【大数据基础】基于YELP数据集的商业数据分析

最新推荐文章于 2023-09-14 22:20:56 发布
最新推荐文章于 2023-09-14 22:20:56 发布
阅读量1.9k 收藏 17
点赞数 4
分类专栏： 信息管理与信息系统 文章标签： 大数据 数据分析 spark
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Algernon98/article/details/129910080
版权

https://dblab.xmu.edu.cn/blog/2631/
在这里插入图片描述

数据预处理

from pyspark import SparkConf
from pyspark.sql import SparkSession
import pyspark.sql.functions as f
 
def data_process(raw_data_path):
 
    spark = SparkSession.builder.config(conf=SparkConf()).getOrCreate()
    business = spark.read.json(raw_data_path)
    split_col = f.split(business['categories'], ',')
    business = business.withColumn("categories", split_col).filter(business["city"] != "").dropna()
    business.createOrReplaceTempView("business")
 
    b_etl = spark.sql("SELECT business_id, name, city, state, latitude, longitude, stars, review_count, is_open, categories, attributes FROM business").cache()
    b_etl.createOrReplaceTempView("b_etl")
    outlier = spark.sql(
        "SELECT b1.business_id, SQRT(POWER(b1.latitude - b2.avg_lat, 2) + POWER(b1.longitude - b2.avg_long, 2)) \
        as dist FROM b_etl b1 INNER JOIN (SELECT state, AVG(latitude) as avg_lat, AVG(longitude) as avg_long \
        FROM b_etl GROUP BY state) b2 ON b1.state = b2.state ORDER BY dist DESC")
    outlier.createOrReplaceTempView("outlier")
    joined = spark.sql("SELECT b.* FROM b_etl b INNER JOIN outlier o ON b.business_id = o.business_id WHERE o.dist<10")
    joined.write.parquet("file:///home/hadoop/wangyingmin/yelp-etl/business_etl", mode="overwrite")
 
 
if __name__ == "__main__":
    raw_hdfs_path = 'file:///home/hadoop/wangyingmin/yelp_academic_dataset_business.json'
    print("Start cleaning raw data!")
    data_process(raw_hdfs_path)
    print("Successfully done")

在这里插入图片描述
在上述代码中，使用“距离洲内商家平均位置的欧式距离”来除去离群值。

数据分析

from pyspark import SparkContext, SparkConf
from pyspark.sql import SparkSession
import pyspark.sql.functions as f
import os
 
def attribute_score(attribute):
    att = spark.sql("SELECT attributes.{attr} as {attr}, category, stars FROM for_att".format(attr=attribute)).dropna()
    att.createOrReplaceTempView("att")
    att_group = spark.sql("SELECT {attr}, AVG(stars) AS stars FROM att GROUP BY {attr} ORDER BY stars".format(attr=attribute))
    att_group.show()    
    att_group.write.json("file:///usr/local/spark/yelp/analysis/{attr}".format(attr=attribute), mode='overwrite')
 
 
 
def analysis(data_path):
    spark = SparkSession.builder.config(conf=SparkConf()).getOrCreate()
    business = spark.read.parquet(data_path).cache()
    business.createOrReplaceTempView("business")
 
    part_business = spark.sql("SELECT state, city, stars, review_count, explode(categories) AS category FROM business").cache()
    part_business.show()
    part_business.createOrReplaceTempView('part_business_1')
    part_business = spark.sql("SELECT state, city, stars, review_count, REPLACE(category, ' ','')as new_category FROM part_business_1")
    part_business.createOrReplaceTempView('part_business')
 
 
    print("## All distinct categories")
    all_categories = spark.sql("SELECT business_id, explode(categories) AS category FROM business")
    all_categories.createOrReplaceTempView('all_categories')
 
    distinct = spark.sql("SELECT COUNT(DISTINCT(new_category)) FROM part_business")
    distinct.show()
 
    print("## Top 10 business categories")
    top_cat = spark.sql("SELECT new_category, COUNT(*) as freq FROM part_business GROUP BY new_category ORDER BY freq DESC")
    top_cat.show(10)   
    top_cat.write.json("file:///usr/local/spark/yelp/analysis/top_category", mode='overwrite')
 
