【pandas数据清洗与处理】项目5-城市餐饮店铺选址分析
- 1、从三个维度“口味”、“人均消费”、“性价比”对不同菜系进行比较,并筛选出可开店铺的餐饮类型
要求:
① 计算出三个维度的指标得分
② 评价方法:
口味 → 得分越高越好
性价比 → 得分越高越好
人均消费 → 价格适中即可
③ 制作散点图,x轴为“人均消费”,y轴为“性价比得分”,点的大小为“口味得分”
绘制柱状图,分别显示“口味得分”、“性价比得分”- 建议用bokeh做图
提示:
① 数据清洗,清除空值、为0的数据
② 口味指标计算方法 → 口味评分字段,按照餐饮类别分组算均值,再做标准化处理
③ 人均消费指标计算方法 → 人均消费字段,按照餐饮类别分组算均值,再做标准化处理
④ 性价比指标计算方法 → 性价比 = (口味 + 环境 + 服务)/人均消费,按照餐饮类别分组算均值,再做标准化处理
⑤ 数据计算之前,检查一下数据分布,去除异常值(以外限为标准) - 这里排除了高端奢侈餐饮的数据干扰
⑥ 注意,这里先分别计算三个指标,再合并数据(merge)作图,目的是指标之间的噪音数据不相互影响
- 建议用bokeh做图
# 查看数据import os
os.chdir('C:\\Users\\Hjx\\Desktop\\')
# 创建工作路径df1 = pd.read_excel('上海餐饮数据.xlsx',sheetname=0,header=0)
df1_length = len(df1)
df1_columns = df1.columns.tolist()
print('数据量为%i条' % len(df1))
print(df1.head())
数据量为96398条类别 行政区 点评数 口味 环境 服务 人均消费 城市 Lng Lat
0 烧烤 浦东新区 176 8.0 8.6 7.9 124 上海市 121.967860 30.884477
1 美食 闵行区 2 6.1 6.5 6.3 0 上海市 121.967781 30.883818
2 粤菜 浦东新区 141 6.7 7.2 6.6 141 上海市 121.933142 30.893224
3 海鲜 浦东新区 76 7.2 7.2 7.3 148 上海市 121.926062 30.899868
4 烧烤 浦东新区 600 7.2 7.6 7.0 143 上海市 121.925877 30.901100
# 口味、客单价、性价比指标计算data1 = df1[['类别','口味','环境','服务','人均消费']]
data1.dropna(inplace = True)
data1 = data1[(data1['口味']>0)&(data1['人均消费']>0)]
# 筛选数据,清除空值、为0的数据data1['性价比'] = (data1['口味'] + data1['环境'] + data1['服务']) / data1['人均消费']
# 计算性价比指数fig,axes = plt.subplots(1,3,figsize = (10,4))
data1.boxplot(column=['口味'],ax = axes[0])
data1.boxplot(column=['人均消费'],ax = axes[1])
data1.boxplot(column=['性价比'],ax = axes[2])
# 查看异常值def f1(data,col):q1 = data[col].quantile(q = 0.25)q3 = data[col].quantile(q = 0.75) iqr = q3-q1t1 = q1 - 3 * iqrt2 = q3 + 3 * iqrreturn data[(data[col] > t1)&(data[col]<t2)][['类别',col]]
# 创建函数 → 删除异常值data_kw = f1(data1,'口味')
data_rj = f1(data1,'人均消费')
data_xjb = f1(data1,'性价比')
# 数据异常值处理def f2(data,col):col_name = col + '_norm'data_gp = data.groupby('类别').mean()data_gp[col_name] = (data_gp[col] - data_gp[col].min())/(data_gp[col].max()-data_gp[col].min())data_gp.sort_values(by = col_name, inplace = True, ascending=False)return data_gp
# 创建函数 → 标准化指标并排序data_kw_score = f2(data_kw,'口味')
data_rj_score = f2(data_rj,'人均消费')
data_xjb_score = f2(data_xjb,'性价比')
# 指标标准化得分data_final_q1 = pd.merge(data_kw_score,data_rj_score,left_index=True,right_index=True) # 合并口味、人均消费指标得分
data_final_q1 = pd.merge(data_final_q1,data_xjb_score,left_index=True,right_index=True) # 合并性价比指标得分
