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。
my project zradmin front
07-24
my project zradmin front
FINEBI新的体会报告
07-24
FINEBI新的体会报告
基于S7-1200 PLC与TP700触摸屏的配方查询系统：SCL语言实现高效管理和扫码数据处理 v1.0
07-24
利用西门子S7-1200 PLC和TP700触摸屏构建的配方查询系统的实现方法。系统采用SCL语言编写，能够高效管理多达20组配方，支持扫码调用和存储扩展。文中展示了具体的编程思路和技术细节，如配方数据结构的设计、扫码处理函数、触屏交互以及存储空间预警等功能的实现。此外，还讨论了调试过程中遇到的问题及其解决方案，如扫码频率过高的处理方法。 适合人群：熟悉PLC编程和工业自动化领域的工程师，尤其是希望深入了解SCL语言和配方管理系统的人群。 使用场景及目标：适用于需要高效管理加工参数和扫码数据的企业生产环境，旨在提高生产效率和灵活性，减少人工干预，确保配方数据的安全性和准确性。 其他说明：本文不仅提供了详细的代码示例，还分享了许多实用的经验技巧，帮助读者更好地理解和应用相关技术。
Hi3516CV610 SVB电压和寄存器对应关系
07-24
文档中详细列出了产品名称为 Hi3516C、版本为 V610 的相关内容，并对可能出现的标志及其含义进行了说明，还包含修订记录，显示该版本为第 1 次临时版本发布。其核心内容是表 1-1 “SVB 电压和寄存器对应关系表”，该表针对 DVDD 电源，电压范围在 0.8V-1.08V 之间，对应的寄存器地址为 0x11029000，调压时需按照特定步骤操作，即通过调节该地址中 0x0XXX19f5 的 XXX 部分（也就是 SVB_PWM 占空比）来设置 SVB 电压。 表中包含 29 组数据，每组数据均列出了寄存器值、对应的设置电压值以及容忍的误差范围（均为 ±0.030V），例如寄存器值 0x000019f5 对应的设置电压为 1.080V，寄存器值 0x010A19f5 对应的设置电压为 0.800V 等。同时，文档特别说明以上表格内容仅供参考，且仅限用于《Hi3516CV610 硬件设计用户指南 (BGA)》和《Hi3516CV610 硬件设计用户指南 (QFN)》中 “SVB 动态调压” 章节推荐的电阻电容参数 SVB 电路的验证，而用于产品的 SVB 电路解决方案则必须严格遵循这两份硬件设计用户指南中该章节的设计要求，任何自行修改 SVB 电路设计导致的问题，海思公司不承担责任。
微电网优化技术及其算法研究：从Yalmip+Cplex到粒子群与遗传算法的应用 指南
最新发布
07-24
内容概要：本文详细探讨了微电网优化技术及其相关算法的研究，涵盖多种优化方法和技术手段。主要内容包括：（1）使用Yalmip+Cplex进行微电网优化建模，涉及光伏、风电、蓄电池和电网的协调配置；（2）采用粒子群算法优化微电网及综合能源系统，通过群体智能算法优化能源分配；（3）介绍多目标算法优化综合能源系统，以及遗传算法在光伏出力预测和风光负荷典型场景生成中的应用；（4）讨论拉丁超立方抽样方法在生成代表性场景中的作用。每种方法均配有详细的代码分析，帮助读者深入理解其实现细节。 适合人群：对微电网优化技术和算法感兴趣的科研人员、工程师及相关领域的学生。 使用场景及目标：适用于希望深入了解微电网优化技术及其实际应用的人士，旨在提供理论与实践相结合的学习材料，帮助读者掌握不同优化算法的具体实现方式。 其他说明：本文不仅介绍了各种优化算法的基本原理，还提供了相应的代码实例，便于读者动手实践并加深理解。
大型污水处理厂自控系统：基于博图与组态王的技术实现及优化 文档
07-24
大型污水处理厂自动化控制系统的设计与实施，主要采用博图（TIA Portal）和组态王软件进行编程。文中涵盖了从硬件选型如西门子触摸屏KTP1200，到关键控制算法如PID调节的具体实现方法。特别强调了485通信协议的应用及其可靠性保障措施，以及通过VBScript实现的日志记录和报表生成功能。此外，还分享了一些实用的功能模块，如污泥浓度换算、鼓风机能耗计算等，并提供了具体的代码片段供参考。 适用人群：从事工业自动化领域的工程师和技术人员，尤其是对污水处理行业感兴趣的从业者。 使用场景及目标：适用于新建或改造污水处理设施时的自动化控制系统规划与部署。旨在帮助读者掌握如何利用先进的PLC编程工具和SCADA软件来提高生产效率并确保稳定运行。 其他说明：文中提到的所有技术和解决方案都已在实际工程项目中得到验证，能够为类似项目的建设提供宝贵的实践经验。
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