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）

朴灿烈づ我的快乐病毒、 2023-09-30 18:47 2阅读 0赞

> **需要源码和数据集请点赞关注收藏后评论区留言私信~~~**

下面对一组关于全球星巴克门店的统计数据，分析了在不同国家和地区以及中国不同城市的星巴克门店的数量

## 1：导入模块 ##

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

## 2：获取数据 并打印前五行 ##

![22671c6a4ec4459a864732d71a081e4f.png][]

starbucks = pd.read_csv("data//directory.csv")
    starbucks.head()

## 3：数据分析及可视化 ##

首先查看星巴克旗下有哪些品牌，如果我们只关心星巴克咖啡门店，则只需要获取星巴克中Brand的数据集，并查看全世界一共有多少家星巴克门门店

![6ab7112c15304bf8aada726fe98a6235.png][]

# 星巴克旗下有哪些品牌？
    print("星巴克旗下品牌有：\n",starbucks.Brand.value_counts())
    # 把重心放在星巴克的咖啡门店上面，所以只查看Brand是Starbucks的数据集内容。
    coffee = starbucks[starbucks.Brand=='Starbucks']
    # 全世界一共有多少家星巴克门店？
    print("-------------------------")
    print(coffee.shape)

然后查看全世界一共有多少个国家和地区开设了星巴克门店，显示门店数量排名前十和后十的国家和地区

![0ac0d540c2444e0a9baab0d660aae4fe.png][]

![5f9be40f23eb467f8db18ef0fae769fc.png][]

df = starbucks.groupby(["Country"]).size()
    print("全世界一共多少个国家开设了星巴克门店:",df.size)
    df1 = df.sort_values( ascending=False)
    print("排名前10的国家：\n",df1.head(10))
    # 星巴克门店数排名后10的国家
    # df2 = df.sort_values()
    # df2.head(10)
    print("排名后10的国家：\n",df1.tail(10))

然后用柱状图可视化绘制排名前十的分布情况

可见美国和中国是比较多的

![a42c77bde2054e0898b6e76aa079a0b6.png][]

plt.rcParams['font.size'] = 15
    plt.rcParams['font.family'] = 'SimHei'
    # # 拥有星巴克门店最多的国家是哪里？
    # plt.figure(1,figsize=(8,6))
    # count_starbucks =coffee.Country.value_counts()
    # count_top10 = count_starbucks.head(10)
    # print(count_top10)
    # count_top10.plot(kind='bar',rot=0)
    df1.head(10).plot(kind='bar',rot=0)
    plt.title('星巴克门店数排名前10的国家')
    plt.ylabel('Store Counts')
    plt.xlabel('Countries')

还有排名后十的国家

![e766708e9c52425cae656a1e65fa9c50.png][]

# plt.figure(1,figsize=(8,6))
    # count_starbucks =coffee.Country.value_counts()
    # count_last10 = count_starbucks.tail(10)
    # print(count_last10)
    df1.tail(10).plot(kind='bar',rot=0)
    plt.title('星巴克门店数排名后10的国家')
    plt.ylabel('Store Counts')
    plt.xlabel('Countries')

接着显示拥有星巴克门店数量排名前十的城市

![8f6d3c765d964136b764847e66c1d1ea.png][]

可见上海是最多的城市

star = starbucks.dropna(how='any',subset=['City'])
    star.isnull().sum()
    count_starbucks_city = star.City.value_counts()
    print("全世界星巴克门店数量排名前10的城市：\n",count_starbucks_city.head(10))

绘制星巴克门店数量前十的城市分布柱状图

![ff9768e3d5bc481688e8706a803e18d5.png][]

plt.figure(1,figsize=(8,6))
    count_starbucks_city =star.City.value_counts()
    city_top10 = count_starbucks_city.head(10)
    city_top10.plot(kind='bar',rot=30)
    plt.title('拥有星巴克门店最多的10个城市')
    plt.ylabel('Store Counts')
    plt.xlabel('Cities')