# 合并数据data_final_q1.head()
# 制作散点图、柱状图
# x轴为“人均消费”,y轴为“性价比得分”,点的大小为“口味得分”from bokeh.models import HoverTool
from bokeh.palettes import brewer
from bokeh.models.annotations import BoxAnnotation
from bokeh.layouts import gridplot
# 导入模块data_final_q1['size'] = data_final_q1['口味_norm'] * 40 # 添加size字段
data_final_q1.index.name = 'type'
data_final_q1.columns = ['kw','kw_norm','price','price_norm','xjb','xjb_norm','size']
# 将中文改为英文
# 添加颜色参数source = ColumnDataSource(data_final_q1)
# 创建ColumnDataSource数据hover = HoverTool(tooltips=[("餐饮类型", "@type"),("人均消费", "@price"),("性价比得分", "@xjb_norm"),("口味得分", "@kw_norm")]) # 设置标签显示内容
result = figure(plot_width=800, plot_height=250,title="餐饮类型得分情况" ,x_axis_label = '人均消费', y_axis_label = '性价比得分', tools=[hover,'box_select,reset,xwheel_zoom,pan,crosshair'])
# 构建绘图空间
result.circle(x = 'price',y = 'xjb_norm',source = source,line_color = 'black',line_dash = [6,4],fill_alpha = 0.6,size = 'size')
price_mid = BoxAnnotation(left=40,right=80, fill_alpha=0.1, fill_color='navy')
result.add_layout(price_mid)
# 设置人均消费中间价位区间
result.title.text_font_style = "bold"
result.ygrid.grid_line_dash = [6, 4]
result.xgrid.grid_line_dash = [6, 4]
# 散点图# 绘制柱状图
data_type = data_final_q1.index.tolist()# 提取横坐标kw = figure(plot_width=800, plot_height=250, title='口味得分',x_range=data_type,tools=[hover,'box_select,reset,xwheel_zoom,pan,crosshair'])
kw.vbar(x='type', top='kw_norm', source=source,width=0.9, alpha = 0.8,color = 'red')
kw.ygrid.grid_line_dash = [6, 4]
kw.xgrid.grid_line_dash = [6, 4]
# 柱状图1price = figure(plot_width=800, plot_height=250, title='人均消费得分',x_range=kw.x_range,tools=[hover,'box_select,reset,xwheel_zoom,pan,crosshair'])
price.vbar(x='type', top='price_norm', source=source,width=0.9, alpha = 0.8,color = 'green')
price.ygrid.grid_line_dash = [6, 4]
price.xgrid.grid_line_dash = [6, 4]
# 柱状图2p = gridplot([[result],[kw], [price]])
# 组合图表
show(p)
- 2、选择一个餐饮类型,在qgis中做将上海划分成格网空间,结合python辅助做空间指标评价,得到餐饮选址位置
- 课程这里以“素菜馆为例”
课程数据
① net_population.shp → 投影坐标系,上海1km²格网内的人口密度数据
② road.shp → 投影坐标西,上海道路数据
要求:
① 通过空间分析,分别计算每个格网内的几个指标:人口密度指标、道路密度指标、餐饮热度指标、同类竞品指标
② 评价方法:
人口密度指标 → 得分越高越好
道路密度指标 → 得分越高越好
餐饮热度指标 → 得分越高越好
