背景：该公司是全球大型连锁快餐企业，为了解其手机点餐门店分布情况，爬取门店详细地址，实现数据分析及可视化。可视化需要解决的思路:
- 1.需要把门店地址转换成经纬度；
- 2.需要根据得到的经纬度提取门店详细的省份、城市等信息；
- 3.构造Geopandas所需数据格式；
- 4.合并各省市2018年GDP（亿元）和常住人口（万人）数据。
导入相关包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.pylab as plb
from matplotlib import cm
import seaborn as sns
plt.rc('font', family='SimHei', size=18)# 显示中文标签
plt.rcParams['axes.unicode_minus'] = False
sns.set()
%matplotlib inline
import geopandas
from shapely.geometry import LineString,Point
import re
import requests
import json
import hashlib
from wordcloud import WordCloud
from matplotlib.patches import Polygon
from mpl_toolkits.basemap import Basemap
from matplotlib.collections import PatchCollection
import warnings
warnings.filterwarnings('ignore')
数据处理
导入数据
data=pd.read_excel(r"D:\PycharmProjects\BK_store.xls")
data.head()
|
storename |
address |
| 0 |
北京星泰中心 |
北京市朝阳区酒仙桥路甲16号星泰中心A1-02 |
| 1 |
后街商业广场 |
昆山市虹祺路243号后街商业广场C5幢楼一楼部分商铺。 |
| 2 |
哈尔滨国际餐厅 |
哈尔滨西大直街4号567漫天地二层 |
| 3 |
海那城百联奥特莱斯 |
济南市槐荫区美里路555号10号楼一层商铺 |
| 4 |
扬州三盛店 |
扬州市邗江中路358号三盛国际广场5号楼1 - 4号商铺。 |
数据查看
data.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1150 entries, 0 to 1149
Data columns (total 2 columns):
storename 1150 non-null object
address 1150 non-null object
dtypes: object(2)
memory usage: 18.0+ KB
data.dtypes
storename object
address object
dtype: object
data.isnull().sum()#查看缺失值
storename 0
address 0
dtype: int64
data.duplicated().sum()#查看重复值
0
自定义函数，根据地址查询经纬度
data.storename=data.storename.astype(str)
data.address=data.address.astype(str)
def get_locationdata(address):
requests.adapters.DEFAULT_RETRIES =5
requests.session().keep_alive = False
url='http://restapi.amap.com/v3/geocode/geo?key=1fbbc548b828f33ccc64f4613ae52497&s=rsv3&city=35&address={}'.format(address)
headers = {'User-Agent': 'Mozilla/5.0'}
response = requests.get(url, headers=headers)
if 'location' in response.text:
for i in json.loads(response.text)['geocodes']:
return i.get('location')
else:
pass
get_locationdata('昆山市虹祺路243号后街商业广场C5幢楼一楼部分商铺')
'120.920690,31.411805'
data['loncationdetail']=data.address.apply(get_locationdata)
data[data.loncationdetail.isnull()]#查看缺失值
|
storename |
address |
loncationdetail |
city |
province |
district |
township |
data.drop([1018],inplace=True)#索引1018为测试门店数据，删除该行数据
data.loc[95].address='徐州市'+data.loc[95].address
data.loc[332].address='昆明市'+data.loc[332].address
data.loc[648].address='常州市'+data.loc[648].address
data.loc[740].address='昆明市'+data.loc[740].address
data.loc[1033].address='镇江市'+data.loc[1033].address
data.loc[1095].address='嘉兴市'+data.loc[1095].address
data['loncationdetail']=data.address.apply(get_locationdata)#之前缺失的行再执行一次，获取经纬度信息
data[data.loncationdetail.isnull()]#查看缺失值
|
storename |
address |
loncationdetail |
city |
province |
district |
township |
data['lon']=data.loncationdetail.str.split(',').apply(lambda x:x[0]).astype(float)##经度
data['lat']=data.loncationdetail.str.split(',').apply(lambda x:x[1]).astype(float)#纬度
data.head()
|
