用Python分析告诉你：一个城市麦当劳的数量和什么有关！

最新推荐文章于 2024-11-12 08:20:21 发布
最新推荐文章于 2024-11-12 08:20:21 发布
阅读量903 收藏 6
点赞数
CC 4.0 BY-SA版权
分类专栏： Python 文章标签： Python
原文链接：http://mp.toutiao.com/preview_article/?pgc_id=6761258714067370499
本文通过分析中国各大城市麦当劳店铺数量，探讨城市等级、GDP及人口数对其分布的影响。研究发现，城市等级和GDP与麦当劳店铺数量呈正相关，而人口数的影响相对较小。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、前言

前几天，小编跟着两个朋友，在深圳的商圈逛了逛，沿途看见了好几家麦当劳，他们两就随意的说了说，麦当劳数量有点多呢，到底是为什么呢？ 一个城市的麦当劳数量和什么有关呢？ GDP？ 等级？ 人口数？ 。 。 。 。

为了更有理有据的说明，小编选取了 GDP，城市等级，人口数三个指标初步探一探城市麦当劳数的多少和什么有关

 

二、源码获取

 

三、数据获取

麦当劳店铺名和所在城市

https://www.mcdonalds.com.cn/index/Quality/publicinfo/deliveryinfo?data%5BSearch%5D%5Bcity%5D=

2019 城市排行

http://www.zuihaodaxue.com/news/20190525-1003.html

GDP，人口

http://caifuhao.eastmoney.com/news/20190201115604564011000

从上面三个链接获取，店名，所在城市，GDP，城市等级，人口数

网页都比较简单静态的，爬虫正则直接提取

城市店铺数

此图列举了麦当劳在中国城市所有店铺数各个城市的数量有多少，从图可看出，‘北上广深’麦当劳数可是都在 100 以上，稳居前四，而且他们都是一线大城市呢，紧随其后的一些城市麦当劳数也在两位数，会不会与城市等级有关呢？

四、城市等级对应麦当劳占比

从上图看出，全国城市等级所对应的麦当劳占比，一线，二线，三线，四线，五线，一次递减，一线城市拥有的麦当劳数时最多的，从而验证了我们的想法，城市等级越高，麦当劳数也相应的多一些

五、GDP&店铺数

GDP 看来也是一个影响一个城市麦当劳数的因素呀，从图看出，GDP 与麦当劳数呈正相关，一个城市的 GDP 是衡量一个城市经济水平的因素，看来也可以衡量是否能吸引更多的像麦当劳一样的企业进驻此城市

六、人口数&店铺数

呃呃呃，看来人口的多少与店铺数关联不是很大，人口 0-500 万左右的店铺数基本都不超过 50 家

七、结论

仅从城市等级，GDP 等级看， GDP 越高，相应的店铺数也会多一些，但人口数的多少对麦当劳的店铺数影响不是很大

除此之外，还没有考虑每个城市相关的政策之类的因素

生活中更多有趣结论等你探索～

 