同类竞品指标 → 得分越低越好
综合指标 = 人口密度指标0.4 + 餐饮热度指标0.3 + 道路密度指标0.2 +同类竞品指标0.1
③ 最后得到较好选址的网格位置的中心坐标,以及所属区域- 可以用bokeh制作散点图
提示:
① 道路密度指标计算方法 → 网格内道路长度
② 餐饮热度指标计算方法 → 网格内餐饮poi计数
③ 同类竞品指标计算方法 → 网格内素菜馆poi计数
④ 餐饮poi数据记得投影
⑤ 可以以“net_population.shp”为网格基础数据,做空间统计
⑥ 在qgis做空间统计之后,网格数据导出点数据,投影成wgs84地理坐标系,导出excel数据,在python做指标标准化等
⑦ 在bokeh中做散点图时,注意添加一个size字段,通过最终评分来赋值
⑧ 在bokeh中做散点图时,可以给TOP10的点用颜色区分
- 可以用bokeh制作散点图
# 加载数据df2 = pd.read_excel('空间统计.xlsx',sheetname=0,header=0)
data2 = df2.fillna(0)
data2.head()
# 指标统计data2['rkmd_norm'] = (data2['人口密度']-data2['人口密度'].min())/(data2['人口密度'].max()-data2['人口密度'].min()) # 人口密度指标标准化
data2['cyrd_norm'] = (data2['餐饮计数']-data2['餐饮计数'].min())/(data2['餐饮计数'].max()-data2['餐饮计数'].min()) # 餐饮热度指标标准化
data2['tljp_norm'] = (data2['素菜餐饮计数'].max()-data2['素菜餐饮计数'])/(data2['素菜餐饮计数'].max()-data2['素菜餐饮计数'].min()) # 同类竞品指标标准化
data2['dlmi_norm'] = (data2['道路长度']-data2['道路长度'].min())/(data2['道路长度'].max()-data2['道路长度'].min()) # 道路密度指标标准化
# 指标标准化data2['final_score'] = data2['rkmd_norm']*0.4 + data2['cyrd_norm']*0.3 + data2['tljp_norm']*0.1 + data2['dlmi_norm']*0.2
data_final_q2 = data2.sort_values(by = 'final_score',ascending=False).reset_index()
data_final_q2[:10]
# 计算综合评分并查看TOP10的网格ID
# 制作空间散点图data_final_q2['size'] = data_final_q2['final_score'] * 20
data_final_q2['color'] = 'green'
data_final_q2['color'].iloc[:10] = 'red'
# 添加size字段source = ColumnDataSource(data_final_q2)
# 创建ColumnDataSource数据hover = HoverTool(tooltips=[("经度", "@lng"),("纬度", "@lat"),("最终得分", "@final_score"),]) # 设置标签显示内容
p = figure(plot_width=800, plot_height=800,title="空间散点图" , tools=[hover,'box_select,reset,wheel_zoom,pan,crosshair'])
# 构建绘图空间p.square(x = 'lng',y = 'lat',source = source,line_color = 'black',fill_alpha = 0.5,size = 'size',color = 'color')
p.ygrid.grid_line_dash = [6, 4]
p.xgrid.grid_line_dash = [6, 4]
# 散点图
show(p)
【pandas数据清洗与处理】项目5-城市餐饮店铺选址分析相关推荐
- 项目01城市餐饮店铺选址分析
一.项目要求 1.从三个维度"口味"."人均消费"."性价比"对不同菜系进行比较,并筛选出可开店铺的餐饮类型 要求: ① 计算出三个维度的指 ...
- 项目07城市餐饮店铺选址分析
问题 [项目07] 城市餐饮店铺选址分析 1.从三个维度"口味"."人均消费"."性价比"对不同菜系进行比较,并筛选出可开店铺的餐饮类型 要 ...
- Python 数据分析微专业课程--项目06 城市餐饮店铺选址分析
1.项目说明 通过对上海餐饮数据的分析,选择相对较好的餐饮类型和地段开店 2.项目具体要求 从三个维度"口味"."人均消费"."性价比"对不 ...
- 城市餐饮店铺选址分析
城市餐饮店铺选址的分析 基于这样一个数据 从 "口味"."人均消费"."性价比" 三个维度对不同菜系进行比较,并筛选出可开店铺的餐饮类型 ① ...