    print("## Top business categories - in every city")
    top_cat_city = spark.sql("SELECT city, new_category, COUNT(*) as freq FROM part_business GROUP BY city, new_category ORDER BY freq DESC")
    top_cat_city.show()  
    top_cat.write.json("file:///usr/local/spark/yelp/analysis/top_category_city", mode='overwrite')
 
    print("## Cities with most businesses")
    bus_city = spark.sql("SELECT city, COUNT(business_id) as no_of_bus FROM business GROUP BY city ORDER BY no_of_bus DESC")
    bus_city.show(10)   
    bus_city.write.json("file:///usr/local/spark/yelp/analysis/top_business_city", mode='overwrite')
 
    print("## Average review count by category")
    avg_city = spark.sql(
        "SELECT new_category, AVG(review_count)as avg_review_count FROM part_business GROUP BY new_category ORDER BY avg_review_count DESC")
    avg_city.show()  
    avg_city.write.json("file:///usr/local/spark/yelp/analysis/average_review_category", mode='overwrite')
 
 
    print("## Average stars by category")
    avg_state = spark.sql(
        "SELECT new_category, AVG(stars) as avg_stars FROM part_business GROUP BY new_category ORDER BY avg_stars DESC")
    avg_state.show()   
    avg_state.write.json("file:///usr/local/spark/yelp/analysis/average_stars_category", mode='overwrite')
 
    print("## Data based on Attribute")
    for_att = spark.sql("SELECT attributes, stars, explode(categories) AS category FROM business")
    for_att.createOrReplaceTempView("for_att")
    attribute = 'RestaurantsTakeout'
    attribute_score(attribute)
 
 
if __name__ == "__main__":
    business_data_path = 'file:///home/hadoop/wangyingmin/yelp-etl/business_etl' 
    print("Start analysis data!")
    analysis(business_data_path)
    print("Analysis done")

在这里插入图片描述
在这里插入图片描述

Start analysis data!
+-----+----------+-----+------------+--------------------+
|state|      city|stars|review_count|            category|
+-----+----------+-----+------------+--------------------+
|   AZ|Cave Creek|  3.0|          51|             Burgers|
|   AZ|Cave Creek|  3.0|          51|         Restaurants|
|   AZ|Cave Creek|  3.0|          51| American (Tradit...|
|   AZ|Cave Creek|  3.0|          51|             Mexican|
|   AZ|Cave Creek|  3.0|          51|               Pizza|
|   NC|  Gastonia|  4.5|          23|         Restaurants|
|   NC|  Gastonia|  4.5|          23|             Chinese|
|   OH| Twinsburg|  3.0|           4|         Auto Repair|
|   OH| Twinsburg|  3.0|           4|          Automotive|
|   OH| Twinsburg|  3.0|           4|          Body Shops|
|   OH| Twinsburg|  3.0|           4| Auto Glass Services|
|   NV| Las Vegas|  2.0|          23|             Mexican|
|   NV| Las Vegas|  2.0|          23|         Restaurants|
|   NC| Charlotte|  4.0|         535|            Southern|
|   NC| Charlotte|  4.0|         535| American (Tradit...|
|   NC| Charlotte|  4.0|         535|         Restaurants|
|   NC| Charlotte|  4.0|         535|      American (New)|
|   ON|   Toronto|  2.5|           5|              Bridal|
|   ON|   Toronto|  2.5|           5|            Shopping|
|   AZ|      Mesa|  3.0|          44|     Massage Therapy|
+-----+----------+-----+------------+--------------------+
only showing top 20 rows

## All distinct categories
+----------------------------+
|count(DISTINCT new_category)|
+----------------------------+
|                        1318|
+----------------------------+

## Top 10 business categories
+--------------+-----+
|  new_category| freq|
+--------------+-----+
|   Restaurants|49936|
|      Shopping|27014|
|          Food|25985|
|  HomeServices|16880|
|   Beauty&Spas|16607|
|Health&Medical|14843|
| LocalServices|12003|
|     Nightlife|11614|
|          Bars|10448|
|    Automotive| 9166|
+--------------+-----+
only showing top 10 rows

