Pandas+Pyecharts | 上海市餐饮数据分析可视化

简介: Pandas+Pyecharts | 上海市餐饮数据分析可视化

大家好,我是欧K~

本期我们通过分析利用Python分析上海市餐饮数据,看看:

  • 哪个区的餐饮店铺分布最多
  • 各类餐饮口碑评价怎么样
  • 各类餐饮的人均消费大概定价多少
  • 各区都适合开哪些类型的店铺
  • ...

希望对小伙伴们有所帮助,如有疑问或者需要改进的地方可以私信小编。

涉及到的库:

  • Pandas — 数据处理
  • Pyecharts — 数据可视化
  • matplotlib — 数据可视化

可视化部分:

  • 饼图 — Pie
  • 柱状图 — Bar
  • 地图 — Map
  • 组合组件 — Grid


1. 导入模块

import numpy as np
import pandas as pd
from collections import Counter
from pyecharts.charts import Pie
from pyecharts.charts import Bar
from pyecharts.charts import Grid
from pyecharts.charts import Page
from pyecharts.charts import Map
from pyecharts import options as opts
from pyecharts.commons.utils import JsCode
import matplotlib.pyplot as plt
from mpl_toolkits.axes_grid1.inset_locator import inset_axes
plt.rcParams['font.sans-serif'] = ['SimHei']

2. Pandas数据处理

2.1 读取数据

df = pd.read_csv('上海餐饮数据.csv')
df.head()


2.2 去除最后两行无用的列

df = df.iloc[:,:-2]
df.head()


2.3 查看索引、数据类型和内存信息

一共 96398 条信息,其中类别和行政区这两个字段有数据缺失。2.4 清除空值

df.isnull().sum()
df = df.dropna()

2.5 行政区替换

卢湾区目前已经划入黄浦区,所以将行政区列中的卢湾区替换成黄浦区:

df['行政区'] = df['行政区'].str.strip()
df['行政区'] = df['行政区'].replace('卢湾区','黄浦区')

3. Pyecharts数据可视化

3.1 上海各类餐饮店数量分布玫瑰图/各区餐饮店数量分布

def get_pie(regions, region_count, category, count, mean, size, colors):    
    num= len(size)
    width = 2 * np.pi / num
    rad = np.cumsum([width] * num)
    plt.figure(figsize=(8, 8),dpi=500)
    ax = plt.subplot(projection='polar')
    ax.set_ylim(-1, np.ceil(max(size) + 1))
    ax.set_theta_zero_location('N',-5.0)
    ax.set_theta_direction(1)
    ax.grid(False)
    ax.spines['polar'].set_visible(False)
    ax.set_yticks([])
    ax.set_thetagrids([])
    ax.bar(rad, size, width=width, color=colors, alpha=1)
    ax.bar(rad, 1, width=width, color='white', alpha=0.15)
    ax.bar(rad, 3, width=width, color='white', alpha=0.1)
    ax.bar(rad, 5, width=width, color='white', alpha=0.05)
    ax.bar(rad, 7, width=width, color='white', alpha=0.03)
    # 设置text
    for i in np.arange(num):
        if i < 8:
            ax.text(rad[i], size[i]-0.2, f'{category[i]}\n{count[i]}家\n({mean[i]})', rotation=rad[i] * 180 / np.pi -5,
                    rotation_mode='anchor', fontstyle='normal', fontweight='black', color='white', size=size[i]/2.2,
                    ha="center", va="top" )
        elif i < 15:
            ax.text(rad[i]+0.02, size[i]-0.7, f'{category[i]}\n{count[i]}家\n({mean[i]})', fontstyle='normal',
                    fontweight='black', color='white', size=size[i] / 1.6, ha="center" )
        else:
            ax.text(rad[i], size[i]+0.1, f'{category[i]} {count[i]}家 ({mean[i]})', rotation=rad[i] * 180 / np.pi + 85,
                    rotation_mode='anchor', fontstyle='normal', fontweight='black', color='black', size=4,
                    ha="left", va="bottom" )
    cell_width = 20  
    cell_height = 5
    axins1=inset_axes(ax,width=3.05, height=cell_height-0.6, loc=1)
    regions_len = len(regions)
    ncols = 2
    nrows = regions_len // ncols + int(regions_len % ncols > 0)
    axins1.set_xlim(0,cell_width*3.5)
    axins1.set_ylim(cell_height* (nrows-0.5),1-cell_height/2.)
    axins1.yaxis.set_visible(False)
    axins1.xaxis.set_visible(False)
    axins1.set_axis_off()
    for i in range(regions_len):
        row = i % nrows
        col = i // nrows
        y = row*2
        text_pos_x = cell_width * col + 10
        axins1.text(text_pos_x-5, y, str(region_count[i]), fontsize=4,color='#FAFAFA',fontweight='bold',
                    horizontalalignment='left',verticalalignment='center',backgroundcolor="#EC407A"
                   )
        axins1.text(text_pos_x, y, regions[i], fontsize=4,color='#3F51B5',fontweight='bold',
                    horizontalalignment='left',verticalalignment='center'
                   )
    plt.show()


