数据分析_小费数据集描述性分析

项目介绍

众所周知，在西方国家的服务行业中，顾客会给服务员一定金额的小费。本次项目研究对象是餐饮行业收集到的小费数据。

数据获取

本次项目的数据来源是python第三方库seaborn中自带的数据。数据集中含有7个字段，包括有消费总金额(totall_bill)(不含小费)，小费金额(tip)，顾客性别(sex)，消费的星期(day)，消费的时间段(time)，用餐人数(size)，顾客是否抽烟(smoker)

# 设置cell多行输出

from IPython.core.interactiveshell import InteractiveShell 
InteractiveShell.ast_node_interactivity = 'all' #默认为'last'

# 导入相关库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os

# 导入数据集
tips = sns.load_dataset('tips')
tips.head()

	total_bill	tip	sex	smoker	day	time	size
0	16.99	1.01	Female	No	Sun	Dinner	2
1	10.34	1.66	Male	No	Sun	Dinner	3
2	21.01	3.50	Male	No	Sun	Dinner	3
3	23.68	3.31	Male	No	Sun	Dinner	2
4	24.59	3.61	Female	No	Sun	Dinner	4

定义问题

本次研究将围绕小费数据集进行。

研究小费金额与消费总金额是否存在相关性？

小费金额与消费的日期，时间段，用餐人数以及顾客是否吸烟是否存在一定的关联？

数据清洗与整理

tips.info()  # 查看数据结构

# 数据结构 (244,7),也就是一共244条数据，包含7个字段的信息
# 从结构数据返回，观察不存在缺失数据，且各列的数据类型也符合实际情况

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 244 entries, 0 to 243
Data columns (total 7 columns):
total_bill    244 non-null float64
tip           244 non-null float64
sex           244 non-null category
smoker        244 non-null category
day           244 non-null category
time          244 non-null category
size          244 non-null int64
dtypes: category(4), float64(2), int64(1)
memory usage: 7.2 KB

tips.isna().sum() # 进一步判断是否存在缺失数据

# 不存在缺失数据

total_bill    0
tip           0
sex           0
smoker        0
day           0
time          0
size          0
dtype: int64

数据探索

1.消费总金额与小费金额的关系

# 小费金额基本情况描述
tips.describe()['tip']

count    244.000000
mean       2.998279
std        1.383638
min        1.000000
25%        2.000000
50%        2.900000
75%        3.562500
max       10.000000
Name: tip, dtype: float64

tips['tip'].hist(bins=20,figsize=(8,6))
plt.xlabel('tip')
plt.ylabel('freq')
plt.title('Basic information of tip amount',pad=12)

# 绘制散点图查看小费金额和消费总金额的关系
sns.set(style='darkgrid',color_codes=True)
sns.lmplot(x="total_bill", y="tip",data=tips,)
plt.title('Relationship between total consumption amount and tip amountt',pad=12)

# 计算两个连续变量(消费总金额和小费金额）的pearson相关系数
corr = np.corrcoef(x=tips.total_bill,y=tips.tip)[0,1]
print('消费总金额与小费金额的相关系数pearson为：%.2f'%corr)

消费总金额与小费金额的相关系数pearson为：0.68

# 计算小费金额占聚合所有费用的百分比(聚合所有费用含消费总金额+小费金额)
tips['percent'] = tips['tip']/(tips['tip']+tips['total_bill'])
tips.head()

	total_bill	tip	sex	smoker	day	time	size	percent
0	16.99	1.01	Female	No	Sun	Dinner	2	0.056111
1	10.34	1.66	Male	No	Sun	Dinner	3	0.138333
2	21.01	3.50	Male	No	Sun	Dinner	3	0.142799
3	23.68	3.31	Male	No	Sun	Dinner	2	0.122638
4	24.59	3.61	Female	No	Sun	Dinner	4	0.128014

# 描述小费百分比的分布情况
tips['percent'].hist(bins=20,figsize=(8,6))
plt.xlabel('percent',labelpad=12)
plt.ylabel('freq',labelpad=12)
plt.title('Tip percentage distribution',pad=12)

1.从数据集所涵盖的数据中，顾客的小费金额最高达到10美金，最少为1美金，大部分小费金额集中在均值3美金附近。

2.从散点图描述两个变量之间的关系可知，小费金额与消费总金额存在正相关的关系，表示消费的金额越多，小费给得越多。

3.其次从直方图可看出，小费金额占聚合所有花费金额的百分比分布基本符合正态分布，大多集中在均值附近，但也有几个异常的点。

2.顾客的性别与小费金额的关系

# 男顾客的小费金额分布情况
male = tips[tips['sex']=='Male']
male['tip'].hist(bins=20,figsize=(8,6))
plt.xlabel('tip')
plt.ylabel('freq')
plt.xlim([1,10])
plt.title('Tip amount distribution of male customers',pad=12)

