import pandas as pd import numpy as np import matplotlib.pyplot as plt import matplotlib as mpl plt.rcParams['axes.unicode_minus'] = False #正常显示负号 pd.set_option('display.float_format',lambda x : '%.2f' % x)#pandas禁用科学计数法 #忽略警告 import warnings warnings.filterwarnings('ignore') from pyecharts.charts import Bar,Grid,Scatter,Pie,Geo from pyecharts import options as opts

data = pd.read_csv("上海餐饮数据.csv")

data.head()

# 去除最后两行无用的列 data = data.iloc[:,:-2] data

# 检查各字段是否存在是否存在空值 data.isnull().sum() #清除空值 df = data.dropna()

df.drop(df[(df ==0).T.any()].index,inplace=True) df = df.reset_index(drop=True) df.head()

fig,axes = plt.subplots(1,3,figsize = (10,4)) ax1 = axes[0] ax1.hist(df["口味"]) ax2 = axes[1] ax2.hist(df["环境"]) ax3 = axes[2] ax3.hist(df["服务"])

df["人均消费"].plot.box() df["人均消费"].describe()

# 对人均消费过高的记录进行剔除 def f(data,col): q1 = data[col].quantile(q = 0.25) q3 = data[col].quantile(q = 0.75) iqr = q3 - q1 t1 = q1 - 5*iqr t2 = q3 + 5*iqr return data[(data[col]>t1)&(data[col]<t2)]

df = f(df,"人均消费") df

#计算性价比 df['性价比'] = (df['口味'] + df['环境'] + df['服务'])/ df['人均消费'] df.head(3)

df_groupby = df.groupby('类别')['口味','环境','服务','人均消费','性价比'].mean() df_groupby.head(5)

# 计算餐饮行业评价综合评分 df_groupby["综合评分"] = (df_groupby['口味'] + df_groupby['环境']+ df_groupby['服务'])/3 df_groupby.head(5)

bar1 = ( Bar() .add_xaxis(df_groupby["综合评分"].index.tolist()) .add_yaxis("综合评分",df_groupby["综合评分"].values.round(2).tolist()) .set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-90)), legend_opts=opts.LegendOpts(pos_left="40%") ).set_series_opts(label_opts=opts.LabelOpts(is_show=False)) ) bar2 = ( Bar() .add_xaxis(df_groupby["人均消费"].index.tolist()) .add_yaxis("人均消费",df_groupby["人均消费"].values.round(2).tolist()) .set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-90)), legend_opts=opts.LegendOpts(pos_left="50%") ).set_series_opts(label_opts=opts.LabelOpts(is_show=False)) ) bar3 = ( Bar() .add_xaxis(df_groupby["性价比"].index.tolist()) .add_yaxis("性价比",df_groupby["性价比"].values.round(2).tolist()) .set_global_opts(xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-90)), legend_opts=opts.LegendOpts(pos_left="60%") ).set_series_opts(label_opts=opts.LabelOpts(is_show=False)) ) grid = ( Grid() .add(bar1, grid_opts=opts.GridOpts(pos_bottom="70%",)) .add(bar2, grid_opts=opts.GridOpts(pos_top='40%',pos_bottom="40%")) .add(bar3, grid_opts=opts.GridOpts(pos_top='70%')) ) grid.render_notebook()

# 人均消费与性价比的得分之间的关系，x轴为“人均消费”，y轴为“性价比得分” plt.scatter(df_groupby["人均消费"],df_groupby["性价比"])

# 人均消费与行业得分之间的关系，x轴为“人均消费”，y轴为“综合评分” plt.scatter(df_groupby["人均消费"],df_groupby["综合评分"])

# 按照 口味:人均消费:性价比 = 2:3:5 的比例去计算 df_groupby = df_groupby[["人均消费","性价比","综合评分"]] df_groupby = (df_groupby-df_groupby.min())/(df_groupby.max()-df_groupby.min()) # 将数据进行标转化处理 df_groupby['分数'] = 0.2*df_groupby['综合评分'] + 0.3*df_groupby['人均消费']+0.5*df_groupby['性价比'] df_groupby.sort_values('分数',ascending=False)[:5]