  • 店铺较多的餐饮为甜点、快餐、咖啡厅、西餐等,紧随其后是浙菜、川菜、火锅、烧烤等类型

3.2 各餐饮类型人均消费

bar = (
    Bar(init_opts=opts.InitOpts(theme='dark', width='1000px', height='1000px',bg_color='#0d0735'))
    .add_xaxis(df_category_mean_tmp['类别'].tolist())
    .add_yaxis("", df_category_mean_tmp['人均消费'].tolist())
    .set_series_opts(label_opts=opts.LabelOpts(position="right",
                                              font_size=12,
                                              font_weight='bold',
                                              formatter='{c} 元'),
                    )
    .set_global_opts(
                    xaxis_opts=opts.AxisOpts(is_show=False,),
                    yaxis_opts=opts.AxisOpts(
                        axislabel_opts=opts.LabelOpts(font_size=13,color='#fff200'),
                        axistick_opts=opts.AxisTickOpts(is_show=False),
                        axisline_opts=opts.AxisLineOpts(is_show=False)
                    ),
                    title_opts=opts.TitleOpts(title="各餐饮类型人均消费",pos_left='center',pos_top='1%',
                              title_textstyle_opts=opts.TextStyleOpts(font_size=22,color="#38d9a9")),
                    visualmap_opts=opts.VisualMapOpts(is_show=False,
                                      min_=5,
                                      max_=140,
                                      is_piecewise=False,
                                      dimension=0,),
                    )
    .reversal_axis()
)


  • 甜点、快餐的人均售价大概在15-20元之间,这也符合上海快节奏的城市生活
  • 店铺数量较多餐饮类型的人均消费基本都在100以内

3.3 上海各区餐饮店数量地图分布

地图:

m0 = (
        Map(init_opts=opts.InitOpts(width='1000px', height='800px',bg_color='#0d0735'))
        .add('',
             [list(z) for z in zip(regions, region_count)],
             '上海',
             is_map_symbol_show=False,
            )
        .set_global_opts(
            title_opts=opts.TitleOpts(
                  title="上海各区餐饮店数量分布", pos_left="center", pos_top='1%',
                  subtitle='<制图@公众号:Python当打之年>', item_gap=5,
                  title_textstyle_opts=opts.TextStyleOpts(
                      font_size=24, font_weight="bold",
                      color="#DC143C",
                  ),
                  subtitle_textstyle_opts=opts.TextStyleOpts(color="#94d82d", font_size=14, font_weight="bold")
            ),
            visualmap_opts=opts.VisualMapOpts(
                max_= 13000,
                is_piecewise=True,
                is_show=True,
                split_number = 10,
                pos_top='40%',
                pos_left='10%',
            ),
        )
    )

柱状图:

bar = (
    Bar(init_opts=opts.InitOpts(theme='dark', width='1000px', height='300px',bg_color='#0d0735' ))
    .add_xaxis(regions)
    .add_yaxis("", region_count)
    .set_series_opts(label_opts=opts.LabelOpts(position="insideBottom",
                                              font_size=10,
                                              rotate='90',
                                              vertical_align='middle',
                                              horizontal_align='left',
                                              font_weight='bold',
                                              color='#e7298a',
                                              formatter='{b}: {c} 家'),
                    markline_opts=opts.MarkLineOpts(
                        data=[opts.MarkLineItem(name="平均:",
                                                type_ = 'average',)],
                        label_opts=opts.LabelOpts(is_show=False))
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False, boundary_gap=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
        visualmap_opts=opts.VisualMapOpts(
            is_piecewise=True,
            split_number = 10,
            is_show=False,
            max_=13000,),
        title_opts=opts.TitleOpts(
            title=f"各区平均店铺:{df_region['数量'].mean().round(2)}家",
            pos_right="10%",
            pos_top='45%',
            title_textstyle_opts=opts.TextStyleOpts(font_size=13)
        ),
        tooltip_opts=opts.TooltipOpts(
            is_show=True),
    )
)


  • 上海市各区中浦东新区的餐饮店铺数量最多,超过12000家
  • 闵行区、黄浦区、徐汇区、宝山区、松江区、嘉定区、长宁区、杨浦区、普陀区的餐饮店铺数量也在5000家以上

3.4 各区餐饮口味好评率、环境好评率、服务好评率

注:好评为评分8.0分以上

  • 静安区、黄浦区、长宁区、徐汇区等几个区的店铺口味好评率、环境好评率、服务好评率都在20%以上

3.5 各餐饮类型口味好评率、环境好评率、服务好评率

  • 南菜、素菜、本菜、亚菜、火锅等几个餐饮类别口味好评率、环境好评率、服务好评率普遍较高

4. 在线运行地址

篇幅原因,部分代码未展示,在线运行地址(含源码)

https://www.heywhale.com/mw/project/62c7d80db04acf0ba422e96cEND


以上就是本期为大家整理的全部内容了,赶快练习起来吧,如果需要数据文件,可以在公众号后台回复  上海餐饮 获取喜欢的朋友可以点赞、点在看也可以分享让更多人知道

相关文章
|
1月前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
75 0
|
1月前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始,逐步深入到数据处理和分析的方法,最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者,这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界,发现隐藏在数字背后的故事!
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测,以及结果的可视化展示等方面展开讲解。通过这篇文章,你将了解到Python在数据处理和分析中的强大功能,以及如何利用这些工具来提升你的工作效率。
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
46 2
|
1月前
|
存储 数据挖掘 数据处理
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
45 2
|
1月前
|
数据采集 数据可视化 数据挖掘
Python数据分析:Pandas库实战指南
Python数据分析:Pandas库实战指南
|
1月前
|
并行计算 数据挖掘 大数据
Python数据分析实战:利用Pandas处理大数据集
Python数据分析实战:利用Pandas处理大数据集
|
1月前
|
数据采集 数据可视化 数据挖掘
利用Python进行数据分析:Pandas库实战指南
利用Python进行数据分析:Pandas库实战指南
|
1月前
|
数据采集 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第33天】本文将介绍如何使用Python编程语言进行数据分析和可视化。我们将从数据清洗开始,然后进行数据探索性分析,最后使用matplotlib和seaborn库进行数据可视化。通过阅读本文,你将学会如何运用Python进行数据处理和可视化展示。
|
26天前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
81 4
数据分析的 10 个最佳 Python 库