pandas每天一题-探索分析：找出最受欢迎的二次点餐菜式

前面我们一直在讲解 pandas 数据处理的各种知识点，现在开始就应用上这些知识点来探索一下点餐数据。

本系列计划每天更新一期，希望各位小伙伴先自行思考，再查看答案。如果对你有帮助，记得转发推荐给你的好友！

上期文章：pandas每天一题-探索分析：找出哪些菜式做成套餐能大卖

后台回复"数据"，可以下载本题数据集

如下数据：

import pandas as pd
import numpy as np
from itertools import combinations

df = pd.read_csv('chipotle.tsv',
                 sep='\t',
                 converters={'item_price': lambda x: float(x[1:-1])})

df

数据描述：

• 此数据是订单明细表。一个订单会包含很多明细项，表中每个样本(每一行)表示一个明细项
• order_id 列存在重复
• item_name 是品类名称，例如"罐装饮料"
• quantity 是明细项数量
• item_price 是该明细项的总价钱
• choice_description 是每一项更详尽的描述，例如："雪碧"

例如， 某个单子中，客人点餐

• 牛排玉米饼
• 烧烤玉米饼
• 1罐可乐
• 1罐雪碧

于是产生了4行记录：

前面章节讲解过的知识点，本文不再讲解！

需求：

有一次你巡店，无意间看到某客人喝完了一瓶可乐，意犹未尽，再下单点了一瓶。

由此你突发奇想，有哪些品类最常被二次点餐？

说不定能搞一个"二次点餐优惠包"，能进一步提升销量

下面是答案了

理解数据

在同一个订单中，重复出现的品类，被视为二次点餐。

就算不看数据，凭感觉应该能想到饮料应该是最常见的二次点餐商品：

def each(xdf):
    return (xdf['choice_description']=='[Coke]').sum()>1

df.groupby('order_id').filter(each)

• 行4：groupby + filter 可以筛选出符合条件的组。这里的条件我们使用自定义函数编写
• 行2：找出具体食物是可乐，并且记录数多于1条

你可能觉得是不是这桌是2个人，并且都点了可乐？

如果是这样子，那么应该只有一笔可乐记录，quantity(数量)为2：

def each(xdf):
    return (xdf.eval("choice_description=='[Coke]' and quantity>1")).any()

df.groupby('order_id').filter(each)

• 上图 270 订单，就很可能是3个人来吃饭。其中2个人点了可乐，1个人点了瓶装水

下一节我们将探索就餐人数的问题，这里不展开

品类统计

由于 choice_description 字段有缺失，并且需要很多数据清洗操作才能合理使用。

由此本节我们只对 item_name 做分析。

结合 item_name 与 choice_description 字段做分析更合理

按需求，我们需要每个订单为一组，统计里面的品类频数：

df.groupby('order_id')['item_name'].value_counts()

• 这里语义很直观，groupby('order_id')['item_name'].value_counts() 能对每个组的 item_name 字段做数量统计
• 注意此时得到的是一个列数据(Series)

此时我们需要把数量大于1的筛选出来：

ret = df.groupby('order_id')['item_name'].value_counts()
ret[ret>1].to_frame('counts')

也可以这么做：

(
    df.groupby('order_id')['item_name'].value_counts()
    .to_frame('counts')
    .query('counts>1')
)

• 注意此时结果表只有一列(counts)，item_name 是行索引

此时数据的一行表达的是，某品类在某订单中出现二次点餐。

我们只需要进一步对 item_name 再一次统计频数，即可知道哪些品类二次点餐最多：

(
    df.groupby('order_id')['item_name'].value_counts()
    .to_frame('counts')
    .query('counts>1')
    .index.get_level_values('item_name')
    .value_counts()
)

• 行5：上一步的结果的 item_name 是行索引的一层，由此通过 .index 访问行索引，通过 get_level_values 获取指定层的值
• 行6：统计数量

你可能觉得我太历害了，竟然知道这种方法名字。

实际上我是记不住这么多方法名字，我只记忆关键词，比如这里是多层索引的层级——level。使用我的小工具：

利用上一节的知识，做一个简单的条形图：

(
    df.groupby('order_id')['item_name'].value_counts()
    .to_frame('counts')
    .query('counts>1')
    .index.get_level_values('item_name')
    .value_counts()
    .head(5).sort_values()
    .plot.barh()
)

这个结果其实很不合理，原因在于我们是用品类进行统计，很多不同的菜式都属于同一个品类。

如果我们使用具体菜式名字进行统计，会得到以下图表：

• 此时可乐就出现在榜单上。
• 可以看到未经清洗的数据也有很多不合理的地方。比如第一第二名是差不多的东西，看起来他们是一个套餐(沙拉+米饭+其他菜式)
• 注意此时的数量就比较合理

这份数据还有更多有趣的探索，下一节继续，记得点赞三连！！！！

推荐阅读：

1. Python+PowerBI探索分析，看图表，说数据。解析泰坦尼克号中谁能被获救——分析篇