storename |
address |
loncationdetail |
city |
province |
district |
township |
lon |
lat |
| 0 |
北京星泰中心 |
北京市朝阳区酒仙桥路甲16号星泰中心A1-02 |
116.490200,39.971870 |
北京市 |
北京市 |
朝阳区 |
将台镇 |
116.490200 |
39.971870 |
| 1 |
后街商业广场 |
昆山市虹祺路243号后街商业广场C5幢楼一楼部分商铺。 |
120.920690,31.411805 |
苏州市 |
江苏省 |
昆山市 |
玉山镇 |
120.920690 |
31.411805 |
| 2 |
哈尔滨国际餐厅 |
哈尔滨西大直街4号567漫天地二层 |
126.643240,45.756718 |
哈尔滨市 |
黑龙江省 |
南岗区 |
花园街道 |
126.643240 |
45.756718 |
| 3 |
海那城百联奥特莱斯 |
济南市槐荫区美里路555号10号楼一层商铺 |
116.913773,36.716513 |
济南市 |
山东省 |
槐荫区 |
美里湖街道 |
116.913773 |
36.716513 |
| 4 |
扬州三盛店 |
扬州市邗江中路358号三盛国际广场5号楼1 - 4号商铺。 |
119.397392,32.380924 |
扬州市 |
江苏省 |
邗江区 |
邗上街道 |
119.397392 |
32.380924 |
data.isnull().sum()#再次查看缺失值
storename 0
address 0
loncationdetail 0
city 0
province 0
district 0
township 0
lon 0
lat 0
dtype: int64
自定义函数，根据经纬度查询详细地址
def get_data(location):
url='https://restapi.amap.com/v3/geocode/regeo?key=1fbbc548b828f33ccc64f4613ae52497&s=rsv3&city=35&location={}'.format(location)
requests.adapters.DEFAULT_RETRIES =5
requests.session().keep_alive = False
headers = {'User-Agent': 'Mozilla/5.0'}
response = requests.get(url, headers=headers)
address_dict={}
if 'regeocode' in response.text:
address_detail=re.search('"addressComponent":(.*),(.*),(.*),(.*)',response.text).group(1)
address_dict['city']=json.loads(address_detail)['city']
address_dict["province"]=json.loads(address_detail)["province"]
address_dict["district"]=json.loads(address_detail)["district"]
address_dict["township"]=json.loads(address_detail)["township"]
else:
pass
return address_dict
get_data('119.397392,32.380924')
{'city': '扬州市', 'province': '江苏省', 'district': '邗江区', 'township': '邗上街道'}
data['city']=data.loncationdetail.apply(get_data).apply(lambda x:x['city'])#提取城市
data['province']=data.loncationdetail.apply(get_data).apply(lambda x:x['province'])#提取省份
data['district']=data.loncationdetail.apply(get_data).apply(lambda x:x['district'])#提取辖区
data['township']=data.loncationdetail.apply(get_data).apply(lambda x:x['township'])#提取街道
data.head()
|
storename |
address |
loncationdetail |
city |
province |
district |
township |
lon |
lat |
| 0 |
北京星泰中心 |
北京市朝阳区酒仙桥路甲16号星泰中心A1-02 |
116.490200,39.971870 |
北京市 |
北京市 |
朝阳区 |
将台镇 |
116.490200 |
39.971870 |
| 1 |
后街商业广场 |
昆山市虹祺路243号后街商业广场C5幢楼一楼部分商铺。 |
120.920690,31.411805 |
苏州市 |
江苏省 |
昆山市 |
玉山镇 |
120.920690 |
31.411805 |
| 2 |
哈尔滨国际餐厅 |
哈尔滨西大直街4号567漫天地二层 |
126.643240,45.756718 |
哈尔滨市 |
黑龙江省 |
南岗区 |
花园街道 |
126.643240 |
45.756718 |
| 3 |
海那城百联奥特莱斯 |
济南市槐荫区美里路555号10号楼一层商铺 |
116.913773,36.716513 |
济南市 |
山东省 |
槐荫区 |
美里湖街道 |
116.913773 |
36.716513 |
| 4 |
扬州三盛店 |
扬州市邗江中路358号三盛国际广场5号楼1 - 4号商铺。 |
119.397392,32.380924 |
扬州市 |
江苏省 |
邗江区 |
邗上街道 |
119.397392 |
32.380924 |
for i in ['city','province','district','township']:#查看含有空列表的列
print(str(i),':',(data[i].apply(len)==0).sum())
city : 294
province : 0
district : 10
township : 7
data[data.province.str.contains('市')].index#查看含有city列为空列表的行索引
Int64Index([ 0, 5, 7, 9, 11, 14, 20, 21, 28, 29,
...