# 各行政区人均消费水平 df_groupby1 = df.groupby("行政区")["人均消费"].mean().sort_values(ascending=True) df_groupby1.plot.barh()

# 这里认为口味、环境，服务的平均大于8.5认为是受到好评的店铺 def bins(score): if score >=8.5: pinjia = 'Good' elif score >=6.5: pinjia = 'Normal' else: pinjia = 'Bad' return pinjia df["综合评分"] = (df['口味'] + df['环境']+ df['服务'])/3 df['评价'] = df["综合评分"].apply(lambda s:bins(s))

df_pivot = pd.pivot_table(df,values="口味",index="行政区",columns="评价",aggfunc='count',fill_value=0) df_pivot["总和"] = df_pivot.sum(axis=1)

df_pivot["Good"] = round(df_pivot["Good"]/df_pivot["总和"],3)*100 df_pivot["Normal"] = round(df_pivot["Normal"]/df_pivot["总和"],3)*100 df_pivot["Bad"] = round(df_pivot["Bad"]/df_pivot["总和"],3)*100

fig,axes = plt.subplots(2,1,figsize = (16,9)) df_pivot[["Good","Normal","Bad"]].plot(kind = 'bar',ax=axes[0]) df_pivot[["Good","Normal","Bad"]].plot(kind = 'bar',ax=axes[1])

df_group_tianpin = df[df["类别"] == '甜点']["行政区"].value_counts()

districts = df_group_tianpin.index.str.strip() # 由于行政区字段含有空格字符，避免下面图形没有数值 number = [int(i) for i in df_group_tianpin.values] #numpy.int64转成int类型,pyecharts只支持class'int' pie_1 = ( Pie() .add( "", [list(z) for z in zip(districts,number)], radius=["30%","75%"], center=["75%","50%"], rosetype="area", ) .set_global_opts(title_opts=opts.TitleOpts(title="甜品店分布情况") ,legend_opts=opts.LegendOpts(is_show = False)) ) pie_1.render_notebook()

df_group_tianpin1 = df[df["类别"] == '甜点'].groupby("行政区")["人均消费"].mean()

from pyecharts.charts import Map districts = df_group_tianpin1.index.str.strip() # 由于行政区字段含有空格字符，避免下面图形没有数值 values = df_group_tianpin1.values.round(2) map_1 = (Map().add("",[list(z) for z in zip(districts,values)] ,maptype='上海',is_roam=False,label_opts=opts.LabelOpts(is_show=False)) .set_global_opts( title_opts=opts.TitleOpts(title="Shanghai City map"), visualmap_opts=opts.VisualMapOpts(max_=50, is_piecewise=True) ) ) map_1.render_notebook()

df = df[df["类别"] == '甜点'].reset_index() df["index"] = df["index"].astype(str)

geo_sight_coord = {df["index"][i].strip():[df["Lng"][i],df["Lat"][i]] for i in range(len(df))} # 构建位置字典数据 data_pair = [(df["index"][i].strip(),int(df["人均消费"][i])) for i in range(len(df))] # 构建项目人均消费数据

from pyecharts.globals import GeoType def test_geo(coord,data_pair): city = '上海' g = Geo() g.add_schema(maptype=city,is_roam=False) geo_sight_coord = coord data_pair = data_pair # 定义坐标对应的名称，添加到坐标库中 add_coordinate(name, lng, lat) for key,value in geo_sight_coord.items(): g.add_coordinate(key,value[0],value[1]) # 追加点位置 # Geo 图类型，有 scatter, effectScatter, heatmap, lines 4 种，建议使用 # from pyecharts.globals import GeoType # GeoType.GeoType.EFFECT_SCATTER，GeoType.HEATMAP，GeoType.LINES # 将数据添加到地图上 g.add('',data_pair, symbol_size=1.5) # 设置样式 g.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) # 自定义分段 color 可以用取色器取色 pieces = [ {'max': 5, 'label': '5以下', 'color': '#50A3BA'}, {'min': 5, 'max': 10, 'label': '5-10', 'color': '#3700A4'}, {'min': 10, 'max': 20, 'label': '10-20', 'color': '#81AE9F'}, {'min': 20, 'max': 30, 'label': '20-30', 'color': '#E2C568'}, {'min': 30, 'max': 50, 'label': '30-50', 'color': '#FCF84D'}, {'min': 50, 'max': 100, 'label': '50-100', 'color': '#DD0200'}, {'min': 100, 'max': 200, 'label': '100-200', 'color': '#DD675E'}, {'min': 200, 'label': '200以上', 'color': '#D94E5D'} # 有下限无上限 ] # is_piecewise 是否自定义分段， 变为true 才能生效 g.set_global_opts( visualmap_opts=opts.VisualMapOpts(is_piecewise=True, pieces=pieces), title_opts=opts.TitleOpts(title="{}-店铺分布".format(city)), ) return g g = test_geo(geo_sight_coord,data_pair) # 渲染成html, 可用浏览器直接打开 # g.render() g.render_notebook()