YelpDaset: 酒店管理类数据集10+G

• 线上课程  精选课 | Python网络爬虫与文本数据分析(学术)

• 线下课程  2020杭州Python&Stata数据分析课寒假工作坊

在昨天发的  综述:文本分析在市场营销研究中的应用  里提到了yelp数据集，官网显示"Yelp数据集是我们用于个人，教育和学术目的的业务，评论和用户数据的子集。以JSON文件形式提供，可用于在学习如何制作移动应用程序的同时，向学生介绍数据库，学习NLP或提供示例生产数据。"

yelp官网显示，这个数据集亮点如下：

• 668+w条评论

• 19+w个商业机构

• 20w张图片

• 10个都市区域

• 字段包括:营业时间、是否泊车、可用性和环境

在kaggle上也能看到使用这个数据集的案例，说不定有你需要的分析方法。

我已经从yelp官网下载了数据

参照kaggle的很多例子，咱们也在自己电脑上跑跑简单的分析

business数据读取

kaggle中的数据是csv文件，咱这里是json，略有不同，但读取都可以用pandas读取

1. import pandas as pd

2. #一开始用注释掉的代码，有bug，经过百度找到lines=True解决方案

3. #business = pd.read_json('yelp_dataset/business.json')

4. business = pd.read_json('yelp_dataset/business.json', lines=True)

5. business.head()

评分分布

1. import seaborn as sns

2. sns.color_palette()

1. [(0.12156862745098039, 0.4666666666666667, 0.7058823529411765),

2. (1.0, 0.4980392156862745, 0.054901960784313725),

3. (0.17254901960784313, 0.6274509803921569, 0.17254901960784313),

4. (0.8392156862745098, 0.15294117647058825, 0.1568627450980392),

5. (0.5803921568627451, 0.403921568627451, 0.7411764705882353),

6. (0.5490196078431373, 0.33725490196078434, 0.29411764705882354),

7. (0.8901960784313725, 0.4666666666666667, 0.7607843137254902),

8. (0.4980392156862745, 0.4980392156862745, 0.4980392156862745),

9. (0.7372549019607844, 0.7411764705882353, 0.13333333333333333),

10. (0.09019607843137255, 0.7450980392156863, 0.8117647058823529)]

1. import matplotlib.pyplot as plt

2. import seaborn as sns

3. colors = sns.color_palette()

4. rating = business['stars'].value_counts()

5. rating.sort_index(inplace=True)

6. rating.plot(kind='bar',

7. figsize=(10, 5),

8. color=colors[:9],

9. rot=0) #字体倾斜角度

10. plt.title('Rating Distribution of Yelp',fontweight='bold')

11. plt.show()

行业统计

查看行业店家数量分布

1. import numpy as np

2. business['categories'] = business['categories'].apply(lambda x: x if x else ' ')

3. category_str = ','.join(business['categories'])

4. category_list = category_str.split(',')

5. category_df = pd.DataFrame(category_list, columns=['category'])

6. top15_category = category_df['category'].value_counts()[:15]

7. top15_category

8. top15_category.plot(kind='bar',

9. color=colors[:20],

10. figsize=(20, 10),

11. rot=30,

12. fontsize=20)

13. plt.title('Top 20 Category in Yelp',

14. fontsize=25,

15. fontweight='bold')

16. plt.show()

城市分布

显示yelp中Top20城

1. citys = business['city'].value_counts()[:20]

2. citys.sort_values(ascending=True, inplace=True)#降序，原地修改原始数据

3. citys.plot(kind='barh', #水平条形图

4. figsize=(10, 15),

5. fontsize=20,

6. color=colors[:20])

7. plt.title('Top 20 city in the Yelp',

8. fontsize=20,

9. fontweight='bold')

10. plt.show()

• 线上课程  精选课 | Python网络爬虫与文本数据分析(学术)

• 线下课程  2020杭州Python&Stata数据分析课寒假工作坊

近期文章

jupyter notebook代码获取方式，公众号后台回复关键词“20200103”