Py数据基础及实战 5

餐饮企业菜品关联分析背景与目标数据探索数据预处理分析与建模模型评价背景近几年，我国餐饮行业的发展形势严峻，经营中的各项成本与费用增加，企业负担加重。菜品销售情况在一定程度上决定了企业是否能盈利，如何提高菜品销售量也是企业所面临的问题。制作套餐是现在企业提高销售量的一种经营方式，即组合销售，又称搭配销售，通常指将相关产品搭配在一起成套销售的方式。组合销售的产品必须是消费者需要并且愿意购买的产品，从而突出组合销售的优点，给客户提供便利，并提升产品销售量。房租高能源价格高人工费用高原材料成本高利润低数据说明某餐饮企业的系统数据库中积累了大量的与客户用餐相关的数据，包括菜品详情表、订单表、订单详情表。菜品详情表（meal_dishes_detail）的数据说明如下。名称含义名称含义id菜品IDpicture_file图片文件dishes_class_id类别IDrecommend_percent推荐度dishes_name菜品名称weight份量price菜品单价taste口味amt_discount折扣额度creation_method制作方法sortorder排序description菜品描述bar_code条码ingredients食材cost成本label标签is_info_menu_item菜单信息dishes_characteristic菜品特色balance_price抵消费用dept_name部门名称pinyin菜品拼音dishes_class_name类别名称stock_count0表示已售完；1表示无限量；<0表示可售分量dept_id部门ID数据说明订单表（meal_order_info）的数据说明。名称含义名称含义info_id订单IDlock_time锁单时间emp_id客户IDcashier_id收银IDnumber_consumers消费人数pc_id终端IDmode消费方式order_number订单号dining_table_id桌子IDorg_id门店IDdining_table_name桌子名称print_doc_bill_num打印doc账单的编码expenditure消费金额lock_table_info桌子关闭信息dishes_count总菜品数order_status0表示未结算；1表示结算；2表示已锁单accounts_payable付费金额phone电话use_start_time开始时间name名字check_closed支付结束

数据说明订单详情表（meal_order_detail）的数据说明。名称含义名称含义detail_id订单详情IDplace_order_time用餐时间order_id订单IDdiscount_amt折扣额度dishes_id菜品IDdiscount_reason折扣说明logicprn_name类别名称kick_back回扣parent_class_name父类名称add_inprice添加价格dishes_name菜品名称add_info添加信息itemis_add是否为添加菜bar_code条形码counts数量picture_file图片amounts销售金额emp_id客户IDcost成本

目标本案例的主要分析目标是找出各菜品间的关系，帮助某餐饮企业制订菜品搭配销售方案。背景与目标数据探索数据预处理分析与建模模型评价数据探索选取原始数据中的订单表、菜品详情表和订单详情表的数据，对每日用餐人数、营业额、菜品的热销度进行探索性分析。分析每日用餐人数和营业额绘制每日用餐人数和营业额的折线图分析菜品热度热销度即在一定时间内产品的销量。根据餐饮企业近31天（即2025年8月1日到2025年8月31日）的菜品销售情况统计每个菜品的热销度，其计算公式如下。经最小-最大标准化后计算得分，最高分为1分，最低分为0分。为某个菜品的销售份数。为该餐饮企业最近31天内有销售记录的菜品中的最大销售份数。

为该餐饮企业最近31天内有销售记录的菜品中的最小销售份数。分析菜品热度订单详情表中的部分菜品名称包含多余的字符，如回车符、换行符等，需要先对菜品名称进行处理，然后再根据订单详情数据计算每个菜品的热销度。热销度前10名的菜品。菜品名称销售数量热销度白饭/大碗3181凉拌菠菜2640.83谷稻小庄2370.74麻辣小龙虾2090.66辣炒鱿鱼1860.58白饭/小碗1850.58芝士烩波士顿龙虾1830.57五色糯米饭(七色)1790.56香酥两吃大虾1740.54焖猪手1700.53分析菜品热度热销度前10名菜品的柱形图背景与目标数据探索数据预处理分析与建模模型评价数据预处理经探索发现部分数据不符合建模需求，因此需要进行数据清洗。同时发现原始数据中缺少毛利率属性，因此需要进行属性构造，通过计算得到菜品的毛利率。数据预处理数据清洗：先删除白饭这个菜品记录，再筛选出订单表和订单详情表中需要分析的属性进行统计计算。属性构造：毛利率是毛利与销售收入（或营业收入）的比值，其中毛利是菜品的单价与菜品成本之间的差额。其中，为某个菜品的毛利率修正系数，其值在0.1到1之间，当值为负时设为0.1；