## Top business categories - in every city
+----------+--------------+----+
|      city|  new_category|freq|
+----------+--------------+----+
|   Toronto|   Restaurants|6573|
| Las Vegas|   Restaurants|5573|
| Las Vegas|      Shopping|4334|
|   Toronto|          Food|3453|
|   Phoenix|   Restaurants|3314|
| Las Vegas|  HomeServices|3298|
| Las Vegas|          Food|3134|
|  Montréal|   Restaurants|3130|
| Las Vegas|   Beauty&Spas|2826|
|   Phoenix|      Shopping|2733|
|   Phoenix|  HomeServices|2682|
| Las Vegas|Health&Medical|2669|
|   Toronto|      Shopping|2463|
| Charlotte|   Restaurants|2425|
|   Calgary|   Restaurants|2366|
| Las Vegas| LocalServices|2300|
|Pittsburgh|   Restaurants|2133|
|   Phoenix|          Food|1877|
|   Phoenix|Health&Medical|1829|
| Las Vegas|     Nightlife|1747|
+----------+--------------+----+
only showing top 20 rows

## Cities with most businesses
+----------+---------+
|      city|no_of_bus|
+----------+---------+
| Las Vegas|    22554|
|   Phoenix|    14186|
|   Toronto|    13602|
| Charlotte|     7487|
|Scottsdale|     6955|
|Pittsburgh|     5383|
|   Calgary|     5260|
|  Montréal|     4935|
|      Mesa|     4850|
| Henderson|     3833|
+----------+---------+
only showing top 10 rows

## Average review count by category
+-----------------+------------------+
|     new_category|  avg_review_count|
+-----------------+------------------+
|        StreetArt|            1253.0|
|     MarketStalls|            1084.0|
|       BeerGarden|            1063.5|
|          Resorts| 489.8606060606061|
|             Udon|             462.0|
|           Tuscan|             446.6|
|          Casinos|440.74581005586595|
|ConveyorBeltSushi|             410.5|
|         Pancakes| 333.1111111111111|
|         TikiBars| 329.3333333333333|
|NewMexicanCuisine|          325.2375|
|         Airlines|290.44827586206895|
|    JapaneseCurry|289.61538461538464|
|          Izakaya|            285.44|
|    Observatories| 275.6666666666667|
|       Teppanyaki| 264.2432432432432|
|        Guamanian|             243.0|
|      Flyboarding|             240.0|
|        Brazilian|230.25882352941176|
| BotanicalGardens|218.91176470588235|
+-----------------+------------------+
only showing top 20 rows

## Average stars by category
+--------------------+-----------------+
|        new_category|        avg_stars|
+--------------------+-----------------+
|    EntertainmentLaw|              5.0|
|      JapaneseSweets|              5.0|
|         Stonemasons|              5.0|
|       OutdoorMovies|              5.0|
|    SignatureCuisine|              5.0|
|      CourtReporters|              5.0|
|WildlifeHuntingRa...|              5.0|
|     GameTruckRental|4.928571428571429|
|           PublicArt|4.916666666666667|
|  BrazilianJiu-jitsu|4.882352941176471|
|BeachEquipmentRen...|4.833333333333333|
|         Caricatures|4.833333333333333|
|      ScavengerHunts|4.833333333333333|
|          Pickleball|4.833333333333333|
|   BartendingSchools|4.833333333333333|
|    PartyBikeRentals|           4.8125|
|        HouseSitters|           4.8125|
|            ArtTours|              4.8|
|          VocalCoach|              4.8|
|           Biketours|4.794117647058823|
+--------------------+-----------------+
only showing top 20 rows

## Data based on Attribute
+------------------+-----------------+
|RestaurantsTakeout|            stars|
+------------------+-----------------+
|              True|3.543621136355401|
|             False|3.614546070715819|
|              None|3.640769230769231|
+------------------+-----------------+

Analysis done

数据可视化

import json
import os
import pandas as pd
import matplotlib.pyplot as plt
 
 
AVE_REVIEW_CATEGORY = '/usr/local/spark/yelp/analysis/average_review_category'
OPEN_CLOSE = '/usr/local/spark/yelp/analysis/open_close'
TOP_CATEGORY_CITY = '/usr/local/spark/yelp/analysis/top_category_city'
TOP_BUSINESS_CITY = '/usr/local/spark/yelp/analysis/top_business_city'
TOP_CATEGORY = '/usr/local/spark/yelp/analysis/top_category'
AVE_STARS_CATEGORY = '/usr/local/spark/yelp/analysis/average_stars_category'
TAKEOUT = '/usr/local/spark/yelp/analysis/RestaurantsTakeout'
 
def read_json(file_path):
    json_path_names = os.listdir(file_path)
    data = []
    for idx in range(len(json_path_names)):
        json_path = file_path + '/' + json_path_names[idx]
        if json_path.endswith('.json'):
            with open(json_path) as f:
                for line in f:
                    data.append(json.loads(line))
    return data
 