1123, 1130, 1131, 1134, 1135, 1136, 1137, 1138, 1146, 1147],
dtype='int64', length=294)
for i in data[data.province.str.contains('市')].index:
data.loc[i,'city']=data.loc[i,'province']
data.head()
|
storename |
address |
loncationdetail |
city |
province |
district |
township |
| 0 |
北京星泰中心 |
北京市朝阳区酒仙桥路甲16号星泰中心A1-02 |
116.490200,39.971870 |
北京市 |
北京市 |
朝阳区 |
将台镇 |
| 1 |
后街商业广场 |
昆山市虹祺路243号后街商业广场C5幢楼一楼部分商铺。 |
120.920690,31.411805 |
苏州市 |
江苏省 |
昆山市 |
玉山镇 |
| 2 |
哈尔滨国际餐厅 |
哈尔滨西大直街4号567漫天地二层 |
126.643240,45.756718 |
哈尔滨市 |
黑龙江省 |
南岗区 |
花园街道 |
| 3 |
海那城百联奥特莱斯 |
济南市槐荫区美里路555号10号楼一层商铺 |
116.913773,36.716513 |
济南市 |
山东省 |
槐荫区 |
美里湖街道 |
| 4 |
扬州三盛店 |
扬州市邗江中路358号三盛国际广场5号楼1 - 4号商铺。 |
119.397392,32.380924 |
扬州市 |
江苏省 |
邗江区 |
邗上街道 |
可视化分析
转换点数据
xy = [Point(xy) for xy in zip(data.lon,data.lat)]
geo_data=geopandas.GeoDataFrame(data,geometry=xy)
geo_data.head()
|
storename |
address |
loncationdetail |
city |
province |
district |
township |
lon |
lat |
geometry |
| 0 |
北京星泰中心 |
北京市朝阳区酒仙桥路甲16号星泰中心A1-02 |
116.490200,39.971870 |
北京市 |
北京市 |
朝阳区 |
将台镇 |
116.490200 |
39.971870 |
POINT (116.4902 39.97187) |
| 1 |
后街商业广场 |
昆山市虹祺路243号后街商业广场C5幢楼一楼部分商铺。 |
120.920690,31.411805 |
苏州市 |
江苏省 |
昆山市 |
玉山镇 |
120.920690 |
31.411805 |
POINT (120.92069 31.411805) |
| 2 |
哈尔滨国际餐厅 |
哈尔滨西大直街4号567漫天地二层 |
126.643240,45.756718 |
哈尔滨市 |
黑龙江省 |
南岗区 |
花园街道 |
126.643240 |
45.756718 |
POINT (126.64324 45.756718) |
| 3 |
海那城百联奥特莱斯 |
济南市槐荫区美里路555号10号楼一层商铺 |
116.913773,36.716513 |
济南市 |
山东省 |
槐荫区 |
美里湖街道 |
116.913773 |
36.716513 |
POINT (116.913773 36.716513) |
| 4 |
扬州三盛店 |
扬州市邗江中路358号三盛国际广场5号楼1 - 4号商铺。 |
119.397392,32.380924 |
扬州市 |
江苏省 |
邗江区 |
邗上街道 |
119.397392 |
32.380924 |
POINT (119.397392 32.380924) |
导入中国地图shp
gdf = geopandas.read_file(r"D:\PycharmProjects\中国地图shp格式\china_basic_map\bou2_4p.shp",encoding='gbk')
gdf.head()
|
AREA |
PERIMETER |
BOU2_4M_ |
BOU2_4M_ID |
ADCODE93 |
ADCODE99 |
NAME |
geometry |
| 0 |
54.447 |
68.489 |
2 |
23 |
230000 |
230000 |
黑龙江省 |
POLYGON ((121.4884414672852 53.33264923095703,... |
| 1 |
129.113 |
129.933 |
3 |
15 |
150000 |
150000 |
内蒙古自治区 |
POLYGON ((121.4884414672852 53.33264923095703,... |
| 2 |
175.591 |
