ไม่สะท้อนทั้งเดือน ระบุช่วงเวลาและเหตุผลที่เลือกเสมอ
Cleaning จนข้อมูลสะอาดเกินจริง
ถ้าเราลบทุกแถวที่ดูแปลก อาจลบเหตุการณ์จริงที่สำคัญออกไปด้วย Outlier บางตัวคือ Error แต่บางตัวคือวันที่ร้านมีอีเวนต์ใหญ่
สรุป Data Science with Python
การวิเคราะห์ข้อมูลไม่ได้เริ่มที่กราฟ และไม่ได้จบที่ตัวเลขสรุป มันเริ่มจากคำถาม ผ่านการตรวจคุณภาพ แล้วจบเมื่อคนเข้าใจผลและใช้ตัดสินใจได้
เครื่องมือหลักในบทนี้มีดังนี้
pd.read_csv() โหลดข้อมูล
df.head() ดูตัวอย่าง
df.shape ดูขนาด
df.info() ตรวจชนิดและค่าที่หาย
df.describe() ดูสถิติ
df[condition] Filter
df.sort_values() เรียง
df.groupby() รวมเป็นกลุ่ม
df.isnull() ตรวจข้อมูลหาย
df.fillna() เติมข้อมูล
plt.bar()/plot() สร้างกราฟ
ครั้งหน้าที่ได้รับไฟล์ยาวหลายร้อยแถว อย่าเพิ่งเลื่อนขึ้นลงจนเมาส์เริ่มร้อน ตั้งคำถามหนึ่งข้อ เปิด Pandas แล้วให้ข้อมูลเข้าแถวตอบทีละเรื่อง