【Python数据分析与可视化】Matplotlib数据可视化（实训四）
风口IT猪的成长录
12-06 3486
全球星巴克门店数据分析 import pandas as pd import numpy as np from pandas import Series,DataFrame import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签 plt.rcParams['axes.unicode_minus']=False #用来正常显示负号 %matplotlib inline starbucks
python数据分析项目化教程,python数据分析项目总结
2301_79533350的博客
01-07 1337
这里整理了111个数据分析的案例，每一个都进行了严格的筛选，筛选标准如下：1. 有干货：杜绝纯可视化、统计性分析，有一定比例的讲解性文字2. 可跑通：所有代码均经过测试，（大概率）可以一键跑通（因为库包更新，或者链接有效性问题，或多或少会存在个别失效情况）数据集可下载：方便大家下载至本地仔细把玩（如果不行，请看我的另一篇博文希望这份资料可以帮到大家呀~电商数据分析：只会环比下降3%的数据分析师还有救吗？本文用一个实战案例，与大家共同探讨如何撰写一份有业务价值的分析报告。
Python 分析城市麦当劳数的多少
数据森麟
12-26 677
作者：木下瞳 来源：木下学Python前言前几天，小编跟着两个朋友，在深圳的商圈逛了逛，沿途看见了好几家麦当劳，他们两就随意的说了说，麦当劳数量有点多呢，到底是为什么呢...
利用Python爬虫爬取淘宝商品做数据挖掘分析实战篇，超详细教程
macair123的博客
03-09 11万+
项目内容本案例选择>> 商品类目：沙发；数量：共100页  4400个商品；筛选条件：天猫、销量从高到低、价格500元以上。项目目的1. 对商品标题进行文本分析 词云可视化2. 不同关键词word对应的sales的统计分析3. 商品的价格分布情况分析4. 商品的销量分布情况分析5. 不同价格区间的商品的平均销量分布6. 商品价格对销量的影响分析7. 商品价格对销售额的影响分析8. 不同...
python爬虫——按城市及店铺面爬取大众点评分类
读万卷书 行万里路
01-15 2462
题外话：因为最近遇到很多标签要对其进行分类，其中很多是店铺名，所以就想爬取大众点评的分类信息。因为不是专门做爬虫的，所以下面这段代码仅仅是可以实现要求，如何能避免网站的反爬机制这一点就无能无力了。另外大众点评根据店铺名返回的分类结果也不一定完全争取，这里没有处理这种情况。 # -*- coding:utf-8 -*- import urllib.request import urllib.pa...
使用python爬取一个省市城市列表
SimpleCoder's Blog
02-15 8419
前言 最近打算使用 flutter 做一个省市的级联列表,但是目前没有数据来源,就想着搜搜有没有 json 的数据,结果搜了一下只有各种数据库的 然后搜了下有个网站说有很完整的数据的还是收费的 作为一个穷人程序员,如果是公司用,我付费买一个也无所谓,但是本身是想私人使用,甚至开源出去,付费就没必要了 这时候我想着,既然如此,我就爬一份数据,自己造一个吧 说到爬虫,我们就想起了明年…两开花 pyth...
111个Python数据分析实战项目，代码已跑通，数据可下载
热门推荐
12-05 15万+
111个Python数据分析实战项目，代码已跑通，数据可下载
广州餐饮景观：1000家餐厅的数据分析和可视化呈现（Python）
weixin_45535473的博客
06-23 1254
本项目旨在通过对餐厅数据的分析和挖掘，为用户提供以下几个方面的信息和洞见：1.餐饮市场分析：通过数据分析市场的供需情况、竞争态势和潜在发展趋势2.消费者行为分析：了解消费者对不同类型餐厅的偏好、消费习惯和评论行为3.推荐系统开发：基于用户喜好和餐厅特征构建推荐系统，提供个性化推荐服务4.区域餐饮热度分析：分析各区县餐饮店数量、评分情况，探索区域餐饮市场发展潜力广州美食数据集。
python用于数据分析的案例,python数据分析案例教程
yang0728y的博客
02-27 1534
这里整理了111个数据分析的案例，每一个都进行了严格的筛选，筛选标准如下：1. 有干货：杜绝纯可视化、统计性分析，有一定比例的讲解性文字2. 可跑通：所有代码均经过测试，（大概率）可以一键跑通（因为库包更新，或者链接有效性问题，或多或少会存在个别失效情况）数据集可下载：方便大家下载至本地仔细把玩（如果不行，请看我的另一篇博文希望这份资料可以帮到大家呀~电商数据分析：只会环比下降3%的数据分析师还有救吗？本文用一个实战案例，与大家共同探讨如何撰写一份有业务价值的分析报告。
111个Python数据分析实战项目，代码已跑通，数据可下载（转载文章）
qq_20245171的博客
11-12 559
