python——餐饮数据分析

· 话不多说，直接上代码。

一、

import pandas as pd
import numpy as np
import matplotlib.pyplot as pltinfo = pd.read_csv('meal_order_info.csv', encoding='utf-8')
info_before = pd.read_csv('info_new.csv', encoding='utf-8')#将两个数据拼起来
info_all = pd.concat([info_before, info])
print('查看各表的维数：\n', info.shape, info_before.shape, info_all.shape)
info.head()

split()：就是将一个字符串分隔成多个字符串组成的列表
enumerate(info['use_start_time'])基本应用就是用来遍历一个集合对象，它在遍历的同时还可以得到当前元素的索引位置

#条件选取order_status==1的数据
info = info_all[info_all['order_status'].isin(['1'])]
# data =  info_all[info_all['order_status']==1]info = info.reset_index(drop=True)
# 统计每日用餐人数与营业额#将时间后面的师傅们去掉
for i, k in enumerate(info['use_start_time']):y = k.split()y = pd.to_datetime(y[0])info.loc[i, 'use_start_time'] = y#提取三列数据
# info[['use_start_time', 'number_consumers','accounts_payable']]
groupbyday = info[['use_start_time', 'number_consumers','accounts_payable']].groupby(by='use_start_time')#以时间分组
sale_day = groupbyday.sum()
#定义列名称
sale_day.columns = ['人数', '销量']
sale_day

散点图：

fig1 = plt.figure()
#定义一个数组作为横坐标
x = np.arange(1,244,1)
#图大小设置
plt.figure(figsize=(12, 6))
y = sale_day['人数']
plt.plot(x,y,'.r')
plt.xlabel('x')
plt.ylabel('y')
plt.savefig('散点图.png',dpi=300)
plt.show()

进阶散点图

#x，y变量变化
nbins = 200
H, xedges, yedges = np.histogram2d(x,y,bins=nbins)
# H needs to be rotated and flipped
H = np.rot90(H)
H = np.flipud(H)
# 将zeros mask
Hmasked = np.ma.masked_where(H==0,H)
fig2 = plt.figure()
#图大小设置
plt.figure(figsize=(12, 6))
plt.pcolormesh(xedges,yedges,Hmasked)
plt.xlabel('x')
plt.ylabel('y')
cbar = plt.colorbar()
cbar.ax.set_ylabel('Counts')
plt.savefig('2D.png',dpi=300)
plt.show()

折线图：

# 每日用餐人数折线图
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falseplt.figure(figsize=(12, 6))
plt.title('每日用餐人数折线图')
plt.xlabel('日期')
plt.ylabel('用餐人数')
plt.plot(sale_day['人数'])plt.show()
plt.close

# 画出每日销售额的折线图
# 新建画板
plt.figure(figsize=(12, 6))
plt.title('每日销售额的折线图')
plt.xlabel('日期')
plt.ylabel('销售额')
plt.plot(sale_day['销量'])plt.show()
plt.close

折线图进阶——双坐标轴

plt.figure(figsize=(12, 6))
Y1=sale_day['人数']
Y2=sale_day['销量']
#标题
plt.title("title")
#create figure
#fig, ax =plt.subplots(1)
# Plot y1 vs x in blue on the left vertical axis.
plt.xlabel("时间")
plt.ylabel("y1", color="g")
plt.tick_params(axis="y", labelcolor="g")
plt.plot(Y1, "g-", linewidth=2)fig.autofmt_xdate(rotation=50)# Plot y2 vs x in red on the right vertical axis.
plt.twinx()
plt.ylabel("y2", color="r")
plt.tick_params(axis="y", labelcolor="r")
plt.plot(Y2, "r-", linewidth=2)#To save your graph
#plt.savefig('saltandtemp_V1.png' ,dpi=300)
plt.show()

