用数据分析搭配肯德基早餐

今天看到一个好玩的数据分析小case，通过对KFC的早餐爬取部分数据，并做简单处理，查看肯定早餐搭配

原数据集及初始代码网址如下：https://www.kesci.com/home/project/5ecf10d0162df90036dd6bc9/code。

首先读取数据

#数据导入，探查数据缺失
data = pd.read_csv(r'D:\ML_data\kfca8585\kfc.csv')
data.head()

查看数据

0    1元安心大油条 产品实付满49元（不含外送费），可1元换购安心大油条1根，每单限1份  1.0 https://img.4008823823.com.cn/kfcios/Version/7...
1   1元芝士鸡肉帕尼尼   产品实付满69元（不含外送费），可1元换购芝士鸡肉帕尼尼1份，每单限1份    1.0 https://img.4008823823.com.cn/kfcios/Version/7...
2   有鸡腿全餐双人餐    套餐包含：有鸡腿中式/西式全餐（可选），共2份。<br>有鸡腿中式全餐：新奥尔良烤鸡腿1份+... 0.0 https://img.4008823823.com.cn/kfcios/Version/7...
3   有鸡腿西式全餐(香草流心可颂) 新奥尔良烤鸡腿1块+培根炒蛋1份+香脆薯饼1块+大溪地香草奶香流心可颂2只+咖啡饮品1杯（可...    29.0    https://img.4008823823.com.cn/kfcios/Version/7...
4   有鸡腿西式全餐(香草流心可颂) 新奥尔良烤鸡腿1块+太阳蛋+香脆薯饼1块+大溪地香草奶香流心可颂2只+咖啡饮品1杯（可加价换...    29.0    https://img.4008823823.com.cn/kfcios/Version/7...

查看一下数据情况。单价有0元，有可能是套餐搭配，也有可能数据爬取出错

data.describe()price
count   90.000000
mean    13.872222
std 7.257914
min 0.000000
25% 9.000000
50% 13.500000
75% 17.000000
max 36.000000

对价格进行处理，使用平均值进行填充

#价格有0的数据，暂时用平均值进行填充
def f(p):if p==0.0:p=14return pelse:return pdata['price'] = data['price'].map(f)

利用结巴拼接食物和餐名，并把一些无关食物替换掉

#食物内容和餐名
names = list(data['name'])
foods = list(data['foods'])
names.extend(foods)
names = ' '.join(names)
#分词
ls = jieba.lcut(names)
txt = ' '.join(ls)#空格替换与食物无关的词语
txt = txt.replace('产品','').replace('包装','').replace('包装实物','')\.replace('br','').replace('随心换','').replace('实物','')\.replace('主要','').replace('原料','').replace('指比菜','')\.replace('单单','').replace('加价','').replace('换购','')\.replace('总价','').replace('金额','').replace('为准','')\.replace('早餐','').replace('饮品','')

查看主食应用分布情况，并可视化

hamburger = {'热量' : 250,'脂肪' : 10,'碳水化合物' : 20,'蛋白质' : 10
}
rice_ball = {'热量' : 200,'脂肪' : 11,'碳水化合物' : 21,'蛋白质' : 6
}
porridge = {'热量' : 50,'脂肪' : 1.5,'碳水化合物' : 8,'蛋白质' : 2.5
}
chicken = {'热量' : 255,'脂肪' : 15,'碳水化合物' : 10,'蛋白质' : 21
}x = ['汉堡','饭团','粥','鸡肉']
y1 = [250,200,50,255]
y2 = [10,11,1.5,15]
y3 = [20,21,8,10]
y4 = [10,6,2.5,21]
c = Bar()
c.add_xaxis(x)
c.add_yaxis("热量", y1, stack="stack1")
c.add_yaxis("脂肪", y2, stack="stack1")
c.add_yaxis("碳水化合物", y3, stack="stack1")
c.add_yaxis("蛋白质", y4, stack="stack1")
c.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
c.set_global_opts(title_opts=opts.TitleOpts(title="主食营养分布"))
#c.render_notebook()
c.render_notebook()

小吃营养分布

youtiao = {'热量' : 388,'脂肪' : 18,'碳水化合物' : 51,'蛋白质' : 7
}
chayedan = {'热量' : 151,'脂肪' : 6,'碳水化合物' : 12,'蛋白质' : 11
}
shubin = {'热量' : 327,'脂肪' : 22,'碳水化合物' : 32,'蛋白质' : 3
}
danta = {'热量' : 255,'脂肪' : 22,'碳水化合物' : 38,'蛋白质' : 7
}from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.commons.utils import JsCode
from pyecharts.globals import ThemeTypelist2 = [{"value": 388, "percent": 388 / (388 + 18 + 51 + 7)},{"value": 151, "percent": 151 / (151 + 6 + 12 + 11)},{"value": 327, "percent": 327 / (327 + 22 + 32 + 3)},{"value": 255, "percent": 255 / (22 + 38 +  + 7 + 255)},
]list3 = [{"value": 18, "percent": 18 / (388 + 18 + 51 + 7)},{"value": 6, "percent": 6 / (151 + 6 + 12 + 11)},{"value": 22, "percent": 22 / (327 + 22 + 32 + 3)},{"value": 22, "percent": 22 / (22 + 38 + 7 + 255)},
]list4 = [{"value": 51, "percent": 51 / (388 + 18 + 51 + 7)},{"value": 12, "percent": 12 / (151 + 6 + 12 + 11)},{"value": 32, "percent": 32 / (327 + 22 + 32 + 3)},{"value": 38, "percent": 38 / (22 + 38 + 7 + 255)},
]list5 = [{"value": 7, "percent": 7 / (388 + 18 + 51 + 7)},{"value": 11, "percent": 11 / (151 + 6 + 12 + 11)},{"value": 3, "percent": 3 / (327 + 22 + 32 + 3)},{"value": 7, "percent": 7 / (22 + 38 + 7 + 255)},
]c = Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
c.add_xaxis(['油条','茶叶蛋','薯饼','蛋挞'])
c.add_yaxis("热量", list2, stack="stack1", category_gap="50%")
c.add_yaxis("脂肪", list3, stack="stack1", category_gap="50%")
c.add_yaxis("碳水化合物", list4, stack="stack1", category_gap="50%")
c.add_yaxis("蛋白质", list5, stack="stack1", category_gap="50%")
c.set_series_opts(label_opts=opts.LabelOpts(position="right",formatter=JsCode("function(x){return Number(x.data.percent * 100).toFixed() + '%';}"),))
c.render_notebook()

