首先在jupyter note里导入模块
import numpy as np import pandas as pd import matplotlib.pylot as plt plt.rcParams['font.sans_serif'] = 'SimHei' 1234
#设置中文显示
#第一步,加载数据
data1 = pd.read_excel('表1',sheet_name='') data2 =pd.read_excel('表2',sheet_name='') date3 =pd.read_excel('表3',sheet_name='') 123
#第二步,数据预处理(合并数据,NA等处理),分析数据
data = concat([data1,data2,data3],axis = 0) #按照行进行数据拼接 1
#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() 123
#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 12
#频数统计,什么菜最受欢迎
#去除菜名,计数统计,统计出销量前十名
dashes_count = data['dishes_name'].value_counts()[:10] 1
#第三步,数据可视化matplotlib
dishes_count.plot(kind='line',colors=[' r '] )) #绘制折线图 dishes_count.plot(kind='bar',fontsize=16) #绘制堆积柱形图 12
#遍历循环 加工图
for x,y in enumerate(dishes_count):print(x,y)plt.text(x,y+2,y,ha='center',fontsize=12) 123
1,#订单点菜的种类最多,区别于点菜的数量,就是要分组
(shift +回车 是执行的快捷键)
date_group = data['order_id'].valuecounts()[:10] date_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) 12345
#八月份餐厅订单点菜种类前10名,平均点菜25个菜品
#订单ID平均菜品最贵前10名
分组
2,#订单ID点菜数量TOP10 分组order_id,counts求和,排序,前十)
data['Total_amount'] = data['counts']*data['amounts'] #统计单道菜消费总额 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') #八月份订单点菜数量前10名 123456789
#哪个订单ID吃的钱最多(排序)
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') 12345
加大消费力度,大众的消费 总数 取中间的位置 平均的
总价除以消费数量 等于消费单价
3, #哪个订单的平均消费最贵
Group_sum['average'] = Group_sum['total_amount'] / Group_sum['counts'] sort_average = Group_sum.sort_values(by='average',ascending=False) sort_average['average'][:].plot(kind = 'bar',fontsize = 12) plt,xlabel('订单ID') plt.ylabel('消费单价') plt.title('订单消费单价前10') 123456
分析:
从时间维度
1,#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_py_hour.plot(kind = 'bar') plt,xlabel('小时') plt.ylabel('下单数量') plt.title('下单数与小时的关系图') 12345678
2,哪一天订餐数量最多
data['daycount'] = 1 data['day'] = data['time'].map(lambda x:x.day) gp_by_day = data.groupby(by='day').count()['daycount'] gp_py_day.plot(kind = 'bar') plt,xlabel('日期') plt.ylabel('点菜数量') plt.title('点菜数量与日期的关系图') 1234567
3,星期几就餐人数最多
data['weekcount'] = 1 data['weekday'] = data['time'].map(lambda x:x.weekday) gp_by_weekday = data.groupby(by='weekday').count()['weekdaycount'] gp_py_weekday.plot(kind = 'bar') plt,xlabel('星期') plt.ylabel('点菜数量') plt.title('点菜数量与星期的关系图') 1234567
相关知识
用Python做股市数据分析(二)
数据分析遇到PDF文本,怎么用Python批量提取内容
python数据分析与展示
基于Python爬虫的电商网站彩妆数据的分析与研究
数据分析(Python)入门—鸢尾植物数据集处理
小花数据分析
Python数据分析——寒假学习[1](鸢尾花数据集)
python的鸢尾花数据如何导入
使用Python一步一步地来进行数据分析总结
利用Python进行数据分析(5) NumPy基础: ndarray索引和切片
网址: 用python做餐饮业的数据分析 https://m.huajiangbk.com/newsview924938.html
上一篇: 友谊之花的绽放作文6篇 |
下一篇: 甜品店市场前景预测与打造智能营销 |