84.905 |
4 |
65 |
650000 |
650000 |
新疆维吾尔自治区 |
POLYGON ((96.38328552246094 42.72695541381836,... |
| 3 |
21.315 |
41.186 |
5 |
22 |
220000 |
220000 |
吉林省 |
POLYGON ((123.1710433959961 46.24668121337891,... |
| 4 |
15.603 |
38.379 |
6 |
21 |
210000 |
210000 |
辽宁省 |
POLYGON ((123.6901931762695 43.37676620483398,... |
各省市门店分布空间分析
gdf.plot(figsize=(15,15), alpha=0.5, edgecolor='white',color='gray')
plt.gca().xaxis.set_major_locator(plt.NullLocator()) #去掉x轴刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator()) #去掉y轴刻度
output_41_0.png
geo_data.plot(ax=gdf.plot(figsize=(15,15),legend=True,edgecolor='white',color='gray'),color='yellow',markersize=8)
plt.rc('font', family='SimHei', size=20)# 显示中文标签
plt.rcParams['axes.unicode_minus'] = False
plt.title('B快餐公司微信手机点餐门店城市分布图',size=20)
plt.gca().xaxis.set_major_locator(plt.NullLocator()) #去掉x轴刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator()) #去掉y轴刻度
output_42_0.png
geo_data['shop_counts']=geo_data.groupby('province')['geometry'].transform(lambda x: x.count())
geo_data.head()
|
storename |
address |
loncationdetail |
city |
province |
district |
township |
lon |
lat |
geometry |
shop_counts |
| 0 |
北京星泰中心 |
北京市朝阳区酒仙桥路甲16号星泰中心A1-02 |
116.490200,39.971870 |
北京市 |
北京市 |
朝阳区 |
将台镇 |
116.490200 |
39.971870 |
POINT (116.4902 39.97187) |
102 |
| 1 |
后街商业广场 |
昆山市虹祺路243号后街商业广场C5幢楼一楼部分商铺。 |
120.920690,31.411805 |
苏州市 |
江苏省 |
昆山市 |
玉山镇 |
120.920690 |
31.411805 |
POINT (120.92069 31.411805) |
156 |
| 2 |
哈尔滨国际餐厅 |
哈尔滨西大直街4号567漫天地二层 |
126.643240,45.756718 |
哈尔滨市 |
黑龙江省 |
南岗区 |
花园街道 |
126.643240 |
45.756718 |
POINT (126.64324 45.756718) |
15 |
| 3 |
海那城百联奥特莱斯 |
济南市槐荫区美里路555号10号楼一层商铺 |
116.913773,36.716513 |
济南市 |
山东省 |
槐荫区 |
美里湖街道 |
116.913773 |
36.716513 |
POINT (116.913773 36.716513) |
68 |
| 4 |
扬州三盛店 |
扬州市邗江中路358号三盛国际广场5号楼1 - 4号商铺。 |
119.397392,32.380924 |
扬州市 |
江苏省 |
邗江区 |
邗上街道 |
119.397392 |
32.380924 |
POINT (119.397392 32.380924) |
156 |
geo_data.plot(ax=gdf.plot(figsize=(15,15),legend=True,edgecolor='white',color='gray'),column='shop_counts', cmap='rainbow',scheme='quantiles',legend=True,figsize=(8,10)
,marker='o', markersize=100) #按个数多少叠加底色