- 数据分析案例--01 城市餐饮店铺选址分析
城市餐饮店铺选址分析 数据下载链接: 链接:https://pan.baidu.com/s/1l2-EEMhK0-n8gFPLuOHb1g 提取码:7olt 要求: 1.从三个维度"口味&q ...
- 数分笔记整理21 - 数据处理项目 - 城市餐饮店铺选址分析 电商打折套路解析
[项目07] 城市餐饮店铺选址分析 ''' [项目07] 城市餐饮店铺选址分析1.从三个维度"口味"."人均消费"."性价比"对不同菜系进行 ...
- 数据分析实战——城市餐饮店铺选址分析(1)
项目目标: 城市餐饮店铺选址 第一部分:从三个维度"口味"."人均消费"."性价比"对不同菜系进行比较,并筛选出可开店铺的餐饮类型 要求: ...
- 【python数据分析实战】城市餐饮店铺选址问题(1)—— 对不同菜系进行比较,并筛选出可开店铺的餐饮类型
1. 首先将要使用的库全部进行导入,并设置程序运行路径 import os os.chdir(r"C:\Users\86177\Desktop") #设置路径 import pan ...
- 【python数据分析实战】城市餐饮店铺选址问题(2)—— 确定餐馆的具体位置
1. 选址的评价指标如下: 人口密度指标 → 得分越高越好 道路密度指标 → 得分越高越好 餐饮热度指标 → 得分越高越好 同类竞品指标 → 得分越低越好 综合 ...
最新文章
- js关闭手机浏览器_Unity 之 WebGL打开手机摄像头
- H5开发开发利器——flex
- python创建按钮_掌握Python之Tkinter按钮组件的创建及使用
- Cloud for Customer里UI5 JavaScript代码和UI designer里模型的对应关系
- 【JAVA 第四章 流程控制语句】课后习题 判断两个圆是否相交 圆和直线的位置关系
- blog error #include stream.h
- 准备好钱了吗?新款iPhone或于9月13日开始接受预订
- PHP 获取微视无水印源地址_最新抖音短视频无水印地址解析原理(抖音免费解析接口),以PHP代码为例...
- EXCEL表格中数字金额很大时后面零很多,如何设置直接以万元为单位显示,不显示后面的零
- 传奇服务器容易受到什么攻击,怎么防御攻击?
- gtp怎么安装系统_UEFI+GTP模式下使用GHO文件安装Win8系统的具体操作方法
- Mac外接显示器默认30hz
- (十)DSP28335基础教程——ECAP实验(超声波测距)
- 【Devc++】战斗1.0.2
- python 判断是否有某个属性_python如何判断对象的某个属性
- Modem2G/3G/4G/5G:完整收录,2020最新MCC、MNC、运营商对照表,全球运营商MCCMNC查询列表
- 计算机主板 辐射,想当年单反镜头竟然还有核辐射?
- dpkg dependency problems prevent configuration
- 开源项目mini-ipc简介
- 控制台五子棋java源代码_两套 五子棋小游戏源码(控制台+JavaSWing)
热门文章
- 程序员常用的画图软件/可视化和小技巧
- “江湖笑”-献给怀有梦想的北漂一族
- 月薪3万的大厂程序员裸辞3个月,送外卖谋生背后的真实感悟
- 计算机无法与打印机建立,电脑无法与打印机连接 计算机网考题目2(6)
- 从台下到台上,我成为 GDE(谷歌开发者专家) 的经验分享
- 2022年双十一百亿补贴,2022年聚划算双11玩法解读
- 大连民族大学计算机学院许淑娟,大连民族大学计算机科学与工程学院2017年教师元旦联欢会圆满落幕...
- 【建议收藏】2021年中高级Android大厂面试秘籍,为你保驾护航金三银四,直通大厂(Java篇)
- python+selenium 拉勾网信息获取,主要是定位元素的练习
- LeetCode:322. 零钱兑换(python)