可以看到数据不是很规范，城市名称既有中文又有英文，而且上海被存储为ShangHai和Shanghai。 对于上海的问题，我们将拼音全部改为小写即可； 对于中文和拼音混用的问题，可以使用相应的python库（如库pinyin）将中文转换为拼音后作统计

按照星巴克门店在中国的分布情况，统计排名前十的城市

这里使用到了DataFrame.apply(func)方法，该方法将函数func应用到整个DataFrame上， 也可以通过指定axis参数来指定每一行或每一列的数据应用函数func。

接下来使用reset\_index方法将上一步得到的数据封装到一个新的DataFrame中排序即可

![4f2c8858a62d47f9adffd361265c0ba8.png][]

import pinyin
    #选择中国的数据
    df = star[star["Country"]=="CN"]
    
    df1 = df.copy()
    #将城市名改为小写
    df1["City"] = df1["City"].apply(lambda x:x.lower())
    # df1.shape
    # df2 = df1.copy()
    #将汉字城市名改为小写拼音
    df1["City"] = df1["City"].apply(lambda x:pinyin.get(x, format="strip", delimiter="")[0:-3]) #去掉“市”的拼音
    #统计每个城市的星巴克数量
    df1 = df1.groupby(["City"]).size().sort_values( ascending=False)
    df1.head(10)

绘制前十名柱状图

![0edf970dda1246d9872cafa502db48ef.png][]

plt.figure(1,figsize=(8,6))
    df1.head(10).plot(kind='bar',rot=30)
    plt.title('中国拥有星巴克门店最多的10个城市')
    plt.ylabel('Store Counts')
    plt.xlabel('Cities')

最后用饼状图显示星巴克门店的经营方式有哪几种

> Company Owned：公司独资直营，这也是星巴克门店最多的经营方式
> 
> Licensed: 许可经营
> 
> Joint Venture: 合资经营，比如：国内江浙沪地区的星巴克最早就是由星巴克与统一集团联手经营
> 
> Franchise：授权经营，类似麦当劳的经营模式

![f2f4ea3b2ad14db8b33ade25cfb73c45.png][]

plt.figure(1,figsize=(8,6))
    ownership = star['Ownership Type'].value_counts()
    plt.title('星巴克门店所有权类型')
    ownership.plot(kind='pie')

**创作不易 觉得有帮助请点赞关注收藏~~~**

[22671c6a4ec4459a864732d71a081e4f.png]: https://img-blog.csdnimg.cn/22671c6a4ec4459a864732d71a081e4f.png
[6ab7112c15304bf8aada726fe98a6235.png]: https://img-blog.csdnimg.cn/6ab7112c15304bf8aada726fe98a6235.png
[0ac0d540c2444e0a9baab0d660aae4fe.png]: https://img-blog.csdnimg.cn/0ac0d540c2444e0a9baab0d660aae4fe.png
[5f9be40f23eb467f8db18ef0fae769fc.png]: https://img-blog.csdnimg.cn/5f9be40f23eb467f8db18ef0fae769fc.png
[a42c77bde2054e0898b6e76aa079a0b6.png]: https://img-blog.csdnimg.cn/a42c77bde2054e0898b6e76aa079a0b6.png
[e766708e9c52425cae656a1e65fa9c50.png]: https://img-blog.csdnimg.cn/e766708e9c52425cae656a1e65fa9c50.png
[8f6d3c765d964136b764847e66c1d1ea.png]: https://img-blog.csdnimg.cn/8f6d3c765d964136b764847e66c1d1ea.png
[ff9768e3d5bc481688e8706a803e18d5.png]: https://img-blog.csdnimg.cn/ff9768e3d5bc481688e8706a803e18d5.png
[4f2c8858a62d47f9adffd361265c0ba8.png]: https://img-blog.csdnimg.cn/4f2c8858a62d47f9adffd361265c0ba8.png
[0edf970dda1246d9872cafa502db48ef.png]: https://img-blog.csdnimg.cn/0edf970dda1246d9872cafa502db48ef.png
[f2f4ea3b2ad14db8b33ade25cfb73c45.png]: https://img-blog.csdnimg.cn/f2f4ea3b2ad14db8b33ade25cfb73c45.png