关于python:数据分析实际案例之pandas在餐厅评分数据中的使用

7次阅读

共计 3423 个字符，预计需要花费 9 分钟才能阅读完成。

为了更好的熟练掌握 pandas 在理论数据分析中的利用，明天咱们再介绍一下怎么应用 pandas 做美国餐厅评分数据的剖析。

数据的起源是 UCI ML Repository，蕴含了一千多条数据，有 5 个属性，别离是：

userID：用户 ID

placeID：餐厅 ID

rating：总体评分

food_rating：食物评分

service_rating：服务评分

咱们应用 pandas 来读取数据：

import numpy as np

path = '../data/restaurant_rating_final.csv'
df = pd.read_csv(path)
df

	userID	placeID	rating	food_rating	service_rating
0	U1077	135085	2	2	2
1	U1077	135038	2	2	1
2	U1077	132825	2	2	2
3	U1077	135060	1	2	2
4	U1068	135104	1	1	2
…	…	…	…	…	…
1156	U1043	132630	1	1	1
1157	U1011	132715	1	1	0
1158	U1068	132733	1	1	0
1159	U1068	132594	1	1	1
1160	U1068	132660	0	0	0

1161 rows × 5 columns

如果咱们关注的是不同餐厅的总评分和食物评分，咱们能够先看下这些餐厅评分的平均数，这里咱们应用 pivot_table 办法：

mean_ratings = df.pivot_table(values=['rating','food_rating'], index='placeID',
                                 aggfunc='mean')
mean_ratings[:5]

	food_rating	rating
placeID
132560	1.00	0.50
132561	1.00	0.75
132564	1.25	1.25
132572	1.00	1.00
132583	1.00	1.00

而后再看一下各个 placeID，投票人数的统计：

ratings_by_place = df.groupby('placeID').size()
ratings_by_place[:10]

placeID
132560     4
132561     4
132564     4
132572    15
132583     4
132584     6
132594     5
132608     6
132609     5
132613     6
dtype: int64

如果投票人数太少，那么这些数据其实是不主观的，咱们来筛选一下投票人数超过 4 个的餐厅：

active_place = ratings_by_place.index[ratings_by_place >= 4]
active_place

Int64Index([132560, 132561, 132564, 132572, 132583, 132584, 132594, 132608,
            132609, 132613,
            ...
            135080, 135081, 135082, 135085, 135086, 135088, 135104, 135106,
            135108, 135109],
           dtype='int64', name='placeID', length=124)

抉择这些餐厅的均匀评分数据：

mean_ratings = mean_ratings.loc[active_place]
mean_ratings

	food_rating	rating
placeID
132560	1.000000	0.500000
132561	1.000000	0.750000
132564	1.250000	1.250000
132572	1.000000	1.000000
132583	1.000000	1.000000
…	…	…
135088	1.166667	1.000000
135104	1.428571	0.857143
135106	1.200000	1.200000
135108	1.181818	1.181818
135109	1.250000	1.000000

124 rows × 2 columns

对 rating 进行排序，抉择评分最高的 10 个：

top_ratings = mean_ratings.sort_values(by='rating', ascending=False)
top_ratings[:10]

	food_rating	rating
placeID
132955	1.800000	2.000000
135034	2.000000	2.000000
134986	2.000000	2.000000
132922	1.500000	1.833333
132755	2.000000	1.800000
135074	1.750000	1.750000
135013	2.000000	1.750000
134976	1.750000	1.750000
135055	1.714286	1.714286
135075	1.692308	1.692308

咱们还能够计算均匀总评分和均匀食物评分的差值，并以一栏 diff 进行保留：

mean_ratings['diff'] = mean_ratings['rating'] - mean_ratings['food_rating']

sorted_by_diff = mean_ratings.sort_values(by='diff')
sorted_by_diff[:10]

	food_rating	rating	diff
placeID
132667	2.000000	1.250000	-0.750000
132594	1.200000	0.600000	-0.600000
132858	1.400000	0.800000	-0.600000
135104	1.428571	0.857143	-0.571429
132560	1.000000	0.500000	-0.500000
135027	1.375000	0.875000	-0.500000
132740	1.250000	0.750000	-0.500000
134992	1.500000	1.000000	-0.500000
132706	1.250000	0.750000	-0.500000
132870	1.000000	0.600000	-0.400000

将数据进行反转，抉择差距最大的前 10：

sorted_by_diff[::-1][:10]

	food_rating	rating	diff
placeID
134987	0.500000	1.000000	0.500000
132937	1.000000	1.500000	0.500000
135066	1.000000	1.500000	0.500000
132851	1.000000	1.428571	0.428571
135049	0.600000	1.000000	0.400000
132922	1.500000	1.833333	0.333333
135030	1.333333	1.583333	0.250000
135063	1.000000	1.250000	0.250000
132626	1.000000	1.250000	0.250000
135000	1.000000	1.250000	0.250000

计算 rating 的标准差，并抉择最大的前 10 个：

# Standard deviation of rating grouped by placeID
rating_std_by_place = df.groupby('placeID')['rating'].std()
# Filter down to active_titles
rating_std_by_place = rating_std_by_place.loc[active_place]
# Order Series by value in descending order
rating_std_by_place.sort_values(ascending=False)[:10]

placeID
134987    1.154701
135049    1.000000
134983    1.000000
135053    0.991031
135027    0.991031
132847    0.983192
132767    0.983192
132884    0.983192
135082    0.971825
132706    0.957427
Name: rating, dtype: float64