数据分析：美团大赛的具体案例制作

注：数据集描述 

变量	中文翻译	变量解释
dt	订单创建时间	顾客创建订单时间（以天为单位）
order_id	订单id	顾客创建订单id
waybill_id	运货单id	骑手接受订单生成的运货单id
courier_id	骑手id	骑手id
da_id	地区id	商业区id
is_courier_grabbed	骑手是否接受了订单	骑手是否接受了订单
is_weekend	下单时间是否为周末	下单时间是否为周末
estimate_arrived_time	预计到达时间	餐品预计到达顾客所在位置的时间
is_prebook	该订单是否为预定订单	该订单是否为预定订单
poi_id	商家id	商家id
sender_lng	商家所在位置经度	商家所在位置经度
sender_lat	商家所在位置维度	商家所在位置维度
recipient_lng	顾客所在位置经度	顾客所在位置经度
recipient_lat	顾客所在位置维度	顾客所在位置维度
grab_lng	骑手所在位置经度	骑手未取餐前所在位置经度
grab_lat	骑手所在位置维度	骑手未取餐所在位置维度
dispatch_time	系统分配订单时间	订单进入分配系统的时间
grab_time	骑手接受订单时间	骑手接受订单时间
fetch_time	骑手取餐时间	骑手取餐时间
arrive_time	餐品到达时间	餐品实际达到顾客所在位置时间
estimate_meal_prepare_time	预计备餐时间	商家预计备餐时间
order_push_time	订单推送时间	将运单分配给快递员的时间（快递员可以拒绝派遣）
platform_order_time	平台订单创建时间	平台订单创建时间（以小时为单位）

该数据集可以分为离散型变量、时间型变量和经纬度型变量，在描述性统计中，我们对离散型数据进行频数分析，对时间性数据进行集中趋势、离散趋势和分布形态分析，对经纬度型数据通过聚类方法，对数据进行分析。

import pandas as pd
import matplotlib.pylab as plt
from pyl7vp import L7VP
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np  
from scipy import stats 
from matplotlib.cm import ScalarMappable
from IPython.display import Image  
from sklearn.cluster import KMeans

一、时间型变量

（一）集中趋势

关于集中趋势，我们可以通过中位数指标，众数指标进行分析。在本数据集的时间型变量中，结合下面的研究内容，我们只对['platform_order_time']，即平台创建订单时间绘制直方图，进行集中趋势分析。
注：该数据集中的数据既有已接单订单的数据，又有未接单订单的数据。我们在下述的分析中，将数据集中未结单数据排除，支队已接单数据进行分析。

#导入数据
df = pd.read_csv('Meituan-INFORMS-TSL-Research-Challenge-main/Meituan-INFORMS-TSL-Research-Challenge-main/all_waybill_info_meituan_0322.csv/all_waybill_info_meituan_0322.csv',encoding='utf-8')
#df['platform_order_time']  = pd.to_datetime(df['platform_order_time'], unit='s') 
after_df=df[df['is_courier_grabbed'] != 0].copy()
next_df = df[df['is_courier_grabbed'] != 0].copy()
after_df['platform_order_time'] = pd.to_datetime(after_df['platform_order_time'],unit='s')

# 提取订单时间的小时部分
order_hour = after_df['platform_order_time'].dt.hour

# 统计每个小时的订单数量
hourly_order_count = order_hour.value_counts().sort_index()

# 绘制直方图
plt.bar(hourly_order_count.index, hourly_order_count.values)
plt.xlabel('Hour of the day')
plt.ylabel('Order count')
plt.title('Order count by hour')

# 设置 x 轴刻度标签为时:00:00
plt.xticks(hourly_order_count.index, [f"{hour}:00:00" for hour in hourly_order_count.index], rotation=90)

plt.show()

运行结果：

#计算时间的平均数
mean_value = next_df['platform_order_time'].mean()
mean_value = round(mean_value, 2)