 
 
if __name__ == '__main__':
    ave_review_category_list = read_json(AVE_REVIEW_CATEGORY)
    open_close_list = read_json(OPEN_CLOSE)
    top_category_city_list = read_json(TOP_CATEGORY_CITY)
    top_business_city_list = read_json(TOP_BUSINESS_CITY)
    top_category_list = read_json(TOP_CATEGORY)
    ave_stars_category_list = read_json(AVE_STARS_CATEGORY)
    takeout_list = read_json(TAKEOUT)
 
 
    top_category_list.sort(key=lambda x: x['freq'], reverse=True)
    top_category_key = []
    top_category_value = []
    for idx in range(10):
        one = top_category_list[idx]
        top_category_key.append(one['new_category'])
        top_category_value.append(one['freq'])
 
    plt.barh(top_category_key[:10], top_category_value[:10], tick_label=top_category_key[:10])
    plt.title('Top 10 Categories', size = 16)
    plt.xlabel('Frequency',size =8, color = 'Black')
    plt.ylabel('Category',size = 8, color = 'Black')
    plt.tight_layout()
 
 
    top_business_city_list.sort(key=lambda x: x['no_of_bus'], reverse=True)
    top_business_city_key = []
    top_business_city_value = []
    for idx in range(10):
        one = top_business_city_list[idx]
        top_business_city_key.append(one['no_of_bus'])
        top_business_city_value.append(one['city'])
 
    """
    plt.barh(top_business_city_value[:10], top_business_city_key[:10], tick_label=top_business_city_value[:10])
    plt.title('Top 10 Cities with most businesses', size = 16)
    plt.xlabel('no_of_number',size =8, color = 'Black')
    plt.ylabel('city',size = 8, color = 'Black')
    plt.tight_layout()
    """
 
    ave_review_category_list.sort(key=lambda x: x['avg_review_count'], reverse=True)
    ave_review_category_key = []
    ave_review_category_value = []
    for idx in range(10):
        one = ave_review_category_list[idx]
        ave_review_category_key.append(one['avg_review_count'])
        ave_review_category_value.append(one['new_category'])
 
    """
    plt.barh(ave_review_category_value[:10], ave_review_category_key[:10], tick_label=ave_review_category_value[:10])
    plt.title('Top 10 categories with most review', size=16)
    plt.xlabel('avg_review_count', size=8, color='Black')
    plt.ylabel('category', size=8, color='Black')
    plt.tight_layout()
    """
 
 
    ave_stars_category_list.sort(key=lambda x: x['avg_stars'], reverse=True)
    ave_stars_category_key = []
    ave_stars_category_value = []
    for idx in range(10):
        one = ave_stars_category_list[idx]
        ave_stars_category_key.append(one['avg_stars'])
        ave_stars_category_value.append(one['new_category'])
 
    """
    plt.barh(ave_stars_category_value[:10], ave_stars_category_key[:10], tick_label=ave_stars_category_value[:10])
    plt.title('Top 10 categories with most stars', size=16)
    plt.xlabel('avg_stars', size=8, color='Black')
    plt.ylabel('category', size=8, color='Black')
    plt.tight_layout()
    """
    takeout_list.sort(key=lambda x: x['stars'], reverse=True)
    takeout_key = []
    takeout_value = []
    for idx in range(len(takeout_list)):
        one = takeout_list[idx]
        takeout_key.append(one['stars'])
        takeout_value.append(one['RestaurantsTakeout'])
    """
    explode = (0,0,0)
    plt.pie(takeout_key,explode=explode,labels=takeout_value, autopct='%1.1f%%',shadow=False, startangle=150)
    plt.title('Whether take out or not', size=16)
    plt.axis('equal')
    plt.tight_layout()
    """
    plt.show()

