100字范文 > 城市餐饮店铺选址分析

城市餐饮店铺选址分析

时间：2019-02-23 20:39:12

相关推荐

城市餐饮店铺选址分析

城市餐饮店铺选址的分析

基于这样一个数据

从 “口味”、“人均消费”、“性价比”三个维度对不同菜系进行比较，并筛选出可开店铺的餐饮类型

① 计算出三个维度的指标得分② 评价方法：口味 → 得分越高越好性价比 → 得分越高越好人均消费 → 价格适中即可③ 制作散点图，x轴为“人均消费”，y轴为“性价比得分”，点的大小为“口味得分”绘制柱状图，分别显示“口味得分”、“性价比得分”* （用bokeh做图）

① 数据清洗，清除空值、为0的数据；② 口味指标计算方法 → 口味评分字段，按照餐饮类别分组算均值，再做标准化处理；③ 人均消费指标计算方法 → 人均消费字段，按照餐饮类别分组算均值，再做标准化处理④ 性价比指标计算方法 → 性价比 = （口味 + 环境 + 服务）/人均消费，按照餐饮类别分组算均值，再做标准化处理⑤ 数据计算之前，检查一下数据分布，去除异常值（以外限为标准）* 这里排除了高端奢侈餐饮的数据干扰⑥ 注意，这里先分别计算三个指标，再合并数据（merge）作图，目的是指标之间的噪音数据不相互影响

'''（1）加载数据'''import osos.chdir(r'C:\Users\Administrator\Desktop\python数据分析\项目07城市餐饮店铺选址分析')df1 = pd.read_excel('上海餐饮数据.xlsx', sheetname=0, header=0)'''（2）计算口味、客单价、性价比指标'''data1 = df1[['类别','口味','环境','服务','人均消费']]data1.dropna(inplace=True) #删除缺失值；data1 = data1[(data1['口味'] > 0) & (data1['人均消费'] > 0)]data1['性价比'] = (data1['口味'] + data1['环境'] + data1['服务']) / data1['人均消费'] #数据清洗 + 性价比计算def f1():fig,axes = plt.subplots(1,3,figsize = (10,4))data1.boxplot(column = ['口味'], ax = axes[0])data1.boxplot(column = ['人均消费'], ax = axes[1])data1.boxplot(column = ['性价比'], ax = axes[2])#创建函数f1,制作箱型图，查看异常值；def f2(data, col):q1 = data[col].quantile(q = 0.25)q3 = data[col].quantile(q = 0.75)iqr = q3-q1t1 = q1 - 3*iqrt2 = q3 + 3*iqrreturn data[(data[col] > t1) & (data[col] < t2)][['类别', col]] #要筛选出一个单独的数据#创建函数f2，清除异常值；data_kw = f2(data1, '口味')data_rj = f2(data1,'人均消费')data_xjb = f2(data1,'性价比')def f3(data, col):col_name = col + '_norm'data_gp = data.groupby('类别').mean()data_gp[col_name] = (data_gp[col] - data_gp[col].min()) / (data_gp[col].max()-data_gp[col].min())data_gp.sort_values(by = col_name, inplace = True, ascending = False)return data_gp#创建函数f3，标准化指标并排序data_kw_score = f3(data_kw, '口味')data_rj_score = f3(data_rj, '人均消费')data_xjb_score = f3(data_xjb, '性价比')#指标标准化得分 data_final_q1 = pd.merge(data_kw_score, data_rj_score, left_index = True, right_index = True)data_final_q1 = pd.merge(data_final_q1, data_xjb_score, left_index = True,right_index = True)#数据合并'''绘制图表，辅助分析'''from bokeh.layouts import gridplotoutput_file('project07_h1.html')data_final_q1['size'] = data_final_q1['口味_norm'] * 40data_final_q1.index.name = 'type'data_final_q1.columns = ['kw', 'kw_norm','price', 'price_norm', 'xjb', 'xjb_norm', 'size']#将列名改为英文source = ColumnDataSource(data_final_q1)#创建数据result = figure(plot_width = 800, plot_height = 300, title = '餐饮类型得分',x_axis_label = '人均消费', y_axis_label = '性价比得分')result.circle(x = 'price', y = 'xjb_norm', source = source,line_color = 'black', line_dash = [6,4], fill_alpha = 0.6, size = 'size')#散点图data_type = data_final_q1.index.tolist()kw = figure(plot_width = 800, plot_height = 300, title= '口味得分',x_range = data_type)kw.vbar(x = 'type', top = 'kw_norm', source = source,width = 0.8, alpha = 0.7, color = 'red')#柱状图1price = figure(plot_width = 800, plot_height = 300, title= '人均消费得分',x_range = data_type)price.vbar(x = 'type', top = 'price_norm', source = source,width = 0.8, alpha = 0.7, color = 'green')#柱状图2p = gridplot([[result], [kw], [price]]) #把3个并排放一块show(p)print('finish')

