Python驱动的餐饮企业智能数据分析：从数据清洗到可视化决策全流程实战

引言

在数字化浪潮下，餐饮企业正通过数据驱动决策提升竞争力。Python凭借其强大的数据处理能力，成为餐饮数据分析的首选工具。本文将通过一个完整的实战案例，展示如何利用Python完成餐饮企业从数据清洗、指标计算到可视化分析的全流程，并提供可直接运行的代码及模拟数据集。

一、案例背景

1.1 需求分析

某连锁餐饮企业希望通过数据分析优化经营策略，具体目标包括：

• 区域门店表现评估：识别高/低效门店，优化资源配置
• 菜品结构优化：分析热门菜品与滞销菜品，调整菜单
• 价格策略验证：评估折扣活动对销售额的影响
• 客户消费行为洞察：通过客单价与消费频次分析客户价值

1.2 数据准备

我们将生成包含以下字段的模拟数据集：

• 订单ID：唯一标识
• 门店ID：门店编码
• 菜品ID：菜品编码
• 销售时间：交易发生时间
• 销售金额：订单总金额
• 折扣金额：订单折扣金额
• 客户ID：客户唯一标识

1.2.1 模拟数据生成代码

python">from datetime import datetime, timedelta
import pandas as pd
import numpy as np

# 生成门店数据
num_stores = 100
stores = pd.DataFrame({
   
    'store_id': range(1, num_stores + 1),
    'region': np.random.choice(['华北', '华东', '华南', '西南'], num_stores)
})

# 生成菜品数据
num_dishes = 500
dishes = pd.DataFrame({
   
    'dish_id': range(1, num_dishes + 1),
    'category': np.random.choice(['主食', '小吃', '饮品', '甜点'], num_dishes),
    'price': np.random.uniform(15, 150, num_dishes)
})

# 生成客户数据
num_customers = 5000
customers = pd.DataFrame({
   
    'customer_id': range(1, num_customers + 1),
    'gender': np.random.choice(['男', '女'], num_customers),
    'age_group': np.random.choice(['18-25', '26-35', '36-45', '46+'], num_customers)
})

# 生成订单数据
num_orders = 100000
start_date = datetime.now() - timedelta(days=365)  # 一年前的日期
end_date = datetime.now()  # 当前日期
date_range = pd.date_range(start=start_date, end=end_date, freq='D')
orders = pd.DataFrame(