二、

info_august = pd.read_csv('meal_order_info.csv', encoding='utf-8')
users_august = pd.read_csv('users.csv', encoding='gbk')# 提取订单状态为1的数据
info_august_new = info_august[info_august['order_status'].isin(['1'])]
info_august_new = info_august_new.reset_index(drop=True)
print('提取的订单数据维数：', info_august_new.shape)info_august_new.head()

info_august_new.to_csv('info_august_new.csv', index=False, encoding='utf-8')# 匹配用户的最后一次用餐时间
for i in range(1, len(info_august_new)):num = users_august[users_august['USER_ID'] ==info_august_new.iloc[i-1, 1]].index.tolist()users_august.iloc[num[0], 14] = info_august_new.iloc[i-1, 9]users_august.iloc[num[0], 14] = info_august_new.iloc[i-1, 9]user = users_august
user['LAST_VISITS'] = user['LAST_VISITS'].fillna(999)
user = user.drop(user[user['LAST_VISITS'] == 999].index.tolist())
user = user.iloc[:, [0, 2, 12, 14]]
user.head()

# 读取数据
users = pd.read_csv('user_loss.csv', encoding='gbk')
info = pd.read_csv('info_new.csv', encoding='utf-8')
print('历史客户信息表的维数：', users.shape)
print('历史订单表的维数：', info.shape)# 将时间转为时间格式
users['CREATED'] = pd.to_datetime(users['CREATED'])
info['use_start_time'] = pd.to_datetime(info['use_start_time'])
info['lock_time'] = pd.to_datetime(info['lock_time'])# 匹配用户的最后一次用餐时间
for i in range(len(users)):info1 = info.iloc[info[info['name'] == users.iloc[i, 2]].index.tolist(), :]if sum(info['name']==users.iloc[i, 2]) != 0:users.iloc[i, 14] = max(info1['use_start_time'])# 特征选取
# 提取有效订单
info = info.loc[info['order_status'] == 1, ['emp_id', 'number_consumers', 'expenditure']]
info = info.rename(columns={'emp_id': 'USER_ID'})  # 修改列名
info.head()

info_user.to_csv('info_user.csv', index=False, encoding='utf-8')import pandas as pd
from sklearn.preprocessing import StandardScaler
import numpy as npuser_value1.columns = ['USER_ID', 'F']  # 修改列名
print('F特征的最大值：', max(user_value1['F']))
print('F特征的最小值：', min(user_value1['F']))# 构建M特征
user_value2 = info[['emp_id', 'expenditure']].groupby(by='emp_id').sum()
user_value2 = pd.DataFrame(user_value2).reset_index()
user_value2.columns = ["USER_ID", "M"]
user_value = pd.merge(user_value1, user_value2, on='USER_ID')
print('M特征的最大值：', max(user_value['M']))
print('M特征的最小值：', min(user_value['M']))# 构建R特征
user_value = pd.merge(user_value, user, on='USER_ID')  # 合并两个表
# 转换时间格式
for i, k in enumerate(user_value['LAST_VISITS']):y = k.split()y = pd.to_datetime(y[0])user_value.loc[i, 'LAST_VISITS'] = y
last_time = pd.to_datetime(user_value['LAST_VISITS'])
deadline = pd.to_datetime("2016-8-31")  # 观测窗口结束时间
user_value['R'] = deadline - last_time
print('R特征的最大值：', max(user_value['R']))
print('R特征的最小值：', min(user_value['R']))# 代码 7-5
# 特征提取
user_value = user_value.iloc[:, [0, 3, 6, 1, 2]]
user_value.to_csv("user_value.csv", encoding="utf-8_sig", index=False)USER_ID = user_value['USER_ID']
ACCOUNT = user_value['ACCOUNT']
user_value = user_value.iloc[:, [2, 3, 4]]
user_value.iloc[:, 0] = [i.days for i in user_value.iloc[:, 0]]# 标准差标准化
standard = StandardScaler().fit_transform(user_value)
np.savez('standard.npz', standard)
print(standard)

