芝诺数解|「十三」一菜一格,百菜百味——重庆川菜数据分析报告

(一)概述2018年重庆餐饮营业额1318.7亿元,同比增长11.6%,远高于全国平均水平(5%)。其中,川菜消费金额占比为17.02%,排名第二,与火锅(32.39%)一起占据重庆餐饮消费市场半边天。炒菜是川菜最重要的一种存在、消费形式,麻辣、糖醋、椒麻口味的川菜受到欢迎。大众对传统经典川菜接纳度最高,包括毛血旺、尖椒鸡、麻婆豆腐等经典川菜。新兴单品烤鱼、干锅,也受到欢迎。(二)品牌门店分布重庆...
摘要由CSDN通过智能技术生成

/ 数据分析报告

前言

川菜作为中国特色四大菜系之一。它起源于古代的蜀国和巴国,经历了商周至秦的孕育萌芽时期,在汉晋时期已形成初步的轮廓。明朝末年,农民起义军领袖张献忠入川,仅一年四川人民死亡过半。至清初,四川在籍户口不足五千,康熙平定吴三桂叛乱后,开始 “湖广填四川”大移民,各地的特色碰撞融合,川菜包容兼蓄,形成了川菜的“七滋八味”。

至清末民初,重庆首先作为长江中上游的良港被强行开埠,外国势力、国内商贾及营生民众陆续进入四川,民以食为天,大量国内外顶尖厨师汇聚,促使本地厨师吸收南北各色菜系之优,包容并蓄精益求精。“姑姑筵”、“荣乐园”等顶尖川菜馆由此崛起,奠定了现代川菜的基础。

现代川菜可谓三足鼎立,按地域划分为:上河帮,由川西成都、乐山为中心地域的菜系组成;小河帮,由贡盐帮菜、内江糖帮菜、泸州河鲜菜等组成;下河帮,以重庆为中心,其特点为大方粗犷,善用泡椒与酸菜调味,以花样翻新迅速、用料大胆、不拘泥于材料著称。本报告主要围绕在重庆川菜进行分析。

Part 1

川菜概况

(一)概述

2018年重庆餐饮营业额1318.7亿元,同比增长11.6%,远高于全国平均水平(5%)。其中,川菜消费金额占比为17.02%,排名第二,与火锅(32.39%)一起占据重庆餐饮消费市场半边天。

炒菜是川菜最重要的一种存在、消费形式,麻辣、糖醋、椒麻口味的川菜受到欢迎。大众对传统经典川菜接纳度最高,包括毛血旺、尖椒鸡、麻婆豆腐等经典川菜。新兴单品烤鱼、干锅,也受到欢迎。

(二)品牌门店分布

重庆人喜爱的川菜集中在家常菜,江湖菜,烤鱼,干锅四大类,占比依次为51.69%,24.63%,12.68%,9.64%。

川菜家常菜

川菜家常菜指家庭利用现有的调味品也可以炒制出的菜肴,包含了上河帮,小河帮,下河帮三大派系的菜品。讲究麻、辣、鲜、香,口味多变,包含甜、卤香、怪味等多种口味。在重庆,川菜家常菜的占比最高,高达51.69%,代表菜品有鱼香肉丝、宫保鸡丁、麻婆豆腐、回锅肉、泡椒凤爪、板栗烧鸡等。

江湖菜

江湖菜&#

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
当然,我可以用Python编写一个简单的数字识别神经网络。以下是一个基本的示例: 首先,我们需要导入所需的库: ```python import numpy as np import matplotlib.pyplot as plt import tensorflow as tf ``` 接下来,我们需要准备我们的数据集。这里我们将使用MNIST手写数字数据集。我们可以使用TensorFlow自带的数据集载入工具来获取数据: ```python mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() ``` 我们需要对数据进行归一化,使得数据值范围在0到1之间: ```python x_train, x_test = x_train / 255.0, x_test / 255.0 ``` 现在我们可以定义我们的神经网络。这里我们将使用一个非常简单的模型,包含两个隐藏层和一个输出层: ```python model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(10, activation='softmax') ]) ``` 现在我们可以编译我们的模型: ```python model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) ``` 最后,我们可以训练模型: ```python model.fit(x_train, y_train, epochs=5) ``` 现在我们可以使用测试集来评估模型的性能: ```python model.evaluate(x_test, y_test) ``` 这就是一个简单的数字识别神经网络的基本实现。当然,我们可以添加更多的层和更复杂的架构来提高性能,但是这个简单的实现足以演示基本的卷积神经网络的构建和训练过程。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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