饮料分析

doujiang = {'热量' : 31,'脂肪' : 2,'碳水化合物' : 1.5,'蛋白质' : 3
}
coffe = {'热量' : 100,'脂肪' : 4,'碳水化合物' : 12,'蛋白质' : 4
}from pyecharts import options as opts
from pyecharts.charts import Piec = Pie()
c.add("",[list(z) for z in zip(["热量", "脂肪",'碳水化合物','蛋白质'],[31,2,1.5, 3])],center=["20%", "50%"],radius=[60, 80],)
c.add("",[list(z) for z in zip(["热量", "脂肪",'碳水化合物','蛋白质'],[100,4,12, 4])],center=["55%", "50%"],radius=[60, 80],)
c.set_global_opts(title_opts=opts.TitleOpts(title="豆浆（左）咖啡（右）"),legend_opts=opts.LegendOpts(type_="scroll", pos_top="200%", pos_left="80%", orient="vertical"),)
c.render_notebook()

从和鲸社区看到这个小case觉得很有意思，自己试了一下，遇到的主要问题是数据量小，不过肯德基早餐种类本身就不是很多。pyecharts画图很好看，但是有些包更新了，可能会有问题，需要找最新的包，比如bar(）函数使用方法，有些方法废弃了，使用的时候要多加注意。

用数据分析搭配肯德基早餐相关推荐

为啥这么多人早餐都是直接选择肯德基？又贵又不咋好吃。用Python来爬一下看看！
00 前言肯德基发展了那么多年,他们的食物也随之发生了很多变化,记得以前刚出早餐的时候,也就几个品种,有点单一,然而现在的花样是越来越多,套餐五花八门,各种搭配. 木下爬取了肯德基早餐的菜单,来 ...
玩会员积分运营又搞小b分销肯德基要认真做社交电商！
此前,肯德基已借会员积分/拼团小程序正式入局社交电商,"肯德基口袋炸鸡店"小程序的全面上线使肯德基同时拥有了"拼团"+"分销"两把武器.类似 ...
建造者模式详解：建造随意搭配的肯德基套餐
快捷导航一.概要二.实现案例构建一份肯德基套餐代码实现产品类建造者类测试类指挥者(可选) 三.总结一.概要建造者模式(Builder Pattern)是五种创建型设计模式之一,它将 ...
肯德基、必胜客中国部分餐厅限时推出植物肉汉堡；B站与《男人装》首次破圈合作 | 美通企业日报...
今日看点百胜中国在指定的肯德基,必胜客和塔可贝尔餐厅推出新品别样汉堡.百胜中国控股有限公司宣布与植物肉业界公司别样肉客合作,将于6月3日开始在中国肯德基,必胜客和塔可贝尔的指定餐厅限时推出别样汉堡( ...
曾比海底捞还牛，如今关店1200家！肯德基的猪队友，快被中国人抛弃了？
来源| 金错刀 ID| ijincuodao 作者| 金错刀频道云摇必胜客又翻车了. 去年,必胜客中国30周年,推出了158元的自助餐,本来想再火一次,没想到却翻车了. 很多去尝鲜的人都表示:&q ...
史上最难吃系列，肯德基就不能好好做鸡吗？
作者/橘总来源/Vista氢商业 ID/qingshangye666 本周经历2020年最大遗憾.我刚想下单肯德基最新黑暗料理"气泡薯片炸鸡",就得知它前一天下架的噩耗. 按照肯 ...
中国鸡荣华鸡为什么干不过洋鸡肯德基
单说快餐吧,我们的饺子.馅饼.面条. 包子等等,哪个没有几百年的历史?中餐那么多以鸡肉为主料的辣子鸡.文昌鸡. 白切鸡.手撕鸡.炖土鸡等等,哪一个口味不比肯德基的麻辣鸡块好吃?但为什么时至今日,依然 ...
供货肯德基与必胜客，千味央厨上市全靠“抱大腿”？
2021年9月6日,郑州千味央厨食品股份有限公司(后简称"千味央厨")登陆深交所完成主板上市,开盘后千味央厨股价持续走高,截至2021年9月9日收盘,其股价较IPO发行价的每股15 ...
西式快餐是否比起肯德基更多人喜欢麦当劳，如果是原因是什么
汉堡王的京东套餐券买完不能使用,必须等待10分钟所谓的"系统激活"才可以使用,否则扫码会显示未激活. 并且店员似乎没有一个人知道等10分钟这件事. 更新吐槽金拱门麦麦脆汁鸡. 前段 ...

用数据分析搭配肯德基早餐

用数据分析搭配肯德基早餐相关推荐

最新文章

热门文章