这里整理了111个数据分析的案例，每一个都进行了严格的筛选，筛选标准如下：1. 有干货：杜绝纯可视化、统计性分析，有一定比例的讲解性文字2. 可跑通：所有代码均经过测试，（大概率）可以一键跑通（因为库包更新，或者链接有效性问题，或多或少会存在个别失效情况）数据集可下载：方便大家下载至本地仔细把玩（如果不行，请看我的另一篇博文希望这份资料可以帮到大家呀~电商数据分析：只会环比下降3%的数据分析师还有救吗？本文用一个实战案例，与大家共同探讨如何撰写一份有业务价值的分析报告。
Python统计全球星巴克门店的数据及在不同国家和地区门店数量可视化（超详细 附源码）
showswoller的博客
01-14 4932
Python统计全球星巴克门店的数据及在不同国家和地区门店数量可视化（超详细 附源码）
用python做数据分析案例,python数据分析案例教程
chatgpt001的博客
09-11 597
这里整理了111个数据分析的案例，每一个都进行了严格的筛选，筛选标准如下：1. 有干货：杜绝纯可视化、统计性分析，有一定比例的讲解性文字2. 可跑通：所有代码均经过测试，（大概率）可以一键跑通（因为库包更新，或者链接有效性问题，或多或少会存在个别失效情况）数据集可下载：方便大家下载至本地仔细把玩（如果不行，请看我的另一篇博文希望这份资料可以帮到大家呀~电商数据分析：只会环比下降3%的数据分析师还有救吗？本文用一个实战案例，与大家共同探讨如何撰写一份有业务价值的分析报告。
【电梯门禁系统】梯控硬件安装与接线要点：权限逻辑及应用场景详解
07-23
内容概要：文章详细介绍了电梯门禁（梯控）系统的硬件安装与接线要点。首先强调了梯控板与楼层按键对接的重要性，包括遵循一一对应原则以避免错层、越层问题，允许空层存在以适应实际需求。接着阐述了不同接线方式（COM、NO、NC端口的不同组合）对用户权限的影响，如单层权限用户刷卡直达指定楼层，多层权限用户在特定接线方式下的操作限制。硬件安装方面，强调了无源干触点设计原则以确保电气隔离，防止系统间干扰，以及读卡器接入时的规范要求。文章还介绍了梯控系统的技术原理，如身份验证机制（二维码/IC卡/人脸识别）、消防联动功能（紧急情况下释放所有楼层权限），并指出该系统适用于小区、写字楼等场景，支持机器人乘梯SDK扩展。最后，根据不同场景需求提出了适用的接线方式选择，如严格管控场景下选择4.3接线以实现精准权限控制，限制多层用户手动选层场景下选择4.1接线并配合软件权限设置。; 适合人群：从事电梯安装维护的技术人员、楼宇自动化工程师及相关领域的管理人员。; 使用场景及目标：①指导技术人员正确安装和接线梯控系统，确保系统安全稳定运行；②帮助管理人员了解不同接线方式对用户权限的影响，以便根据实际需求选择合适的配置方案；③提升楼宇安全管理和服务质量，特别是在小区、写字楼等场所的应用。; 其他说明：梯控系统的正确安装和接线不仅关系到系统的正常运作，更直接影响到用户的安全和使用体验。因此，在实际操作中务必严格按照规范执行，同时关注最新的技术发展和应用场景变化，以确保系统始终处于最佳状态。
Qt串口通信实时曲线绘制与数据管理系统的源代码实现及二次开发指南
07-23
内容概要：本文档详细介绍了一个基于Qt的串口通信实时曲线绘制与数据管理系统。该系统不仅能够通过Qt的QChart组件实现双窗口内的实时曲线绘制，还能对通信数据进行Modbus CRC16校验，确保数据传输的准确性。此外，它支持配置自动保存、实时数据记录以及灵活的文件命名方式，如按日期、序号或自定义名称保存。系统还提供了详细的源代码、注释、设计文档和使用说明，方便开发者进行二次开发。文中展示了关键代码片段，如配置管理、CRC校验、图表初始化、数据保存和大小端转换等，帮助开发者更好地理解和优化代码。 适合人群：具有一定Qt开发经验的研发人员，尤其是从事嵌入式系统、工业自动化等领域工作的工程师。 使用场景及目标：适用于需要进行串口通信并实时展示数据的应用场景，如工业监控、实验室设备监测等。主要目标是提高数据传输的可靠性、增强用户体验以及简化二次开发过程。 其他说明：该系统已在Qt5.10.1环境下成功运行，提供了完整的开发环境配置指导。同时，文中提到的一些高级特性，如OpenGL加速、信号量控制等，也为进一步优化性能提供了可能。
欧姆龙PLC密码读取软件（密码直读&CP1E解密版）
07-23
内容概要：本文介绍了欧姆龙PLC密码读取与解密软件的功能和使用方法。文中详细描述了两种主要软件——密码直读软件和CP1E解密软件，它们能够帮助用户读取和去除欧姆龙PLC设备中的密码。此外，还提供了详细的硬件准备步骤，如使用原厂标配的CX-Programmer编程线进行连接，并附有Python脚本用于检测固件版本以及C#代码段用于查找密码标记。对于较新的1.3版固件，提出了利用脉冲信号强制进入调试模式的方法。同时，强调了解密过程中保持功能块完整性的注意事项，并提到了视频教程的存在。 适合人群：从事工业自动化领域的技术人员，特别是那些需要对欧姆龙PLC设备进行维护或二次开发的技术人员。 使用场景及目标：适用于需要恢复被遗忘或丢失的PLC密码的情况，确保在不解锁的情况下不会损坏原有程序和设置。目标是在不影响设备正常工作的前提下获取访问权限。 其他说明：文中提到的部分高级技巧如内存断点技术和特征码扫描法，可以显著提高解密效率并减少误操作风险。同时提醒使用者关注解密前后功能块的一致性和完整性检查。
基于Python的二手房大数据平台大数据应用作业源代码数据库db
07-23
