Анализ доставки еды

Каждый из нас хоть раз сидя вечером дома думал о том, что бы ему поесть, и зайдя в приложение любой доставки думал: «Это не хочу… И это не то… Может это?…Не, не хочу (((»

Мой проект «А что на ужин?» поможет с этой проблемой, проанализировав заказы из различны ресторанов самых разных кухонь мира.

Для анализа данных я использовала: — pandas для работы с данными — matplotlib.pyplot и seaborn для построения графиков

Материал для анализа (датасет) был взят с сайта Kaggle

Для визуализации своего анализа я использовала готовый набор оттенков «Set2», так как он яркий и соответствует разнообразию кухонь мира, с которыми я работала.

Формат графиков выбраны так, чтобы данные на них были понятны с первого взгляда.

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns

from google.colab import files

uploaded = files.upload ()

Для определения средней стоимости заказа по кухням была использована такая диаграмма для демонстрации разницы в цене.

sns.barplot (x=avg_cost.index, y=avg_cost.values, palette="Set2») plt.xticks (rotation=45) plt.title («Средняя стоимость заказа по типу кухни») plt.ylabel («Средняя стоимость ($)») plt.show ()

Благодаря такой инфографике мы знаем, что самый большой средний чек у Французской кухни, а вот самый маленький — у Вьетнамской.

Для демонстрации топ-10 ресторанов, откуда заказывают люди, был выбрана точечный график.

top10_restaurants = df['restaurant_name'].value_counts ().head (10).reset_index () top10_restaurants.columns = ['restaurant_name', 'order_count']

plt.figure (figsize=(12,6)) sns.scatterplot (x='restaurant_name', y='order_count', size='order_count', sizes=(100, 1000), data=top10_restaurants, hue='order_count', palette='viridis', legend=False) plt.title («Топ-10 ресторанов по количеству заказов») plt.xlabel («Ресторан») plt.ylabel («Количество заказов») plt.xticks (rotation=45) plt.show ()

Теперь мы знаем, что в бургерной ShakeShack точно вкусно, ведь более 200 человек сделали заказ именно там.

Чтобы разобраться в иерархии кухонь мира я использую круговую диаграмму, так как на ней видно не только популярность кухонь, но и соотношение заказов этих самых кухонь.

cuisine_counts = df['cuisine_type'].value_counts ()

plt.figure (figsize=(8,8)) plt.pie (cuisine_counts, labels=cuisine_counts.index, startangle=140, colors=sns.color_palette («Set2»)) plt.title («Распределение заказов по типу кухни») plt.show ()

Америка, Япония и Италия — вот они победители!

Для анализа времени, ушедшего на доставку у разных ресторанов я выбрала тепловую карту, чтобы с первого взгляда понять, где было быстро, а где не очень.

plt.figure (figsize=(12,6)) sns.heatmap (heatmap_data, annot=True, fmt="d», cmap="RdYlGn_r») plt.title («Количество заказов по ресторанам и времени доставки») plt.xlabel («Время доставки (мин)») plt.ylabel («Ресторан») plt.show ()

Благодаря ассоциативным красному и зеленому мы сразу понимаем, какой ресторан не стоит выбирать.

Анализ данных о заказах из ресторанов и визуализация ключевых показателей с помощью графиков и тепловых карт позволили структурировать информацию о поведении клиентов, популярности кухонь и особенностях работы заведений.

В результате исследования стало ясно, какие рестораны наиболее востребованы, как распределяются заказы по ресторанам и какое влияние на общую эффективность доставки оказывают разные показатели. Анализ таких данных мог бы помочь в оптимизации процессов, улучшения планирования и принятия решений в ресторанном бизнесе.