1、必要庫的載入

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

2、加載并清洗數據

# 2.1 加載數據
df = pd.read_csv('/home/mw/input/survey6263/mcdonalds.csv')# 2.2 數據清洗
# 2.2.1 檢查缺失值
print('缺失值情況：')
print(df.isnull().sum())
# 2.2.2 處理異常值（年齡范圍在18 - 100歲為合理范圍）
df = df[(df['Age'] >= 18) & (df['Age'] <= 100)]# 查看數據集行數和列數
rows, columns = df.shapeif rows < 100 and columns < 20:# 短表數據（行數少于100且列數少于20）查看全量數據信息print('數據全部內容信息：')print(df.to_csv(sep='\t', na_rep='nan'))
else:# 長表數據查看數據前幾行信息print('數據前幾行內容信息：')print(df.head().to_csv(sep='\t', na_rep='nan'))

3、可視化設置

# 3.1 設置圖片清晰度
plt.rcParams['figure.dpi'] = 300
# 3.2 設置中文字體
plt.rcParams['font.sans-serif'] = ['WenQuanYi Zen Hei']
# 3.3 解決負號顯示問題
plt.rcParams['axes.unicode_minus'] = False

4、顧客基礎特征分析

4.1 顧客年齡分布和性別分布

import matplotlib.pyplot as plt
import seaborn as sns# 年齡分布
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
sns.histplot(df['Age'], bins=20, kde=False)
plt.title('Age distribution')# 性別分布
plt.subplot(1, 2, 2)
gender_counts = df['Gender'].value_counts()
sns.barplot(x=gender_counts.index, y=gender_counts.values)
plt.title('Gender distribution')plt.tight_layout()
plt.show()print('顧客年齡分布：')
print(df['Age'].describe())
print('\n顧客性別分布：')
print(df['Gender'].value_counts())

4.1.1 年齡分布

4.2 顧客光顧頻率與年齡、性別的關系

plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
sns.boxplot(x='VisitFrequency', y='Age', data=df)
plt.title('Frequency VS Age')
plt.xticks(rotation=45)plt.subplot(1, 2, 2)
sns.countplot(x='VisitFrequency', hue='Gender', data=df)
plt.title('Frequency VS Gender')
plt.xticks(rotation=45)plt.tight_layout()
plt.show()print('光顧頻率與年齡的關系：')
print(df.groupby('VisitFrequency')['Age'].describe())
print('\n光顧頻率與性別的關系：')
print(pd.crosstab(df['VisitFrequency'], df['Gender']))

4.2.1 光顧頻率與年齡的關系

4.3 顧客對某快餐店各方面評價的分布

# 提取評價列
evaluation_columns = ['yummy', 'convenient', 'spicy', 'fattening', 'greasy', 'fast', 'cheap', 'tasty', 'expensive', 'healthy', 'disgusting']# 創建畫布
plt.figure(figsize=(15, 10))# 繪制每個評價的分布柱狀圖
for i, column in enumerate(evaluation_columns):plt.subplot(3, 4, i + 1)value_counts = df[column].value_counts()sns.barplot(x=value_counts.index, y=value_counts.values)plt.title(f'{column} distribution')plt.tight_layout()
plt.show()# 查看每個評價的分布情況
for column in evaluation_columns:print(f'{column}評價分布：')print(df[column].value_counts())

4.4 顧客喜好與各評價之間的相關性

import re# 使用正則表達式提取 Like 列中的數字部分并轉換為數值型
df['Like'] = df['Like'].apply(lambda x: int(re.findall(r'\d+', x)[0]))# 將評價列進行編碼
for column in evaluation_columns:df[column] = df[column].map({'Yes': 1, 'No': 0})# 計算相關系數矩陣
correlation_matrix = df[evaluation_columns + ['Like']].corr()# 繪制熱力圖
plt.figure(figsize=(10, 8))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', vmin=-1, vmax=1)
plt.title('Customer preferences VS Reviews')
plt.show()print('顧客喜好與各評價之間的相關系數矩陣：')
print(correlation_matrix.round(2))

