Python实战项目——餐厅订单数据分析（一）

最新推荐文章于 2024-05-19 23:31:32 发布

aobulaien001

最新推荐文章于 2024-05-19 23:31:32 发布

阅读量902

点赞数 24

文章标签： python 数据分析数据库

本文链接：https://blog.csdn.net/aobulaien001/article/details/135277375

版权

.markdown-body pre,.markdown-body pre>code.hljs{color:#333;background:#f8f8f8}.hljs-comment,.hljs-quote{color:#998;font-style:italic}.hljs-keyword,.hljs-selector-tag,.hljs-subst{color:#333;font-weight:700}.hljs-literal,.hljs-number,.hljs-tag .hljs-attr,.hljs-template-variable,.hljs-variable{color:teal}.hljs-doctag,.hljs-string{color:#d14}.hljs-section,.hljs-selector-id,.hljs-title{color:#900;font-weight:700}.hljs-subst{font-weight:400}.hljs-class .hljs-title,.hljs-type{color:#458;font-weight:700}.hljs-attribute,.hljs-name,.hljs-tag{color:navy;font-weight:400}.hljs-link,.hljs-regexp{color:#009926}.hljs-bullet,.hljs-symbol{color:#990073}.hljs-built_in,.hljs-builtin-name{color:#0086b3}.hljs-meta{color:#999;font-weight:700}.hljs-deletion{background:#fdd}.hljs-addition{background:#dfd}.hljs-emphasis{font-style:italic}.hljs-strong{font-weight:700}

项目背景

餐厅经营的好坏需要用数据来说明，如果一个餐厅生意惨淡，那么应该先收集最近的数据，然后进行数据分析，再对应相应出现的问题进行解决和做出对应的商业调整。今天开始我们分析一来家餐厅的数据。
在这里插入图片描述

认识数据并预处理

拿到一个数据，第一步就是要进行数据预处理。我们经常遇见的数据存在噪声、冗余、关联性、不完整性等。

数据预处理的常见方法

（1）数据清理：将数据中缺失的值补充完整、消除噪声数据、识别或删除离群点并解决不一致性。
（2）数据集成：将多个数据源中的数据进行整合并统一存储
（3）数据变换：通过平滑聚集、数据概化、规范化等方式将数据转换成适用于数据挖掘的形式
（4）数据归约：数据挖掘经常数据量很大，通过对数据集进行规约或简化，可以保持元数据的完整性，且数据归约后的结果与规约前的结果几乎相同。

这里我们简单介绍，不做深入解释。这不是我们今天的主要内容。

数据介绍

我们的数据是一个餐厅订单，其中包括detail_id，order_id，dishes_id等一系列餐厅数据。拥有3个sheet，数据项大约1w左右。还有各种各样的美食和酒水，看的我流口水（蒜蓉生蚝，蒙古烤羊腿，桂圆枸杞鸽子汤，38度剑南春，美妙绝伦之白莲花，姜葱炒花蟹）
在这里插入图片描述

导入数据

现在我们开始导入数据到notebook

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' ## 设置中文显示
%matplotlib inline
# 加载数据
data1 = pd.read_excel('D:\\meal_order_detail.xlsx',sheet_name='meal_order_detail1')
data2 = pd.read_excel('D:\\meal_order_detail.xlsx',sheet_name='meal_order_detail2')
data3 = pd.read_excel('D:\\meal_order_detail.xlsx',sheet_name='meal_order_detail3')

数据预处理

# 数据预处理（合并数据,NA等处理），分析数据
data = pd.concat([data1,data2,data3],axis=0)  #按照行进行拼接数据
# data.head(5)
data.dropna(axis=1,inplace=True) #按照列删除na列，并且修改源数据
data.info()

在这里插入图片描述

简单统计

接下来我们进行数据的简单统计

统计卖出菜品的平均价格

round(data['amounts'].mean(),2)  #方法一：pandas自带函数
round(np.mean(data['amounts']),2)  #方法二：numpy函数处理

在这里插入图片描述
两种方法都可以，但我自己习惯第一种。

频数统计，什么菜最受欢迎（对菜名进行频数统计，取最大前10名）

dishes_count = data['dishes_name'].value_counts()[:10]

结果如图所示，果然大家都爱吃白饭。。。
在这里插入图片描述

数据可视化matplotlib

既然大家都爱吃白饭，那我们就直接可视化上面那个结果好了。

dishes_count.plot(kind='line',color=['r'])
dishes_count.plot(kind='bar',fontsize=16)
for x,y in enumerate(dishes_count):
    print(x,y)
    plt.text(x,y+2,y,ha='center',fontsize=12)

