【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

# 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

# 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 ...

【pandas数据清洗与处理】项目5-城市餐饮店铺选址分析

【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

最新文章

热门文章