为某个菜品的单价；为某个菜品的估计成本。数据预处理菜品详情表中的菜品名称也含有回车符和换行符，需要先对其进行删除，再计算每个菜品的毛利率，得到的部分菜品毛利率如下。菜品单价（元）成本（元）毛利率42度海之蓝99500.49北冰洋汽水520.638度剑南春80300.6350度古井贡酒90200.7852度泸州老窖159850.4753度茅台128650.49白饭/大碗1050.5白饭/小碗10.50.5白胡椒胡萝卜羊肉汤35180.49白斩鸡88540.39背景与目标数据探索数据预处理分析与建模模型评价分析与建模在餐饮企业中，将多个菜品进行组合销售往往是有局限性的，所以需要基于原始数据，利用Apriori算法找到各菜品之间的相关关系，再综合考虑菜品热销度、毛利率和店家主推菜品等因素，设置合适的套餐，提高各个菜品的销售量。构建Apriori模型1.构建购物篮数据实现菜品间的关联分析需要找到客户在某个订单中同时点了哪些菜品，即购物篮数据。将数据预处理后的订单详情表中的菜品数据转换为购物篮数据，部分够购物篮数据如下。

012340西瓜胡萝卜沙拉芝士烩波士顿龙虾麻辣小龙虾芝士烩波士顿龙虾水煮鱼1麻辣小龙虾麻辣小龙虾香菇鹌鹑蛋清蒸海鱼葱姜炒蟹2农夫山泉NFC果汁姜葱炒花蟹凉拌菠菜百里香奶油烤红酒牛肉啤酒鸭3番茄炖牛腩水煮鱼哈尔滨啤酒罐装辣炒鱿鱼百威啤酒罐装4凉拌菠菜百里香奶油烤红酒牛肉None爆炒猪肝大理石奶油蛋糕构建Apriori模型2.构建Apriori模型的二元矩阵基于购物篮数据构建Apriori模型的二元矩阵，得到的部分Apriori模型的二元矩阵如下。

西瓜胡萝卜沙拉麻辣小龙虾农夫山泉NFC果汁番茄炖牛腩凉拌菠菜芝士烩波士顿龙虾137111110162010001163010010165100001166000000167000000训练模型取最小支持度为0.01、最小置信度为0.5，对订单详情表中的菜品数据进行关联分析，得到的支持度最高的前10条规则如下。rulesupportconfidence蒙古烤羊腿---凉拌菠菜0.0830.510芹菜炒腰花---凉拌菠菜0.0700.580芹菜炒腰花---焖猪手0.0650.545芹菜炒腰花---自制猪肉脯0.0610.509焖猪手---芹菜炒腰花---自制猪肉脯0.0480.738焖猪手---自制猪肉脯---芹菜炒腰花0.0480.714自制猪肉脯---芹菜炒腰花---焖猪手0.0480.789凉拌菠菜---蒙古烤羊腿---辣炒鱿鱼0.0470.571蒙古烤羊腿---辣炒鱿鱼---凉拌菠菜0.0470.759凉拌菠菜---自制猪肉脯---芹菜炒腰花0.0440.651背景与目标数据探索数据预处理分析与建模模型评价模型评价选取某个菜品的置信度、热销度、毛利率和店家主推度进行综合评分，计算公式如下。其中、，A如下，且。权值越大的指标数值越大，在总体排序中更具优势。综合评分排序并不会完全按照权值大的指标的数值大小进行排序，还会考虑其他指标的影响。模型评价对关联分析结果的前项和后项进行拆分，以便计算每个菜品的综合评分。设置权值、、、，求出每个推荐菜品的综合评分，选取后项为“芹菜炒腰花”的数据，并按综合评分进行降序排序。得到的部分规则数据如下。lhs……supportconfidencesalesrecommendationprofitmark['焖猪手','自制猪肉脯']……0.0480.7140.340.850.56.861['凉拌菠菜','自制猪肉脯']……0.0440.6510.340.850.56.854['自制猪肉脯','辣炒鱿鱼']……0.0360.6180.340.850.56.84['焖猪手','辣炒鱿鱼']……0.0350.5890.340.850.56.838['凉拌菠菜','焖猪手','自制猪肉脯']……0.0340.8420.340.850.56.837['焖猪手','爆炒猪肝']……0.0330.660.340.850.56.835['凉拌菠菜','爆炒猪肝']……0.0320.750.340.850.56.833['爆炒猪肝','自制猪肉脯']……0.0320.5360.340.850.56.833['焖猪手','自制猪肉脯','辣炒鱿鱼