plt.gca().xaxis.set_major_locator(plt.NullLocator()) #去掉x轴刻度
plt.gca().yaxis.set_major_locator(plt.NullLocator()) #去年y轴刻度
output_45_0.png
各省市门店数统计
#各省市门店数
province_pc=geo_data.groupby('province',as_index=False)['shop_counts'].count().sort_values(by='shop_counts',ascending=False)
province_pc.head(10)
|
province |
shop_counts |
| 14 |
江苏省 |
156 |
| 11 |
广东省 |
132 |
| 0 |
上海市 |
113 |
| 3 |
北京市 |
102 |
| 18 |
浙江省 |
73 |
| 9 |
山东省 |
68 |
| 25 |
辽宁省 |
60 |
| 5 |
四川省 |
49 |
| 23 |
福建省 |
44 |
| 6 |
天津市 |
42 |
#对含有自治区的字符串换行处理
import textwrap
for i in province_pc[province_pc.province.str.contains('区')].index.to_list():
province_pc.loc[i,'province']=textwrap.fill( province_pc.loc[i,'province'],province_pc.loc[i,'province'].find('自'))
province_pc[province_pc.province.str.contains('区')]
|
province |
shop_counts |
| 13 |
新疆维吾尔\n自治区 |
7 |
| 2 |
内蒙古\n自治区 |
7 |
| 12 |
广西壮族\n自治区 |
5 |
| 7 |
宁夏回族\n自治区 |
4 |
import squarify
labels = province_pc.apply(lambda x: str(x[0]) + "\n (" + str(x[1]) + ")", axis=1)
sizes = province_pc['shop_counts'].values.tolist()
colors = [plt.cm.Set1(i/float(len(labels))) for i in range(len(labels))]
plt.figure(figsize=(10,12),dpi= 80)
squarify.plot(sizes=sizes, label=labels, color=colors, alpha=.8)
plt.rc('font',size=10)
plt.title('各省市门店数树形图')
plt.axis('off')#去除上边框和右边框刻度
plt.tick_params(top='off',right='off')##去除上边框和右边框刻度
output_50_0.png
- 结论1：门店主要集中以下区域：江苏省、上海市、浙江省、广东省、北京市及山东省
各省市门店数标准化分析：Z-Score
x=province_pc.shop_counts
province_pc['province_z']= (x - x.mean())/x.std()#各省市门店数量的z分位数
province_pc['colors'] = ['red' if x < 0 else 'green' for x in province_pc['province_z']]
province_pc.sort_values('province_z', inplace=True)
province_pc.reset_index(inplace=True)
province_pc.head(10)
|
index |
province |
shop_counts |
province_z |
colors |
| 0 |
28 |
青海省 |
3 |
-0.870936 |
red |
| 1 |
24 |
贵州省 |
4 |
-0.846264 |
red |
| 2 |
7 |
宁夏回族自治区 |
4 |
-0.846264 |
red |
| 3 |
12 |
广西壮族自治区 |
5 |
-0.821592 |
red |
| 4 |
22 |
甘肃省 |
5 |
-0.821592 |
red |
| 5 |
19 |
海南省 |
6 |
-0.796919 |
red |
| 6 |
2 |
内蒙古自治区 |
7 |
-0.772247 |
red |
| 7 |
13 |
新疆维吾尔自治区 |
7 |
-0.772247 |
red |
| 8 |
15 |
江西省 |
9 |
-0.722902 |
red |
| 9 |
10 |
山西省 |