在这里插入图片描述
下面是可视化的效果：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

仿生程序员会梦见电子羊吗
关注
  • 4
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
专栏目录
ImportYelpData:将Yelp数据集导入PostgreSQL
04-27
＃将Yelp数据导入PostgreSQL更新：2015.10.23 概述 该存储库可帮助您将大部分yelp流行病数据导入到postgreSQL中。 操作说明 ###安装maven官方指南： ： ###安装psql官方指南： ： 如果您使用的是Mac，则可以使用brew轻松安装它。 Internet上缺少说明。 一个简单的指令在这里： 使用自制软件安装： $ brew install postgresql -v 初始化psql： $ initdb /usr/local/var/postgres -E utf8 自动运行psql： $ ln -sfv /usr/local/opt/postgresql/ * .plist ~ /Library/LaunchAgents $ launchctl load ~ /Library/LaunchAgents/homebrew.mx
yelp数据集
03-24
yelp 数据集 可用于推荐系统 yelp数据集 yelp 数据集 推荐系统
Yelp数据集的结构
weixin_43259478的博客
07-27 3683
Yelp数据集的格式
COIL 100数据集
不务正业的猿
10-09 1846
Coil-100 Dataset 是由不同物体在 360° 旋转中不同角度成像组成的数据集，其含有 100 个物体（每个具有 72 个姿势）的 128 * 128 色彩图像，以及 49,152 个特征（红色，绿色和蓝色通道中 128 * 128 像素的值）。 大家可以到官网地址下载数据集，我自己也在百度网盘分享了一份。可关注本人公众号，回复“2020100902”获取下载链接。 ...
生成多样、真实的评论(2019 IEEE International Conference on Big Data )
大肉包的博客
09-06 672
现有的一些研究仅使用用户评论文本生成虚假评论，而另一些研究则利用了语境信息，如评论评分、餐厅名称、城市、州和食品标签。上下文信息有助于产生相关的评论，而评论文本有助于产生不同的评论。它的上下文是Transformer编码器的输入，而评论是GRU编码器的输入。然后，变压器编码器的输出和GRU编码器的隐藏状态被连接并馈送到变压器解码器，其最终输出是生成的评审。1. 设计了一个编码器-解码器评论生成模型，该模型结合了Transformer模型和GRU编码器，对来自用户评论和业务上下文的特征进行编码。
yelp纽约地区数据爬取。使用feapder爬虫框架
weixin_43550446的博客
09-12 1202
yelp纽约地区数据爬取。使用feapder爬虫框架本文使用了国内作者的一款feapder轻量级开源爬虫框架。进行yelp站点数据抓取。第一部分为根据开放api获取店铺信息。第二部分为根据商店id抓取评论信息。1.抓包过程2.调试代码3.基于框架编写代码4.本文代码。数据集下载功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaT
Yelp 数据集
热门推荐
s1162276945的博客
05-11 2万+
业务表(businesss)， 评价表(reviews)， 小贴士表(tips，更简短的评价)， 用户信息表(user information)， 签到表(check-ins)。 https://www.zybuluo.com/hanxiaoyang/note/522569 ...
yelp_spark:使用Spark探索Yelp数据集
03-07
在本项目"yelp_spark"中，我们将深入探讨如何使用Apache Spark进行大规模数据分析，特别是针对Yelp数据集的情感分析。Spark作为一个强大的分布式计算框架，适用于处理海量数据，而AWS EMR（Elastic Map Reduce）则...
Yelp_Dataset_Analysis：这是Yelp数据集的大数据分析
02-08
这是Yelp数据集的大数据分析。 数据可在以下网站找到： : 我无法将数据集放在此处，因为数据集超过3 gb。 但是我已经把我的ipynb文件放在这里了。 您可以从上述网站下载数据集并使用此ipynb文件运行。 此外，“数据...
Yelp:探索性数据分析和可视化
06-10