基于Python实现的二手房大数据平台，包含大数据应用作业、源代码和数据库db。该项目源码为个人毕设，代码经过测试运行成功，答辩评审平均分达96分。适合计算机相关专业学生、教师或企业员工学习，也可作为毕设、课设、作业或项目初期演示。代码可在此基础上进行修改以实现其他功能。下载后请先查看README.md文件，仅供学习参考，切勿用于商业用途。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！
FPGA实现BPSK信号上下变频器：基于Xilinx Spartan6与Verilog的详细解析及应用
最新发布
07-23
内容概要：本文详细介绍了利用FPGA实现BPSK信号上下变频器的设计流程和技术细节。首先，通过Matlab仿真得到FIR滤波器系数并将其转换为适用于FPGA的定点数值形式。接着，使用Verilog语言编写串口接收和AD/DA控制程序，确保信号传输的准确性与时序控制。文中还探讨了跨时钟域问题及其解决方案，并展示了通过Modelsim和ChipScope进行的波形仿真和信号抓取效果。此外，作者分享了一些实际开发过程中遇到的问题及解决方法，如系数加载顺序、SPI接口时序优化以及软硬件联合验证的方法。 适合人群：对数字信号处理、嵌入式系统开发感兴趣的电子工程师、科研人员及高校相关专业学生。 使用场景及目标：①理解和掌握FPGA在通信领域的应用；②学习如何将理论模型转化为实际电路设计；③提高解决复杂工程项目中常见问题的能力。 其他说明：本文不仅提供了完整的项目实现步骤，还包括了许多宝贵的实践经验，对于希望深入研究FPGA技术和通信系统的读者来说是一份非常有价值的参考资料。
无线传感器网络路由协议仿真验证专用工具
07-23
资源下载链接为： https://pan.quark.cn/s/76e2792c869c WSN-X 是一款专为无线传感网（WSN）网络连接算法仿真设计的轻量级工具。它基于 Pygame 库开发，旨在让用户在 10 分钟内快速上手并进行仿真实验。 WSN-X 的主要功能包括： WSN-X 的特色功能： 通过这些功能，WSN-X 能够帮助用户快速搭建无线传感网仿真环境，测试和验证各种网络连接与路由算法，适用于教学演示、科研实验和算法原型验证等场景。
无刷电机无感控制：速度电流双闭环的程序与仿真实验图详解 滑模观测器 专业版
07-23
内容概要：本文详细探讨了无刷电机无感控制中速度电流双闭环的设计与实现方法。首先介绍了无感控制的优势，即避免了传统传感器带来的高成本和易受干扰的问题。接着，文章展示了基于MATLAB/Simulink的仿真模型结构图，解释了速度环和电流环的工作机制以及两者之间的相互关系。文中提供了具体的滑模观测器和锁相环的代码实现，强调了滑模增益随转速自适应变化的重要性，并讨论了反电势信号处理中低通滤波的应用。最后，通过实测波形对比验证了双闭环结构的有效性和稳定性。 适合人群：从事电机控制系统设计的研究人员和技术人员，尤其是对无刷电机无感控制感兴趣的工程师。 使用场景及目标：①理解和掌握无刷电机无感控制的基本原理；②学习并实现速度电流双闭环控制的具体方法；③优化无感控制系统的性能，提高系统稳定性和响应速度。 其他说明：文中提到的所有算法均可以在代码仓库中的FOC_NoSensor项目中找到具体实现。此外，作者还提到了高频注入法在零速场合的应用前景。
from pyspark.sql import SparkSession from pyspark.sql.functions import col, avg, count, sum # 创建SparkSession spark = SparkSession.builder.appName("RestaurantAnalysis").getOrCreate() # 模拟餐饮数据 data = [ (1, "肯德基", "浦东新区", "快餐", 35, 1200), (2, "麦当劳", "浦东新区", "快餐", 40, 1500), (3, "真功夫", "浦东新区", "快餐", 30, 800), (4, "永和大王", "浦东新区", "快餐", 25, 600), (5, "汉堡王", "浦东新区", "快餐", 45, 1800), (6, "海底捞", "浦东新区", "火锅", 120, 5000), (7, "王品牛排", "浦东新区", "西餐", 350, 3000), (8, "珍宝海鲜", "浦东新区", "海鲜", 280, 2500), (9, "新荣记", "浦东新区", "海鲜", 450, 3500), (10, "鼎泰丰", "浦东新区", "中餐", 100, 2000), # 其他行政区数据... (11, "小南国", "黄浦区", "中餐", 150, 2800), (12, "大董", "黄浦区", "中餐", 400, 3200), (13, "全聚德", "黄浦区", "中餐", 180, 2400), (14, "西贝莜面村", "静安区", "中餐", 80, 1800), (15, "外婆家", "静安区", "中餐", 70, 1600) ] columns = ["id", "name", "district", "category", "avg_price", "review_count"] # 创建DataFrame restaurants = spark.createDataFrame(data, columns) # 1. 