上海市拌客（武宁路店) 餐饮店的外卖订单详情表数据为可视化

上海市拌客（武宁路店) 餐饮店的外卖订单详情表数据为可视化

一、目的分析店铺的营收情况

天池大赛数据集下载地址：https://tianchi.aliyun.com/dataset/128777
背景
现在的餐饮行业越来越像是一座围城，外面的人看着红红火火，里面的人冷暖自知。
物价不断飙升，租金成本、劳动力成本日益增加，餐饮行业遭遇到了新的挑战，新一轮的洗牌在所难免。
有知名餐饮机构的黯然退场，就有新兴餐饮品牌的粉墨登场。

一、提前准备
1、python第三方库的准备

# 载入库，做基本的设置
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
import warnings   # 警告库
import jieba

# pyecharts部分的载入
import pyecharts
from pyecharts.charts import * 
# 载入pyecharts的所有图形元件
from pyecharts import options as opts
# 载入pyecharts的配置选项

warnings.filterwarnings('ignore')
# 忽略代码中遇到的警告信息

# 设置Seaborn的绘图风格，注意该操作会覆盖matplotlib的设置，因此需要放在matplotlib的设置语句之前
sns.set(style = 'darkgrid')

plt.rcParams['font.sans-serif'] = ['SimHei']  # 正常显示中文
plt.rcParams['axes.unicode_minus'] = False    # 正常显示负号

E:\Anaconda3\lib\site-packages\pandas\core\computation\expressions.py:20: UserWarning: Pandas requires version '2.7.3' or newer of 'numexpr' (version '2.7.1' currently installed).
  from pandas.core.computation.check import NUMEXPR_INSTALLED

二、理解数据 数据清洗

首先，我们需要用pandas库进行数据库的读取。
然后，在用pandas里面的read_csv进行数据库的读取,
读取order.csv文件

order = pd.read_csv('orders.csv',encoding='gbk')

# 查看前五行数据
order.head()

	addTime	下单日期	下单日期时间	下单时间	品牌名称	城市	平台	用户id	订单id	订单状态	...	服务费	用户实付	菜品个数	菜品总数	订单数	订单金额	距离	配送费	门店ID	餐盒费
0	2020/8/1 9:22	2020-07-28	2020-07-28 11:01:00	11:01:28	拌客（武宁路店）	上海	eleme	35344964	5004510000000000000	settled	...	-5.50	6.80	11	11	1	43.80	797.0	0.8	337460136	2.0
1	2020/8/1 9:22	2020-07-28	2020-07-28 20:12:00	20:12:39	拌客（武宁路店）	上海	eleme	22215837	5004550000000000000	settled	...	-5.50	32.96	13	13	1	57.96	239.0	0.8	337460136	2.0
2	2020/8/1 9:23	2020-07-28	2020-07-28 20:18:00	20:18:21	拌客（武宁路店）	上海	eleme	28152060	5004550000000000000	settled	...	-5.84	31.04	14	14	1	63.04	239.0	0.8	337460136	2.0
3	2020/8/1 9:23	2020-07-28	2020-07-28 11:42:00	11:42:03	拌客（武宁路店）	上海	eleme	521118154	5004510000000000000	settled	...	-5.50	21.52	9	10	1	45.52	2978.0	3.3	337460136	2.0
4	2020/8/1 9:24	2020-07-28	2020-07-28 23:06:00	23:06:48	拌客（武宁路店）	上海	eleme	17026312	5004560000000000000	settled	...	-5.97	35.72	15	15	1	65.72	518.0	2.8	337460136	2.0

5 rows × 37 columns

order.loc[order['配送地址eleme']=='121.441305,31.246957','配送地址eleme']='普陀区澳门路872弄7号'

order.loc[order['配送地址eleme']=='121.420720,31.241970','配送地址eleme']='普陀区白兰路137弄2号 '

order.loc[order['门店ID']==337460136,'门店ID']='一店'

order.loc[order['门店ID']==9698624,'门店ID']='二店'

order.loc[order['门店ID']==2043564542,'门店ID']='三店 '

order.loc[order['门店ID']==9428110,'门店ID']='四店 '

order.loc[order['订单状态']=='9','订单状态']='msettled '