添加Tool工具、十字标线

from bokeh.models import HoverToolfrom bokeh.models import BoxAnnotation

hover = HoverTool(tooltips = [("餐饮类型", '@type'),('人均消费', '@price'),('性价比得分', '@xjb_norm'),('口味得分', '@kw_norm')])把Tools加到result、kw、price上tools = [hover,'box_select, reset, xwheel_zoom, pan, crosshair']price_mid = BoxAnnotation(left = 40, right = 80, fill_alpha = 0.1, fill_color = 'navy') #区间中值的设置result.add_layout(price_mid)p = gridplot([[result], [kw], [price]]) #把3个并排放一块show(p)

如下：

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport warningswarnings.filterwarnings('ignore')from bokeh.plotting import figure, show, output_filefrom bokeh.models import ColumnDataSource'''（1）加载数据'''import osos.chdir(r'C:\Users\Administrator\Desktop\python数据分析\课程资料\【非常重要】python数据分析_项目资料\项目07城市餐饮店铺选址分析')df1 = pd.read_excel('上海餐饮数据.xlsx', sheetname=0, header=0)'''（2）计算口味、客单价、性价比指标'''data1 = df1[['类别','口味','环境','服务','人均消费']]data1.dropna(inplace=True)data1 = data1[(data1['口味'] > 0) & (data1['人均消费'] > 0)]data1['性价比'] = (data1['口味'] + data1['环境'] + data1['服务']) / data1['人均消费']#数据清洗 + 性价比计算def f1():fig,axes = plt.subplots(1,3,figsize = (10,4))data1.boxplot(column = ['口味'], ax = axes[0])data1.boxplot(column = ['人均消费'], ax = axes[1])data1.boxplot(column = ['性价比'], ax = axes[2])#创建函数f1,制作箱型图，查看异常值；def f2(data, col):q1 = data[col].quantile(q = 0.25)q3 = data[col].quantile(q = 0.75)iqr = q3-q1t1 = q1 - 3*iqrt2 = q3 + 3*iqrreturn data[(data[col] > t1) & (data[col] < t2)][['类别', col]] #要筛选出一个单独的数据#创建函数f2，清除异常值；data_kw = f2(data1, '口味')data_rj = f2(data1,'人均消费')data_xjb = f2(data1,'性价比')def f3(data, col):col_name = col + '_norm'data_gp = data.groupby('类别').mean()data_gp[col_name] = (data_gp[col] - data_gp[col].min()) / (data_gp[col].max()-data_gp[col].min())data_gp.sort_values(by = col_name, inplace = True, ascending = False)return data_gp#创建函数f3，标准化指标并排序data_kw_score = f3(data_kw, '口味')data_rj_score = f3(data_rj, '人均消费')data_xjb_score = f3(data_xjb, '性价比')#指标标准化得分data_final_q1 = pd.merge(data_kw_score, data_rj_score, left_index = True, right_index = True)data_final_q1 = pd.merge(data_final_q1, data_xjb_score, left_index = True,right_index = True)#数据合并'''绘制图表，辅助分析'''from bokeh.layouts import gridplotfrom bokeh.models import HoverToolfrom bokeh.models import BoxAnnotationoutput_file('project07_h1.html')data_final_q1['size'] = data_final_q1['口味_norm'] * 40data_final_q1.index.name = 'type'data_final_q1.columns = ['kw', 'kw_norm','price', 'price_norm', 'xjb', 'xjb_norm', 'size']#将列名改为英文source = ColumnDataSource(data_final_q1)#创建数据hover = HoverTool(tooltips = [("餐饮类型", '@type'),('人均消费', '@price'),('性价比得分', '@xjb_norm'),('口味得分', '@kw_norm')])result = figure(plot_width = 800, plot_height = 300, title = '餐饮类型得分',x_axis_label = '人均消费', y_axis_label = '性价比得分',tools = [hover,'box_select, reset, xwheel_zoom, pan, crosshair'])result.circle(x = 'price', y = 'xjb_norm', source = source,line_color = 'black', line_dash = [6,4], fill_alpha = 0.6, size = 'size')price_mid = BoxAnnotation(left = 40, right = 80, fill_alpha = 0.1, fill_color = 'navy') #区间中值的设置result.add_layout(price_mid)#散点图data_type = data_final_q1.index.tolist()kw = figure(plot_width = 800, plot_height = 300, title= '口味得分',x_range = data_type,tools = [hover,'box_select, reset, xwheel_zoom, pan, crosshair'])kw.vbar(x = 'type', top = 'kw_norm', source = source,width = 0.8, alpha = 0.7, color = 'red')#柱状图1price = figure(plot_width = 800, plot_height = 300, title= '人均消费得分',x_range = data_type,tools = [hover,'box_select, reset, xwheel_zoom, pan, crosshair'])price.vbar(x = 'type', top = 'price_norm', source = source,width = 0.8, alpha = 0.7, color = 'green')#柱状图2p = gridplot([[result], [kw], [price]]) #把3个并排放一块show(p)print('finish')

