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
import numpy as np import pandas as pd import matplotlib.pyplot as plt import warnings warnings.filterwarnings('ignore') from bokeh.plotting import figure, show, output_file from bokeh.models import ColumnDataSource
''' （1）加载数据 ''' import os os.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-q1 t1 = q1 - 3*iqr t2 = q3 + 3*iqr return 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 gridplot output_file('project07_h1.html') data_final_q1['size'] = data_final_q1['口味_norm'] * 40 data_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1 price = 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2 p = 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 HoverTool from 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 np import pandas as pd import matplotlib.pyplot as plt import warnings warnings.filterwarnings('ignore') from bokeh.plotting import figure, show, output_file from bokeh.models import ColumnDataSource ''' （1）加载数据 ''' import os os.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-q1 t1 = q1 - 3*iqr t2 = q3 + 3*iqr return 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 gridplot from bokeh.models import HoverTool from bokeh.models import BoxAnnotation output_file('project07_h1.html') data_final_q1['size'] = data_final_q1['口味_norm'] * 40 data_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1 price = 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2 p = gridplot([[result], [kw], [price]]) #把3个并排放一块 show(p) print('finish')
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*0.1 ③ 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
把格子转为点，因为它是么有经纬度的。 --->> 矢量 -- 几何工具--多边形质心
转换为经纬度 -- 转为EPSG:4326--WGS84的
再重新计算下
把原来lng字段给删掉，重新建立一个。
如上图都计算好了：人口密度、餐饮.....
最后再把它导出来。用python进行作图分析
import numpy as np import pandas as pd import matplotlib.pyplot as plt import warnings warnings.filterwarnings('ignore') from bokeh.plotting import figure, show, output_file from bokeh.models import ColumnDataSource ''' （1）加载数据 ''' import os os.chdir(r'C:\Users\Administrator\Desktop\python数据分析\项目\07餐饮') df2 = pd.read_excel('result_point.xlsx', sheetname=0, header=0) df2.fillna(0, inplace = True) df2.columns = ['人口密度', '道路长度', '餐饮计数', '素菜餐饮计数', 'lng', 'lat'] ''' （2）指标统计 ''' df2['rkmd_norm'] = (df2['人口密度'] - df2['人口密度'].min()) / df2['人口密度'].max() - df2['人口密度'].min() df2['cyrd_norm'] = (df2['餐饮计数'] - df2['餐饮计数'].min()) / df2['餐饮计数'].max() - df2['餐饮计数'].min() df2['tljp_norm'] = (df2['素菜餐饮计数'].max() - df2['素菜餐饮计数']) / df2['素菜餐饮计数'].max() - df2['素菜餐饮计数'].min() df2['dlmi_norm'] = (df2['道路长度'] - df2['道路长度'].min()) / df2['道路长度'].max() - df2['道路长度'].min() #指标标准化 df2['final_score'] = df2['rkmd_norm']*0.4 + df2['cyrd_norm']*0.3+df2['tljp_norm']*0.1 + df2['dlmi_norm']*0.2 data_final_q2 = df2.sort_values(by = 'final_score', ascending=False).reset_index() ''' （3）制作空间散点图 ''' data_final_q2['size'] = data_final_q2['final_score'] * 20 data_final_q2['color'] = 'green' data_final_q2['color'].iloc[:10] = 'red' source = ColumnDataSource(data_final_q2) output_file('project07_h2.html') hover = HoverTool(tooltips=[("经度", "@lng"), ("维度", "@lat"), ("最终得分", "@final_score") ]) p = figure(plot_width = 800, plot_height=800, title = "空间散点图", tools = [hover, 'box_select, reset, wheel_zoom, pan, crosshair']) p.square(x = 'lng', y = 'lat', source = source, line_color = 'black', fill_alpha = 0.5, size = 'size', color = 'color') #做一个方形图 p.ygrid.grid_line_dash = [6,4] p.xgrid.grid_line_dash = [6,4] show(p) print('finish')