三、聚类

standard = np.load('standard.npz')['arr_0']
k = 3  # 聚类中心数# 构建模型
kmeans_model = KMeans(n_clusters=k, n_jobs=3, random_state=123)
fit_kmeans = kmeans_model.fit(standard)  # 模型训练
print('聚类中心：\n', kmeans_model.cluster_centers_)print('样本的类别标签：\n', kmeans_model.labels_)# 统计不同类别样本的数目
r1 = pd.Series(kmeans_model.labels_).value_counts()
print('最终每个类别的数目为：\n', r1)# 代码 7-7
# %matplotlib inline
import matplotlib.pyplot as plt# 中文和负号的正常显示
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False# 绘制雷达图
N = len(kmeans_model.cluster_centers_[0])
# 设置雷达图的角度，用于平分切开一个圆面
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)
# 为了使雷达图一圈封闭起来
angles = np.concatenate((angles, [angles[0]]))# 绘图
fig = plt.figure(figsize=(7, 7))
ax = fig.add_subplot(111, polar=True)
sam = ['r','g','b']
lstype = ['-','--','-.']
lab = []
for i in range(len(kmeans_model.cluster_centers_)):values = kmeans_model.cluster_centers_[i]feature = ['R','F','M']values = np.concatenate((values, [values[0]]))# 绘制折线图ax.plot(angles, values, sam[i], linestyle=lstype[i], linewidth=2, markersize=10)ax.fill(angles, values, alpha=0.5)  # 填充颜色#ax.set_thetagrids(angles * 180 / np.pi, feature, fontsize=15)  # 添加每个特征的标签plt.title('客户群特征分布图')  # 添加标题ax.grid(True)lab.append('客户群' + str(i+1))
plt.legend(lab)
#plt.savefig('征分布图.png')
plt.show()
plt.close

python——餐饮数据分析相关推荐

基于聚类算法的城市餐饮数据分析与店铺选址
温馨提示:文末有 CSDN 平台官方提供的学长 Wechat / QQ 名片 :) 1. 项目简介餐饮业生意好坏的影响因素通常有很多,包括店铺菜系.口味.服务态度.周边环境.人口密度.所在区域.人均 ...
牛！大佬原创的《Python 与数据分析 100 个案例》PDF 可以下载了
告别枯燥,通过学习有趣的小案例,扎实而系统的入门 Python.数据分析.机器学习,从菜鸟到大师,个人觉得这是很靠谱的一种方法. 通过一个又一个的案例,真正领悟 Python 的强大和简洁,真正做到高 ...
8 个 Python 高效数据分析的技巧
(给视学算法加星标,提升数据技能) 编译:专知/Yingying, Jiahui,英文原作:Conor Dewey 不管是参加Kaggle比赛,还是开发一个深度学习应用,第一步总是数据分析,这篇文章介 ...
利用Python进行数据分析（第2版）
Wes McKinney 是流行的Python开源数据分析库pandas的创始人.他是一名活跃的演讲者,也是Python数据社区和Apache软件基金会的Python/C++开源开发者.目前他在纽约从 ...
送你8个Python高效数据分析的技巧（附代码）
来源:专知本文共1300字,建议阅读5分钟. 本文介绍的数据分析方法,不仅能够提升运行效率,还能够使代码更加"优美". 不管是参加Kaggle比赛,还是开发一个深度学习应用,第一 ...
干货 | 《利用Python进行数据分析》资料开源下载
今天要跟大家分享的是数据分析领域的必备书籍之一的<利用Python进行数据分析>第二版.英文名为 Python for Data Analysis. 本书作者Wes McKinney 资深 ...
python做数据分析的包_用Python做数据分析，Numpy，Pandas，matp
该楼层疑似违规已被系统折叠隐藏此楼查看此楼用Python做数据分析,Numpy,Pandas,matplotlib是怎么也绕不开的三个包,我最开始学习pandas是看的<利用Python进行 ...
利用python进行数据分析英文-如何学习和评价《利用python进行数据分析》这本书？...
作为用Python做数据分析的必读书籍之一,这本书的开篇有向读者说明,这本书关注的是利用Python操作.处理.清洗和操作数据时的基本要点.目标是提供一份Python编程语言以及Python面向数据的 ...
python分析excel数据-总结:像Excel一样使用python进行数据分析
Excel是数据分析中最常用的工具,本篇文章通过python与excel的功能对比介绍如何使用python通过函数式编程完成excel中的数据处理及分析工作.在Python中pandas库用于数据处理 ...

python——餐饮数据分析

一、

散点图：

二、

python——餐饮数据分析相关推荐

最新文章

热门文章