12 |
-0.648885 |
red |
plt.figure(figsize=(16,20), dpi= 80)
plt.hlines(y=province_pc.index, xmin=0, xmax=province_pc.province_z, color=province_pc.colors, alpha=0.6, linewidth=15)
for x, y, tex in zip(province_pc.province_z, province_pc.index, province_pc.province_z):
t = plt.text(x, y, round(tex,2), horizontalalignment='right' if x < 0 else 'left',
verticalalignment='center', fontdict={'color':'red' if x < 0 else 'green', 'size':15})
plt.gca().set(ylabel='省市', xlabel='门店数量')
plt.yticks(province_pc.index, province_pc.province, fontsize=15)
plt.title('各省市门店数量Z-Score', fontdict={'size':20})
plt.grid(linestyle='--', alpha=0.1)
output_54_0.png
#门店数Top10省市
province_pc.sort_values(by='shop_counts',ascending=False).head(10).province.to_list()
['江苏省', '广东省', '上海市', '北京市', '浙江省', '山东省', '辽宁省', '四川省', '福建省', '天津市']
- 结论2：Z-Score衡量各省市门店数相比于整体均值的偏差水平。其中门店数Top10的省市Z-Score>0，其他省市Z-Score<0。
各省市门店数与GDP、常住人口数相关性分析
#导入各省市2018年GDP（亿元）和常住人口（万人）数据
gp=pd.read_csv(r"D:\PycharmProjects\分省年度GDP及人口数据.csv",encoding="gbk")
gp.head()
|
province |
GDP (亿元) |
Popluation (万人) |
| 0 |
北京市 |
30319.98 |
2154 |
| 1 |
天津市 |
18809.64 |
1560 |
| 2 |
河北省 |
36010.27 |
7556 |
| 3 |
山西省 |
16818.11 |
3718 |
| 4 |
内蒙古自治区 |
17289.22 |
2534 |
#将各省份门店数、2018年GDP、常住人口数合并
result=pd.merge(province_pc.loc[:,['province','shop_counts']],gp,how='left',on='province')
corr = result.corr()#相关系数
corr
|
shop_counts |
GDP (亿元) |
Popluation (万人) |
| shop_counts |
1.000000 |
0.797473 |
0.431992 |
| GDP\n(亿元) |
0.797473 |
1.000000 |
0.841422 |
| Popluation\n(万人) |
0.431992 |
0.841422 |
1.000000 |
cmap = sns.diverging_palette(220,10, as_cmap=True)
sns.heatmap(corr, cmap=cmap,center=0.5, annot=True)
plt.xticks(fontsize=10)
plt.yticks(fontsize=10)
plt.title('各省市2018年GDP、常住人口数与门店数热度图', fontsize=15)
output_60_1.png
- 结论3：各市门店数与2018年GDP、常住人口数均正相关，其中与GDP相关性较高。
门店数Top14城市
#各城市门店数
city_pc=geo_data.groupby('city',as_index=False)['shop_counts'].count().sort_values(by='shop_counts',ascending=False)
city_pc
|
city |
shop_counts |
| 3 |
上海市 |
113 |
| 21 |
北京市 |
102 |
| 109 |
苏州市 |
46 |
| 90 |
深圳市 |
44 |
| 41 |
天津市 |
42 |
| 22 |
南京市 |
39 |
| 59 |
成都市 |
39 |
| 127 |
重庆市 |
37 |
