餐廳訂單數據分析

本文將從以下幾個方面對餐廳訂單數據進行可視化展示及剖析，旨在為營業者提供一定的決策和建議。

餐廳最受歡迎菜品TOP10

訂單ID點菜種類TOP10（消費維度分析）

訂單ID點菜數量TOP10（消費維度分析）

訂單ID消費最多的金額（消費維度分析）

訂單ID平均消費最貴（消費維度分析）

餐廳點菜量分析（日期與時間維度分析）

***## 第一步：導入相應的包*** import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']= 'SimHei' ##設置中文字體 %matplotlib inline ***## 第二步：加載數據集*** data1 = pd.read_excel('E:\BaiduNetdiskDownload\meal_order_detail.xlsx',sheet_name='meal_order_detail1') data2 = pd.read_excel('E:\BaiduNetdiskDownload\meal_order_detail.xlsx',sheet_name='meal_order_detail2') data3 = pd.read_excel('E:\BaiduNetdiskDownload\meal_order_detail.xlsx',sheet_name='meal_order_detail3') 備注：此處數據由三個Sheet組成，分別是meal_order_detail1、meal_order_detail2、meal_order_detail3。 EXCEL數據如下圖所示：

***## 第三步：數據預處理*** 接下來我們進行數據合并的操作，代碼如下： data = pd.concat([data1,data2,data3],axis=0) #axis=0 表示行連接數據，1表示列鏈接數據 data.head() #只顯示前5行 合并后的數據如下圖

接下來我們查看合并后的數據信息，觀察數據的基本構成

data.info() #查看數據信息

由基本信息可知該數據集共由10037條數據構成，其中數據類型分別是int整型、float 浮點型、object 、datetime64[ns]四種類型。同時我們發現還存在non-null的缺失數據，對其應進行進一步的處理。

data.dropna(axis=1,inplace=True) # 刪除數據中的空值列，列的話是1，inplace= True 作用于源數據

再次觀察數據信息，發現空值數據已被剔除。
接下來我們對菜品的平均價格進行計算，可用如下兩種方式實現。
統計買出菜品的平均價格
方法一：pandas 自帶函數

data['amounts'].mean()

數據結果顯示：44.821360964431605

round(data['amounts'].mean(),2) #round 函數進行四舍五入操作，此處保留2位

數據結果顯示：44.82
方法二：numpy 函數 (當數據量多的時候，建議使用此方法)

- round(np.mean(data['amounts']),2)

數據結果顯示：44.82
頻數統計 什么菜最受歡迎（對菜名進行頻數統計，然后取最大的前10名）

dishes_count = data ['dishes_name'].value_counts() dishes_count

結果顯示如圖

由于我們此處只需計算前十名的數據，所以對多余數據進行剔除，僅保留前十名。

dishes_count = data ['dishes_name'].value_counts()[:10] # [:10]切片取前10名 dishes_count

結果如下：

將最受歡迎的菜品TOP10進行可視化展示

# 數據可視化 Matplotlib dishes_count.plot(kind='line',color='pink') ##折線圖 dishes_count.plot(kind='bar',fontsize=16) ##柱狀圖 for x,y in enumerate(dishes_count):print(x,y)plt.text(x,y+1,y,ha='center',fontsize=12) ##ha='center'字體居中顯示 plt.title('最受歡迎菜品TOP10') plt.xlabel('菜品名稱') plt.ylabel('點購數量')

從顯示結果來看，該餐廳的熱門菜品可分為兩類：
素菜類：涼拌菠菜。
肉菜類：麻辣小龍蝦、辣炒魷魚 、芝士燴波士頓龍蝦、香酥兩吃大蝦 、燜豬手 。
其中谷稻小莊經查詢為飲品類，白飯/大碗、五色糯米飯(七色)、白飯/小碗為主食類不屬于菜品范疇。
對此，我們可以提出建議如下：
①熱門菜品涼拌菜類可否增加品類，以吸引顧客再次消費。
②生鮮食品能否和其他傳統菜品進行搭配銷售，以提高傳統菜品的銷售量。
③主食類價格調整策略：如小碗米飯1元，大碗米飯1.5元。

訂單ID點菜種類TOP10

data_group = data['order_id'].value_counts()[:10] data_group.plot(kind='bar',fontsize=16) plt.title('訂單點菜的種類TOP10') plt.xlabel('訂單ID',fontsize=16) plt.ylabel('點菜種類',fontsize=16) for x,y in enumerate(data_group):print(x,y)plt.text(x,y+1,y,ha='center',fontsize=12) ##ha='center'字體居中顯示 plt.title('訂單點菜的種類TOP10') plt.xlabel('訂單ID') plt.ylabel('點菜種類')

上圖總結：八月份餐廳訂單點菜種類前10名，平均點菜25個菜品。該點菜種類的菜品，那個菜品利潤更高，可適當加大宣傳力度，做好營銷工作。以提高餐廳的利潤。
訂單ID點菜數量TOP10（分組order_id,counts求和，排序，前十）

data['total_amounts']=data['counts']*data['amounts'] # 統計單道菜消費總額 dataGroup = data[['order_id','counts','amounts','total_amounts']].groupby(by='order_id') Group_sum = dataGroup.sum() #分組求和 sort_counts = Group_sum .sort_values(by='counts',ascending=False) sort_counts['counts'][:10].plot(kind='bar',fontsize=16) plt.title('訂單ID點菜數量TOP10') plt.xlabel('訂單ID') plt.ylabel('點菜數量')

