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905 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 2463
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 8420
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
11-12 560
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。
ERP系统客户与供应商信息视图创建：Oracle数据库中客户和供应商数据整合查询设计
最新发布
07-24
内容概要：本文档定义了一个名为 `xxx_SCustSuplier_info` 的视图，用于整合和展示客户（Customer）和供应商（Supplier）的相关信息。视图通过连接多个表来获取组织单位、客户账户、站点使用、位置、财务代码组合等数据。对于客户部分，视图选择了与账单相关的记录，并提取了账单客户ID、账单站点ID、客户名称、账户名称、站点代码、状态、付款条款等信息；对于供应商部分，视图选择了有效的供应商及其站点信息，包括供应商ID、供应商名称、供应商编号、状态、付款条款、财务代码组合等。视图还通过外连接确保即使某些字段为空也能显示相关信息。 适合人群：熟悉Oracle ERP系统，尤其是应付账款（AP）和应收账款（AR）模块的数据库管理员或开发人员；需要查询和管理客户及供应商信息的业务分析师。 使用场景及目标：① 数据库管理员可以通过此视图快速查询客户和供应商的基本信息，包括账单信息、财务代码组合等；② 开发人员可以利用此视图进行报表开发或数据迁移；③ 业务分析师可以使用此视图进行数据分析，如信用评估、付款周期分析等。 阅读建议：由于该视图涉及多个表的复杂连接，建议读者先熟悉各个表的结构和关系，特别是 `hz_parties`、`hz_cust_accounts`、`ap_suppliers` 等核心表。此外，注意视图中使用的外连接（如 `gl_code_combinations_kfv` 表的连接），这可能会影响查询结果的完整性。
旋转坐标系下基于超稳定性的模型参考自适应控制与角度估算 - 超稳定性
07-24
内容概要：本文探讨了在旋转坐标系中利用模型参考自适应控制（MRAC）进行角度估算的方法。首先介绍了旋转坐标系下的模型及其面临的挑战，随后阐述了MRAC的基本概念和核心思想，即通过已知参考模型调整控制系统以应对未知变化。接着重点讲解了超稳定性设计，确保系统在外扰下迅速恢复稳定。然后深入讨论了自适应率的设计与实现，这是实现精确角度估算的关键环节。最后，文章通过代码与算法分析展示了具体实现细节，并展望了该方法在未来机器人技术和航空航天领域的广泛应用前景。 适合人群：从事自动化控制、机器人技术、航空航天等领域研究的专业人士和技术爱好者。 使用场景及目标：适用于需要在复杂动态环境下实现高精度角度测量和控制的项目，旨在提高系统的稳定性和响应速度。 其他说明：文中涉及大量数学运算和逻辑判断，建议读者具备一定的控制理论基础和编程经验，以便更好地理解和实践相关技术。
基于国产M0核MCU的风机量产程序与FOC电机控制开发方案 - FOC控制 全集
07-24
基于国产M0核MCU平台的风机量产程序及其FOC电机控制开发方案。主要内容涵盖龙博格电机观测器、SVPWM、顺逆风启动策略、五段式与七段式调制方法以及3电阻采样技术。文中提供了具体的源码实现细节，包括PWM中断处理、电流重构、观测器更新、风速检测逻辑和调制模式切换等。此外，还讨论了硬件抽象层的设计，确保代码可以在其他MCU平台上轻松移植。 适合人群：从事电机控制开发的技术人员，特别是对FOC控制算法和嵌入式系统有一定了解的研发人员。 使用场景及目标：①深入理解FOC电机控制的具体实现；②掌握顺逆风启动策略的应用；③学习如何优化PWM调制模式以降低电流谐波失真；④探索龙博格观测器的实际应用及性能优化。 其他说明：本文不仅提供理论指导，还附带完整的源码实现，便于实际项目中的应用和测试。同时，硬件抽象层的设计使得代码具有良好的可移植性，能够快速适配不同的MCU平台。
易语言Jlink烧录程序源码：实现自动化一键调试与多芯片烧录功能
07-24
内容概要：本文介绍了易语言Jlink烧录程序的开发过程及其源码实现。该程序旨在通过调用JLinkARM.dll文件，实现对指定J-Link的控制，进而完成自动化一键调试、烧录软件、通讯测试、设备校准等功能。文中详细讲解了工具的工作原理、集成与调用方式、代码实现步骤，并探讨了未来功能扩展的可能性。当前版本已实现选择J-Link序列号、芯片型号、烧录地址和烧录文件的一拖一烧录功能，未来计划增加一拖多烧录、烧录序列号管理和出厂配对数据等功能。 适合人群：嵌入式系统开发者、硬件工程师、自动化调试工程师。 使用场景及目标：适用于ARM内核芯片的量产烧录，帮助提高生产效率，减少人工干预，提升产品质量。 其他说明：该工具不仅限于特定芯片，理论上所有J-Link支持的ARM内核芯片均可使用。
Comsol仿真下弯曲光纤与波导模式分析及损耗计算方法探讨
07-24
使用Comsol软件进行弯曲光纤和波导的模式分析及损耗计算的方法。首先简述了Comsol软件的功能及其在光纤弯曲问题上的应用价值。接着，逐步指导读者如何在Comsol中构建三维模型，设置关键参数（如材料属性、几何尺寸）并定义光源位置。随后，重点讲解了光在弯曲光纤内的传播模式变化规律，解释了不同模式对光传输质量的影响机制。最后，阐述了通过编写代码调用Comsol内置函数完成损耗估算的具体流程，展示了弯曲程度、材料特性等因素对损耗量的影响关系。 适用人群：从事光学工程、通信技术领域的科研工作者和技术人员，尤其是那些希望深入了解光纤内部光行为特性的专业人士。 使用场景及目标：适用于需要评估光纤弯曲对其性能影响的研究项目；旨在提高对光纤设计原理的理解，优化实际产品性能。 其他说明：文中不仅提供了理论知识，还包含了具体的建模步骤和编程技巧，使读者能够在实践中掌握相关技能。
基于粒子群算法优化BP神经网络的多变量输入单输出回归预测模型Matlab实现
07-24
内容概要：本文介绍了一种基于粒子群算法（PSO）优化BP神经网络（PSO-BP）的多变量输入单输出回归预测模型，并详细阐述了其在Matlab环境下的实现方法。文中首先介绍了BP神经网络的基本概念及其在多变量输入单输出回归预测中的应用背景，指出BP神经网络参数调整的复杂性和挑战。接着，提出了利用粒子群算法优化BP神经网络参数的方法，通过模拟鸟群觅食行为进行全局寻优，找到最佳参数组合。最后，给出了具体的Matlab代码实现步骤，包括数据准备、BP神经网络构建、粒子群算法实现以及模型训练与测试。 适合人群：具有一定机器学习和Matlab编程基础的研究人员和技术开发者。 使用场景及目标：适用于需要解决多变量输入单输出回归预测问题的实际应用场景，如金融预测、工业控制等领域。目标是通过优化BP神经网络参数，提升模型的预测精度和稳定性。 阅读建议：读者可以通过本文详细了解PSO-BP模型的工作原理和实现细节，在实践中不断调整参数配置，以适应不同的业务需求。同时，建议结合实际案例进行深入研究，进一步探索模型的潜力和局限性。
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