View Code

2. 选择一个餐饮类型，在qgis中做将上海划分成格网空间，结合python辅助做空间指标评价，得到餐饮选址位置

这里以“素菜馆为例”课程数据① net_population.shp → 投影坐标系，上海1km²格网内的人口密度数据② road.shp → 投影坐标系，上海道路数据要求：① 通过空间分析，分别计算每个格网内的几个指标：人口密度指标、道路密度指标、餐饮热度指标、同类竞品指标② 评价方法：人口密度指标 → 得分越高越好道路密度指标 → 得分越高越好餐饮热度指标 → 得分越高越好同类竞品指标 → 得分越低越好综合指标 = 人口密度指标*0.4 + 餐饮热度指标*0.3 + 道路密度指标*0.2 +同类竞品指标*0.1③ 最后得到较好选址的网格位置的中心坐标，以及所属区域* 可以用bokeh制作散点图

------->>>------->>>① 道路密度指标计算方法 → 网格内道路长度② 餐饮热度指标计算方法 → 网格内餐饮poi计数③ 同类竞品指标计算方法 → 网格内素菜馆poi计数④ 餐饮poi数据记得投影⑤ 可以以“net_population.shp”为网格基础数据，做空间统计⑥ 在qgis做空间统计之后，网格数据导出点数据，投影成wgs84地理坐标系，导出excel数据，在python做指标标准化等⑦ 在bokeh中做散点图时，注意添加一个size字段，通过最终评分来赋值⑧ 在bokeh中做散点图时，可以给TOP10的点用颜色区分

都是投影坐标系，将数据改为投影坐标系。

（1）人口密度指标

Z值就是人口密度数量；

（2）道路指标

矢量 -- 分析工具--计算线条总长度

把上海餐饮数据转换为.csv格式；然后点击加载（添加文本数据图层）

但它是WGS 84的坐标，选中-右键-另存为-（改为投影坐标）EPSG：32651，WGS84 / UTM zone 51N

（3）餐饮热度指标

（3）同类竞争

canyin --属性表 --

最后再把它导出来：

再来一个