餐饮选址问题

【项目07】 城市餐饮店铺选址分析

1、从三个维度“口味”、“人均消费”、“性价比”对不同菜系进行比较，并筛选出可开店铺的餐饮类型
要求：
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”

• 建议用bokeh做图
  提示：
  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

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

• 课程这里以“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 → 投影坐标西，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
    提示：
    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

'''
'''
1、从三个维度“口味”、“人均消费”、“性价比”对不同菜系进行比较，并筛选出可开店铺的餐饮类型
要求：
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”

• 建议用bokeh做图
  提示：
  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

from bokeh.models import HoverTool
from bokeh.palettes import brewer
from bokeh.models.annotations import BoxAnnotation
from bokeh.layouts import gridplot

"""
1.加载数据
"""
import os
os.chdir('/Users/liyili2/Downloads/datas/python_wei/03/01-restaurant/')
df1=pd.read_excel('上海餐饮数据.xlsx',sheetname=0)
print('finished!')

'''
2.计算口味、客单价、性价比指标
'''
#len(df1)
#columns_list=df1.columns.tolist()
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']
#数据清晰+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：制作箱形图，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]]

#创建函数2:清除异常值
data_kw=f2(data1,'口味')
f1()
data_kw.boxplot()
data_rg=f2(data1,'人均消费')
data_rg.boxplot()
data_xjb=f2(data1,'性价比')
data_kw.boxplot()

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3:标准化指标并排序
data_kw_score=f3(data_kw,'口味')
data_rg_score=f3(data_rg,'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_rg_score,left_index=True,right_index=True)    # 合并口味、人均消费指标得分
data_final_q1 = pd.merge(data_final_q1,data_xjb_score,left_index=True,right_index=True)       # 合并性价比指标得分
# 合并数据

data_final_q1.head()

#(3)绘制图表辅助分析
from bokeh.layouts import gridplot
#因为口味的数值太小了，放大点便于观察
data_final_q1['size'] = data_final_q1['口味_norm'] * 40  # 添加size字段
data_final_q1.index.name = 'type'
data_final_q1.columns = ['kw','kw_norm','price','price_norm','xjb','xjb_norm','size']

#创建数据
source = ColumnDataSource(data_final_q1)
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")
                           ])  # 设置标签显示内容

# 构建绘图空间
result = figure(plot_width=800, plot_height=250,
                title="餐饮类型得分情况" ,
                x_axis_label = '人均消费', y_axis_label = '性价比得分', 
                tools=[hover,'box_select,reset,xwheel_zoom,pan,crosshair']) 

#绘制散点图
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')   
result.add_layout(price_mid)
# 设置人均消费中间价位区间
result.title.text_font_style = "bold"
result.ygrid.grid_line_dash = [6, 4]
result.xgrid.grid_line_dash = [6, 4]


# 绘制柱状图-vbar
data_type = data_final_q1.index.tolist()# 提取横坐标

# 柱状图1
kw = figure(plot_width=800, plot_height=250, 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=0.9, alpha = 0.8,color = 'red')   
kw.ygrid.grid_line_dash = [6, 4]
kw.xgrid.grid_line_dash = [6, 4]


# 柱状图2
price = figure(plot_width=800, plot_height=250, title='人均消费得分',x_range=kw.x_range,
              tools=[hover,'box_select,reset,xwheel_zoom,pan,crosshair'])
price.vbar(x='type', top='price_norm', source=source,width=0.9, alpha = 0.8,color = 'green') 
price.ygrid.grid_line_dash = [6, 4]
price.xgrid.grid_line_dash = [6, 4]

    
p = gridplot([[result],[kw], [price]])
# 组合图表