order.loc[order['订单状态']=='8','订单状态']='minvalid '

order.loc[order['配送类型']==2002,'配送类型']='美团配送'

order.loc[order['配送类型']==2,'配送类型']='饿了么配送'

order.loc[order['配送类型']==1,'配送类型']='其他配送'

order.columns

Index(['addTime', '下单日期', '下单日期时间', '下单时间', '品牌名称', '城市', '平台', '用户id', '订单id',
       '订单状态', '配送地址eleme', '配送坐标', '配送坐标 - 纬度', '配送坐标 - 经度', '配送类型', '门店名称',
       'order_15d', 'order_30d', 'order_60d', 'order_7d', 'order_90d',
       'sku去重菜品数', '品牌id', '商家实收', '商家补贴', '平台补贴', '总补贴', '服务费', '用户实付',
       '菜品个数', '菜品总数', '订单数', '订单金额', '距离', '配送费', '门店ID', '餐盒费'],
      dtype='object')




 从上面这个订单详情表上可以看出，它的列数会比较多，我们在这里只关注如下数据列，分别是'下单日期','平台','订单id','订单状态', '配送地址eleme','配送类型','商家实收', '商家补贴', '平台补贴', '总补贴', '服务费', '用户实付', '菜品个数', '订单数', '订单金额', '距离', '配送费', '门店ID', '餐盒费'。其它数据在分析中用不上，不用过于去关注。
 具体分析如下：

  1. 订单金额与时间的变化情况;
  2.商家家收入与订单金额的关系;
  3.订单数量与星期的关系;
  4.订单数量与订单金额的关系;
  5.配送地址的频率;
  6.订单状态
  7.平台的订单量
  8.配送类型
  9. 补贴情况
  10.服务费与菜品的关系
  11.门店的收入情况
  12.商家收入与用户实付关系
  13 菜品的个数与餐盒关系
  14 .距离与配送费的关系

# 选取所需要的数据
df_order = order[['下单日期','平台','订单id','订单状态', '配送地址eleme','配送类型',
                  '商家实收', '商家补贴', '平台补贴', '总补贴', '服务费', '用户实付',
       '菜品个数', '订单数', '订单金额', '距离', '配送费', '门店ID', '餐盒费']]

# 对数据进行整体观察
df_order.describe()

	订单id	商家实收	商家补贴	平台补贴	总补贴	服务费	用户实付	菜品个数	订单数	订单金额	距离	配送费	餐盒费
count	4.419000e+03	4419.000000	4419.000000	4419.000000	4419.000000	4419.000000	4419.000000	4419.000000	4419.0	4419.000000	4413.000000	4419.000000	4419.000000
mean	2.304600e+18	16.288959	25.551867	2.051957	27.603824	0.153028	23.350342	10.196651	1.0	50.979737	1500.162475	2.417990	2.335144
std	2.442473e+18	9.346231	6.380767	2.105196	6.827127	5.496264	10.944536	3.657969	0.0	14.768896	837.964157	1.557213	0.727017
min	9.428110e+16	-4.700000	0.000000	0.000000	0.000000	-39.210000	1.360000	1.000000	1.0	17.760000	0.000000	0.000000	0.000000
25%	9.698620e+16	10.290000	21.900000	0.000000	23.000000	-5.200000	16.680000	8.000000	1.0	42.140000	865.000000	0.800000	2.000000
50%	9.698620e+16	15.700000	25.000000	2.000000	27.000000	4.500000	21.880000	10.000000	1.0	49.780000	1379.000000	3.000000	2.000000
75%	5.006360e+18	21.120000	28.100000	3.000000	31.100000	4.500000	28.160000	12.000000	1.0	57.480000	2084.000000	3.000000	2.500000
max	5.007880e+18	167.170000	164.000000	25.000000	164.000000	30.580000	209.680000	41.000000	1.0	336.900000	4604.000000	9.000000	15.000000

# 查看缺失值
df_order.isnull().sum()

下单日期         0
平台           0
订单id         0
订单状态         0
配送地址eleme    0
配送类型         0
商家实收         0
商家补贴         0
平台补贴         0
总补贴          0
服务费          0
用户实付         0
菜品个数         0
订单数          0
订单金额         0
距离           6
配送费          0
门店ID         0
餐盒费          0