在本项目中，"Yelp:探索性数据分析和可视化"主要关注如何利用数据科学方法对Yelp（一家知名的在线评论平台）的数据进行深入研究，并通过可视化手段揭示其中的模式、趋势和洞察。该项目由山姆·古莱夫、贾斯汀·劳、...
yelp数据集（最新2017）
11-21
elp希望更多的学生利用这些数据，在研究中想出创新性方法，他们也提供了目前感兴趣的一些主题。 一是图片分类。目前他们虽然能识别出图片中类似于汉堡之类的食物，但是如何评价一张图片是否好看还有待研究。 二是自然语言处理和情感分析。用户评价数据里有很多能挖掘的元数据，可以用于推断语义、商户属性和情感。他们想知道评价里表达了什么，是好评还是差评。 三是图像挖掘。比如说挖掘出用户之间的关系是如何限定他们的使用规律，流行趋势的引导者在一家店火起来之前都是去哪儿吃饭的。
PySpark对电影和用户进行聚类分析
12-21
之前的博文使用pyspark.mllib.recommendation做推荐案例，代码实现了如何为用户做电影推荐和为电影找到潜在的感兴趣用户。本篇博文介绍如何利用因子分解出的用户特征、电影特征做用户和电影的聚类分析，以看能否找到不同于已知的、有趣的新信息。 第一步：获取用户评分数据显式因式分解后的movieFactors、userFactors。 from pyspark.mllib.recommendation import ALS,Rating #用户评分数据 rawData = sc.textFile("/Users/gao/data/ml-100k/u.data") rawRatin
商业数据分析 第二章：商业数据收集
02-18
商业数据分析的课程是电子商务等专业开设的，这是 第二章：商业数据收集，主要从数据如何收集角度进行讲授。具体内容可以购买我编写的商业数据分析教材。
Yelp数据集
11-28
用于基于地理位置的推荐系统数据集。 After preprocessing, the dataset contains 30,887 users, 18,995 POIs and 860,888 reviews.
Analysis-on-Yelp-Dataset:这是Yelp开放数据集的分类和情感分析
05-01
《Yelp数据集的分类与情感分析：HTML技术的应用》 在大数据时代，对用户评论、评价等非结构化信息的分析变得至关重要。Yelp开放数据集为研究者提供了丰富的商业评论信息，涵盖了大量的餐馆、商店和服务。这篇分析...
yelp-review:一种在 Yelp 数据集上工作的挖掘工具，用于预测用户将审查的下一个业务
07-14
《基于Yelp数据集的用户行为预测工具——yelp-review深度解析》 在现代商业环境中，用户评论成为了评价服务质量、产品性能以及商家信誉的重要参考。Yelp作为一个知名的在线评价平台，其海量的用户评论数据为商家和...
Huggingface datasets库读取yelp_review_full数据集时下载失败的解决方法
Trailer1的博客
02-28 1477
Huggingface datasets库读取yelp_review_full数据集时下载失败的解决方法
【论文精读】图神经网络 Pick and Choose: A GNN-based Imbalanced Learning Approach for Fraud Detection
最新发布
m0_61819793的博客
09-14 390
论文阅读笔记 图上类不平衡节点分类问题 PC-GNN 标签平衡采样 类不平衡的过采样和降采样
YelpDaset: 酒店管理类数据集10+G
大邓和他的Python
01-03 1671
线上课程精选课 | Python网络爬虫与文本数据分析(学术)线下课程 2020杭州Python&Stata数据分析课寒假工作坊在昨天发的 综述:文本分析在市场营销研究中...
基于 YELP 数据集的学术商业数据分析
06-06
非常有趣的话题！您想了解哪方面的数据分析呢？一些可能的方向包括： 1. 商家经营分析：基于 YELP 数据集中的商家信息和评价数据，可以进行商家经营状况的分析，比如哪些商家受欢迎、哪些商家的评分高、哪些商家的生意好，等等。 2. 用户行为分析：通过分析 YELP 数据集中的用户评价和签到数据，可以了解用户的行为偏好和趋势，比如哪些种类的餐厅受欢迎、用户的消费习惯、用户签到的地点分布等等。 3. 地理位置分析：结合 YELP 数据集中的商家和用户位置信息，可以进行地理位置分析，比如哪些地区的商家最受欢迎、哪些地区的用户最活跃等等。 4. 推荐系统：基于 YELP 数据集中的用户评价和商家信息，可以构建推荐系统，为用户推荐适合他们口味和偏好的商家。 希望以上几点可以为您提供一些启示。如果您有具体的问题或者需要更深入的分析，欢迎继续与我交流。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值