| 69 |
杭州市 |
35 |
| 52 |
广州市 |
32 |
| 118 |
西安市 |
28 |
| 40 |
大连市 |
25 |
| 77 |
沈阳市 |
24 |
| 73 |
武汉市 |
24 |
| 63 |
无锡市 |
23 |
| 134 |
青岛市 |
20 |
| 84 |
济南市 |
20 |
| 105 |
福州市 |
19 |
| 65 |
昆明市 |
16 |
| 131 |
长春市 |
15 |
| 101 |
珠海市 |
14 |
| 28 |
厦门市 |
14 |
| 45 |
宁波市 |
14 |
| 30 |
合肥市 |
13 |
| 50 |
常州市 |
12 |
| 26 |
南通市 |
12 |
| 104 |
石家庄市 |
12 |
| 34 |
哈尔滨市 |
11 |
| 125 |
郑州市 |
11 |
| 132 |
长沙市 |
10 |
| ... |
... |
... |
| 5 |
东营市 |
1 |
| 7 |
临汾市 |
1 |
| 9 |
丹东市 |
1 |
| 10 |
丽江市 |
1 |
| 12 |
亳州市 |
1 |
| 13 |
伊犁哈萨克自治州 |
1 |
| 15 |
佳木斯市 |
1 |
| 17 |
信阳市 |
1 |
| 27 |
南阳市 |
1 |
| 32 |
周口市 |
1 |
| 37 |
嘉峪关市 |
1 |
| 38 |
四平市 |
1 |
| 39 |
大庆市 |
1 |
| 48 |
宝鸡市 |
1 |
| 100 |
牡丹江市 |
1 |
| 49 |
宿迁市 |
1 |
| 54 |
延边朝鲜族自治州 |
1 |
| 55 |
张家口市 |
1 |
| 62 |
揭阳市 |
1 |
| 64 |
日照市 |
1 |
| 66 |
晋中市 |
1 |
| 67 |
普洱市 |
1 |
| 68 |
曲靖市 |
1 |
| 1 |
三明市 |
1 |
| 72 |
梅州市 |
1 |
| 75 |
汕尾市 |
1 |
| 82 |
泸州市 |
1 |
| 88 |
淮北市 |
1 |
| 98 |
潮州市 |
1 |
| 139 |
齐齐哈尔市 |
1 |
140 rows × 2 columns
y=city_pc.shop_counts
city_pc['city_z']= (y - y.mean())/y.std()#各省市门店数量的z分位数
city_pc.sort_values('city_z', inplace=True,ascending=False)
city_pc.reset_index(inplace=True)
del city_pc["index"]
#门店数Top14城市
city_pc[city_pc.city_z>=1]
|
city |
shop_counts |
city_z |
| 0 |
上海市 |
113 |
6.735240 |
| 1 |
北京市 |
102 |
6.028248 |
| 2 |
苏州市 |
46 |
2.429020 |
| 3 |
深圳市 |
44 |
2.300476 |
| 4 |
天津市 |
42 |
2.171932 |
| 5 |
南京市 |
39 |
1.979116 |
| 6 |
成都市 |
39 |
1.979116 |
| 7 |
重庆市 |
37 |
1.850573 |
| 8 |
杭州市 |
35 |
1.722029 |
| 9 |
广州市 |
32 |
1.529213 |
| 10 |
西安市 |
28 |
1.272125 |
| 11 |
大连市 |
25 |
1.079309 |
| 12 |
沈阳市 |
24 |
1.015037 |
| 13 |
武汉市 |
24 |
1.015037 |
input_colors =cm.rainbow(np.arange(len(city_pc.values))-2/len(city_pc.values)-2)
plt.rc('font', family='SimHei', size=18)# 显示中文标签
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(10,10))
plt.pie(city_pc.shop_counts.head(14), startangle=70, labels=city_pc.city.head(14),
autopct='%1.2f%%', pctdistance=0.8,
labeldistance=1.1, textprops={'fontsize':15,'color':'black'},colors=input_colors)
plt.legend(bbox_to_anchor=(1.05, 0), loc=3, borderaxespad=0)
plt.title('门店数Top14城市',fontsize=20)
output_66_1.png
网友评论