如图，果然还是图更显而易见。
在这里插入图片描述

8月份餐厅订单点菜种类前10名，平均点菜25个菜品

data_group = data['order_id'].value_counts()[:]
data_group.plot(kind='bar',fontsize=16,color=['r','m','b','y','g'])
plt.title('订单点菜的种类Top10')
plt.xlabel('订单ID',fontsize=16)
plt.ylabel('点菜种类',fontsize=16)

在这里插入图片描述

8月份订单点菜数量前10名

这一步首先我们的进行简单操作，我们求订单ID点菜数量Top10，因此分组order_id,counts求和，排序，前十。

统计单道菜消费总额

data['total_amounts'] =data['counts']*data['amounts']

分组求和

dataGroup = data[['order_id','counts','amounts','total_amounts']].groupby(by='order_id')
Group_sum = dataGroup.sum()  #分组求和

sort_counts =Group_sum.sort_values(by='counts',ascending=False)
sort_counts['counts'][:10].plot(kind='bar',fontsize=16)
plt.xlabel('订单ID')
plt.ylabel('点菜数量')
plt.title('订单ID点菜数量Top10')

在这里插入图片描述

哪个订单ID吃的钱最多（排序）

也就是求消费金额。

sort_total_amounts =Group_sum.sort_values(by='total_amounts',ascending=False)
sort_total_amounts['total_amounts'][:10].plot(kind='bar')
plt.xlabel('订单ID')
plt.ylabel('消费金额')
plt.title('消费金额前10')

在这里插入图片描述

哪个订单ID平均消费最贵

Group_sum['average'] = Group_sum['total_amounts']/Group_sum['counts']
sort_average = Group_sum.sort_values(by='average',ascending=False)
sort_average['average'][:].plot(kind='bar')
plt.xlabel('订单ID')
plt.ylabel('消费单价')
plt.title('订单消费单价前10')

在这里插入图片描述

一天当中什么时间段，点菜量比较集中（hour）

data['hourcount'] = 1 # 新列，用作计数器
data['time'] = pd.to_datetime(data['place_order_time']) #将时间转换成日期类型存储
data['hour'] = data['time'].map(lambda x:x.hour)
gp_by_hour = data.groupby(by='hour').count()['hourcount']
gp_by_hour.plot(kind='bar')
plt.xlabel('小时')
plt.ylabel('点菜数量')
plt.title('点菜数与小时的关系图')

在这里插入图片描述

哪一天订餐数量最多

data['daycount'] = 1  
data['day'] = data['time'].map(lambda x:x.day)  #解析出天
gp_by_day  = data.groupby(by='day').count()['daycount']
gp_by_day.plot(kind='bar')
plt.xlabel('8月份日期')
plt.ylabel('点菜数量')
plt.title('点菜数量与日期的关系图')
#拓展：排序，取点菜量最大的前5天

在这里插入图片描述

查看星期几人数最多，订餐数最多，映射数据到星期

data['weekcount'] = 1
data['weekday'] = data['time'].map(lambda x:x.weekday())
gp_by_weekday = data.groupby(by='weekday').count()['weekcount']
gp_by_weekday.plot(kind='bar')
plt.xlabel('星期')
plt.ylabel('点菜数量')
plt.title('点菜数量与星期关系图')

在这里插入图片描述

总结

以上就是对数据的简单认识和处理，通过作图让我们能够更加清晰的认识数据，加深了解数据之间的联系和区别
不同维度进行数据分析：
针对订单order_id:
什么菜最受欢迎
点菜的种类
点菜的数量
消费金额最大
平均消费
针对时间日期进行分析：
点菜量比较集中的时间
哪一天订餐量最大
星期几就餐人数最多
技术点：
拼接数据：pd.concat([列1，…])
分组进行统计（分组求和）
排序，切片Top10
绘制柱状图走势和高度

---------------------------END---------------------------

题外话

在这里插入图片描述

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。

👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python兼职渠道推荐*

学的同时助你创收，每天花1-2小时兼职，轻松稿定生活费.
在这里插入图片描述

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉CSDN大礼包🎁：全网最全《Python学习资料》免费赠送🆓！（安全链接，放心点击）

若有侵权，请联系删除

aobulaien001

关注

24
点赞
踩
23

收藏

觉得还不错? 一键收藏
0
评论
Python实战项目——餐厅订单数据分析（一）

我们的数据是一个餐厅订单，其中包括detail_id，order_id，dishes_id等一系列餐厅数据。拥有3个sheet，数据项大约1w左右。还有各种各样的美食和酒水，看的我流口水（蒜蓉生蚝，蒙古烤羊腿，桂圆枸杞鸽子汤，38度剑南春，美妙绝伦之白莲花，姜葱炒花蟹）以上就是对数据的简单认识和处理，通过作图让我们能够更加清晰的认识数据，加深了解数据之间的联系和区别什么菜最受欢迎点菜的种类点菜的数量消费金额最大平均消费点菜量比较集中的时间哪一天订餐量最大星期几就餐人数最多。
复制链接

扫一扫