查询浦东新区的快餐数据(5条) fastfood_pudong = restaurants.filter( (col("district") == "浦东新区") & (col("category") == "快餐") ).limit(5) print("=== 浦东新区快餐数据(5条) ===") fastfood_pudong.show() # 2. 查询海鲜餐馆中人均最贵的5家 expensive_seafood = restaurants.filter( col("category") == "海鲜" ).orderBy(col("avg_price").desc()).limit(5) print("\n=== 人均最贵的海鲜餐馆(5条) ===") expensive_seafood.show() # 3. 按行政区分组统计 district_stats = restaurants.groupBy("district").agg( count("id").alias("restaurant_count"), avg("avg_price").alias("avg_price"), sum("review_count").alias("total_reviews") ) print("\n=== 按行政区统计结果 ===") district_stats.show() # 停止Spark spark.stop()
06-09
### 使用 PySpark SQL 对餐饮数据进行分析的示例代码 以下是一个完整的示例，展示如何使用 PySpark SQL 对餐饮数据进行查询和分析。假设我们有一个包含餐饮数据的 CSV 文件，其中包含餐厅名称、评分、评论数量、地理位置等字段。 ```python # 导入必要的库 from pyspark.sql import SparkSession from pyspark.sql.functions import col, avg, count, desc # 创建 SparkSession spark = SparkSession.builder \ .appName("RestaurantDataAnalysis") \ .getOrCreate() # 读取餐饮数据（假设数据存储在名为 'restaurants.csv' 的文件中） df = spark.read.format("csv") \ .option("header", "true") \ .option("inferSchema", "true") \ .load("restaurants.csv") # 显示前几行数据以检查加载情况 df.show(5) # 数据清洗：删除评分小于0的异常值[^1] cleaned_df = df.filter(col("rating") >= 0) # 统计每个城市的平均评分和评论数量 city_stats = cleaned_df.groupBy("city").agg( avg("rating").alias("avg_rating"), count("review_count").alias("total_reviews") ).orderBy(desc("avg_rating")) # 显示结果 city_stats.show() # 查询评分最高的前10家餐厅 top_restaurants = cleaned_df.orderBy(col("rating").desc()).limit(10) top_restaurants.show() # 保存分析结果到 Hive 表中 city_stats.write.mode("overwrite").saveAsTable("city_statistics") # 停止 SparkSession spark.stop() ``` #### 说明 - **创建 SparkSession**：通过 `SparkSession` 初始化 Spark 环境，这是 PySpark SQL 的入口点。 - **读取数据**：使用 `spark.read.format("csv")` 方法从 CSV 文件中读取数据，并设置 `header` 和 `inferSchema` 参数以便自动解析列名和数据类型。 - **数据清洗**：通过 `filter` 方法删除评分小于 0 的异常值[^1]。 - **统计分析**：使用 `groupBy` 和聚合函数计算每个城市的平均评分和总评论数。 - **排序与限制**：通过 `orderBy` 和 `limit` 方法获取评分最高的前 10 家餐厅。 - **保存结果**：将分析结果保存到 Hive 表中，便于后续复杂查询和数据分析[^4]。 #### 注意事项 - 在实际应用中，可能需要对数据进行更复杂的清洗操作，例如处理缺失值或标准化时间戳格式[^1]。 - 如果数据存储在 HDFS 或其他分布式存储系统中，可以相应调整数据路径。 - 使用 Hive 表可以方便地进行后续的复杂查询和分析[^4]。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值