上圖總結：八月份餐廳訂單點菜數量前10名，平均點菜30個菜品。餐廳經營者可否根據點餐數量設滿足不同需求的個性化菜單，對就餐者提供合理的訂餐建議，避免菜品浪費現象產生。
訂單id消費最多的金額TOP10（排序）

sort_total_amounts = Group_sum.sort_values(by='total_amounts',ascending=False) sort_total_amounts['total_amounts'][:10].plot(kind='bar') plt.title('消費金額前10名') plt.xlabel('訂單ID') plt.ylabel('消費金額')

上圖顯示了前10名訂單ID消費金額的分布情況，根據分布情況，餐廳經營者可否將訂單ID者劃分為不同的等級，如VIP1、VIP2、VIP3、VIP4、VIP5。數字越大等級越高。針對VIP辦理年卡、季卡、月卡、周卡等促進顧客進行多次消費。

訂單ID平均消費最貴TOP10

Group_sum['average']=Group_sum['total_amounts']/Group_sum['counts'] sort_average = Group_sum.sort_values(by='average',ascending=False) sort_average['average'][:10].plot(kind='bar') plt.title('消費單價前10名') plt.xlabel('訂單ID') plt.ylabel('消費單價')

觀察上圖可看出前十名消費單價集中在100元左右。餐廳經營者可根據消費水平對餐廳菜品價格進行合理定價。同時幫助經營者認清該餐廳的消費等級，通過對餐廳消費水平設置價格標簽，來精準的尋找該消費階層的人群。

** 一天當中什么時間段，點菜量比較集中（用hour來計算）**

data['hourcount']= 1 #創建新列，用于計數 data['time'] = pd.to_datetime(data['place_order_time']) #將時間轉換成日期類型存儲

原始數據長這樣：

可以看到數據格式并不規范，我們需進行處理
pandas中的to_datetime（）可獲取指定的時間和日期
將2016/8/1 11:05:36轉換成2016-8-1 11:05:36
data[‘hour’] = data[‘time’].map(lambda x:x.hour)
此處操作是將上一步中轉換了的日期類型數據進行拆分，分別將日期和時間賦予到不同的列。
可以看到原始表格新增了兩列，分別是time列和hour列。

gp_by_hour = data.groupby(by='hour').count()['hourcount']

pandas的groupby需要明確以什么維度聚合，以及聚合的方式是sum求和，抑或max求最值，還是count計數。上述代碼是用‘hour’來聚合，聚合方式是count計數。接下來繪制以小時來聚合的數據，代碼展示如下：

gp_by_hour.plot(kind='bar',fontsize=16) for x,y in enumerate(gp_by_hour):print(x,y)plt.text(x,y+1,y,ha='center',fontsize=12) ##ha='center'字體居中顯示 plt.xlabel('小時',fontsize=16) plt.ylabel('下單數量',fontsize=16) plt.title('下單數與小時的關系圖',fontsize=16)

• List item
  從上述圖表中我們可以得到如下結論：
  ①14：00和22：00 下單人數最少，可以減少該時間段工作的員工人數。
  ②17：00-21：00 時間段，進餐人數達到了一日中的高峰期，下單數量均大于1000。可以增加該時間段員工的數量，或者雇傭該小時段的臨時工，來幫助餐廳服務的開展。
  ③上午的下單量約為下午下單量的三分之二，人們更傾向于下午時間段在餐廳消費。
  那一天訂餐數量最多(操作同上)

data['daycount']= 1 #創建新列，用于計數 data['day'] = data['time'].map(lambda x:x.day) gp_by_day = data.groupby(by='day').count()['daycount'] gp_by_day.plot(kind='bar',fontsize=10) for x,y in enumerate(gp_by_day):print(x,y)plt.text(x,y+1,y,ha='center',fontsize=10) ##ha='center'字體居中顯示 plt.xlabel('8月份日期',fontsize=16) plt.ylabel('點菜數量',fontsize=16) plt.title('點菜數量與日期的關系圖',fontsize=16)

查看星期幾人數最多，訂餐數最多，映射數據到日期

data['weekcount']= 1 #創建新列，用于計數 data['weekday'] = data['time'].map(lambda x:x.weekday()) gp_by_weekday = data.groupby(by='weekday').count()['weekcount'] gp_by_weekday.plot(kind='bar',fontsize=10) for x,y in enumerate(gp_by_weekday):print(x,y)plt.text(x,y+1,y,ha='center',fontsize=10) ##ha='center'字體居中顯示 plt.xlabel('星期',fontsize=16) plt.ylabel('點菜數量',fontsize=16) plt.title('點菜數量與星期的關系圖',fontsize=16)

時間維度的餐廳訂單分析，可以幫助經營者合理的設置員工排班時間和員工規模數量的敲定。做出更清楚、客觀的決策。

總結

以上是生活随笔為你收集整理的数据分析实战项目练习——餐厅订单数据的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。