用python做餐饮业的数据分析

本文主要是介绍用python做餐饮业的数据分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

问题:

1，订单表的长度 shape columns

2，统计菜单的平均价格（amount）

3，什么菜最受欢迎

订单客户时间菜品这几个维度

4，哪个订单ID点的菜最多等问题

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'

#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='')

#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

#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()

#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

#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]

#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

#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)

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)

#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

#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')

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')

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')

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')

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')