# 女顾客小费金额分布情况
female = tips[tips['sex']=='Female']
female['tip'].hist(bins=20,figsize=(8,6))
plt.xlabel('tip')
plt.ylabel('freq')
plt.title('Tip amount distribution of female customers',pad=12)

gender = tips.groupby('sex').mean()['tip']

gender.plot(kind='bar',figsize=(8,6),rot=0)
plt.title('Relationship between gender and tip amount',pad=12)
plt.ylabel('tip_for_mean',labelpad=12)

1.从男顾客和女顾客的小费金额分布情况知，男顾客的小费金额最高达到10美金，最少为1美金；而女顾客的小费金额最高为6.5美金，最少同样为1美金。

2.从柱状图反映出，男顾客的小费金额高于女顾客的小费金额。

3.顾客的消费时间段与小费金额的关系

# 查看消费时间段time字段的分类 → 分为2个类别
tips['time'].cat.categories

Index(['Lunch', 'Dinner'], dtype='object')

# 按类别汇总计算平均小费金额
time = tips.groupby('time').mean()['tip']
time

time
Lunch     2.728088
Dinner    3.102670
Name: tip, dtype: float64

time.plot(kind='bar',figsize=(8,6),rot=0)
plt.ylabel('tip_for_mean')
plt.title('Relationship between consumption time and tip amount',pad=12)

很显然，从柱状图的分布看出，顾客晚餐时段的小费金额比午餐时段高

4.顾客聚餐的日期与小费的关系

tips['day'].cat.categories # 查看day字段的分类  

# 返回4个分类，周四，周五，周六，周日

Index(['Thur', 'Fri', 'Sat', 'Sun'], dtype='object')

# 按星期几统计平均小费金额
day = tips.groupby('day').mean()['tip']
day

day
Thur    2.771452
Fri     2.734737
Sat     2.993103
Sun     3.255132
Name: tip, dtype: float64

day.plot(kind='bar',figsize=(8,6),rot=0)
plt.ylabel('tip_for_mean')
plt.title('The relationship between the date of the dinner party and the tip',pad=12)

周四，周五的小费金额是最少的，到了周六的小费金额开始升高，周日的小费金额则为最高的

5.顾客吸烟与否与小费金额的关系

tips['smoker'].cat.categories  # 查看吸烟字段的分类

Index(['Yes', 'No'], dtype='object')

smoker = tips.groupby('smoker').mean()['tip']
smoker=smoker.rename(index={'Yes':'yes_smoker','No':'no_smoker'})
smoker

smoker
yes_smoker    3.008710
no_smoker     2.991854
Name: tip, dtype: float64

smoker.plot(kind='bar',figsize=(8,6),rot=0)
plt.ylabel('tip_for_mean')
plt.title('The relationship between smoking and tip amount',pad=12)

从上图看出，吸烟和不吸烟的顾客的小费金额基本相同，因此，顾客吸烟与否与小费的金额高低没有直接关系

6.聚餐人数与小费金额的关系

size = tips.groupby('size').mean()['tip']
size

size
1    1.437500
2    2.582308
3    3.393158
4    4.135405
5    4.028000
6    5.225000
Name: tip, dtype: float64

size.plot(figsize=(8,6))
plt.ylabel('tip_for_mean')
plt.title('The relationship between the number of diners and the amount of tips',pad=12)

从数据集涵盖的数据看出，1人用餐时小费金额最少，随着聚餐人数的增多，小费的金额也随之上升。

但当聚餐人数达至5人时，小费金额略有下降，而聚餐人数达至6人小费金额达到最高。

总结

1.从数据集所涵盖的数据而言，顾客的小费最低金额为1美元，最高金额可达到10美元。而小费金额与消费总金额成正相关关系，即小费金额会随着消费金额升高而升高。

2.其次，小费金额也与性别和用餐时段、日期有关。从数据集所涵盖的数据而言，男性顾客的小费金额会比女性顾客的高，并且晚餐时段的小费金额会高于午餐时段的小费金额，而且周六日的小费金额更高，尤其是周日的时间。

3.另外，小费金额还和聚餐人数有关，1人用餐时小费金额最少，然而随着聚餐人数的增多，小费随之上升；但当聚餐人数达至5人时，小费金额略有下降，聚餐人数达至6人小费金额达到最高。

4.最后，顾客吸烟与否对小费金额的高低并没有影响。