5、顧客口味偏好分析

import matplotlib.pyplot as plt# 統計口味相關特征的分布（選取 spicy, yummy, tasty, greasy 作為口味相關特征）
taste_features = ['spicy', 'yummy', 'tasty', 'greasy']
fig, axes = plt.subplots(2, 2, figsize=(12, 8))
axes = axes.ravel()for i, feature in enumerate(taste_features):value_counts = df[feature].value_counts()axes[i].pie(value_counts, labels=value_counts.index, autopct='%1.1f%%', startangle=90)axes[i].set_title(f'{feature} distribution')plt.tight_layout()
plt.show()# 查看具體比例
for feature in taste_features:print(df[feature].value_counts(normalize=True))

6、價格敏感性分析

# 統計認為便宜和昂貴的比例
cheap_counts = df['cheap'].value_counts(normalize=True)
expensive_counts = df['expensive'].value_counts(normalize=True)# 繪制柱狀圖
fig, axes = plt.subplots(1, 2, figsize=(10, 5))axes[0].bar(cheap_counts.index, cheap_counts)
axes[0].set_title('Thinking cheap')
axes[0].set_xlabel('cheap or not')
axes[0].set_ylabel('scale')axes[1].bar(expensive_counts.index, expensive_counts)
axes[1].set_title('Thinking expensive')
axes[1].set_xlabel('expensive or not')
axes[1].set_ylabel('scale')plt.tight_layout()
plt.show()print("認為便宜的比例：")
print(cheap_counts)
print("認為昂貴的比例：")
print(expensive_counts)

7、消費頻率預測

from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score# 對 object 類型數據進行編碼
label_encoders = {}
for column in df.columns:if df[column].dtype == 'object':le = LabelEncoder()df[column] = le.fit_transform(df[column])label_encoders[column] = le# 準備特征和目標變量
X = df.drop(['VisitFrequency', 'Index'], axis=1)
y = df['VisitFrequency']# 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report# 定義不同的模型
models = {'Logistic Regression': LogisticRegression(max_iter=1000),'Decision Tree': DecisionTreeClassifier(),'Random Forest': RandomForestClassifier(),'Support Vector Machine': SVC()
}# 訓練和評估每個模型
for name, model in models.items():model.fit(X_train, y_train)y_pred = model.predict(X_test)accuracy = accuracy_score(y_test, y_pred)print(f'{name} 準確率: {accuracy:.4f}')print(f'{name} 分類報告:\n', classification_report(y_test, y_pred))print('-' * 50)

8、顧客畫像分類

8.1 確定最佳簇數

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score# 嘗試不同的簇數
silhouette_scores = []
for k in range(2, 11):kmeans = KMeans(n_clusters=k, random_state=42)kmeans.fit(X)labels = kmeans.labels_score = silhouette_score(X, labels)silhouette_scores.append((k, score))# 找到最高輪廓系數對應的簇數
best_k, _ = max(silhouette_scores, key=lambda x: x[1])
print(f'最佳簇數: {best_k}')

8.2 不同簇的特征分析

# 使用最佳簇數進行 KMeans 聚類
kmeans = KMeans(n_clusters=best_k, random_state=42)
df['Cluster'] = kmeans.fit_predict(X)# 分析不同簇的特征（以年齡和喜歡程度為例）
cluster_analysis = df.groupby('Cluster').agg({'Age': 'mean','Like': 'mean'
}).reset_index()print(cluster_analysis)

從年齡均值來看，簇 0 的顧客相對年輕，平均年齡約為 31 歲，而簇 1 的顧客平均年齡約為 56 歲，兩者存在明顯的年齡差異。在喜歡程度方面，兩個簇的均值都比較高且較為接近，不過簇 1 的喜歡程度均值略高于簇 0，這可能暗示年齡較大的顧客對相關事物的喜歡程度稍高一些，但差異并不是非常顯著。

8.3 不同簇的年齡和喜歡程度分布可視化

# 繪制不同簇的年齡和喜歡程度分布
plt.scatter(df['Age'], df['Like'], c=df['Cluster'])
plt.xlabel('Age')
plt.xticks(rotation=45)
plt.ylabel('Liking degree')
plt.title('Age VS liking of different clusters')
plt.show()

# 若需要完整數據集以及代碼請點擊以下鏈接
# https://mbd.pub/o/bread/mbd-aJaUlJpt