作者:Mika
数据:真达
后期:泽龙
【导读】
随着自热食品越来越备受消费者的追捧,各种自热小火锅、自热米饭也成了妥妥的网红食品。我们今天就来聊一聊自热食品。
python技术部分请直接看第三部分。
Show me data,用数据说话
今天我们聊一聊 自热食品
疫情期间,在宅在家里的日子,主打一人食概念的自热食品备受关注。自热火锅、自热米饭、即食酸辣粉、即食螺蛳粉等方便食品的销量迎来大幅度增长。光是今年春节,自热火锅的销售暴涨就惊起讨论无数。
自热火锅,自热米饭们就这么成为了新的网红食品,持续霸占着电商销售量榜首,你吃过自热火锅吗?哪款自热食品卖得最好?今天我们就带你用数据来解读这些自热食品。
01“万物皆可自热”
自热食品就这么火了
随着自热食品越来越备受消费者的追捧,各种自热小火锅、自热米饭也成了妥妥的网红食品。一时间,各种自热食品品牌如雨后春笋涌出。自热食品的市场规模也逐年扩大,预计今年将达到40亿元。
来源:《自热食品网络关注度分析报告》—微热点大数据研究院
超市里曾经被泡面牢牢占据的方便食品货架,迅速被自热火锅、自热米饭、自热面抢走半壁江山。
目前自热食品的入局企业不仅有传统的火锅巨头,如海底捞、小龙坎;还有像三只松鼠、良品铺子等零食厂商;同时还有像自嗨锅莫小仙等主打速食品类的新兴品牌。
根据莫小仙的数据,在疫情期间的整体销量同比增长近400%。而自嗨锅3月份公布的数据显示,其线上订单量在疫情期间增长了200%-300%。
其实像外卖、速冻、泡面和眼下潮头上的各种自热锅,本质都是“懒人经济”。同样是方便食品,泡个面还得烧水,速冻食品还得开火加热,而自热锅多方便,比起方便面自热锅在选择上好歹有肉有菜有饭有面,选择上略胜一筹。
02全网哪款自热火锅卖得最好?
我们使用Python获取了淘宝网自热食品相关的商品销售数据,共有4403条数据。
自热食品品类月销量
首先我们看看自热食品都有哪些类别。我们可以看到,卖得最好的是各种自热火锅,以超过190多万的月销量一骑绝尘。排在第二位的是自热米饭,销售量超过64万。排在后面的还有自热方便面、自热粉丝、自热烧烤等等。
哪款自热食品卖的最好?
那么都是哪些自热食品卖得最好呢?下面看到产品月销量排名top10。排在前三位的月销量都超过了12万,分别是椒吱自热小火锅、阿宽自热米饭和辣味客重庆自热小火锅。
自热食品店铺销量排行
都是哪些店铺占据着自热食品销量的前列呢?
通过分析我们发现,卖的做多的是天猫超市。那么具体的店铺方面,前三位分别是莫小仙、自嗨锅以及川蜀老味道。辣味客、白家陈记等店紧随其后。
自热食品标题词云
整理自热食物的标题后我们发现:“即时”、“速食”、“自热”、“懒人”等词都常常出现,果然是懒人经济,就是讲究个方便和快速,让你撕开包装,不需过多的操作就能吃上。类别上主要集中在“火锅”、“米饭”、“麻辣烫”、“面类”等。
自热食品店铺地区分布
这些自热食品的店铺都分布在哪些地区呢?从销量靠前的商品我们也可以猜到,这方面四川绝对是霸主,全网的自热食品店铺数量排名中,四川以1140家店铺称霸。
其次广东和上海分别以1007和1002家店位居二三。
自热食品都卖多少钱?
再看到自热食品的价格,可以看到30元以下的超过了半数,占比62.78%。这也是大众普遍能接受的价格,价格再高的话还不如点份外卖了。
03教你用Python分析
全网自热食品数据
我们使用Python获取了淘宝网自热食品相关的商品销售数据,进行了以下数据分析。
1数据读入
首先导入所需包:
# 导入包 import numpy as np import pandas as pd import time import jieba import os from pyecharts.charts import Bar, Line, Pie, Map, Page from pyecharts import options as opts import stylecloud from IPython.display import Image
使用循环读入数据集,查看一下数据集大小,可以看到一共有4403条数据。
file_list = os.listdir('../data/') df_all = pd.DataFrame() # 循环读入 for file in file_list: df_one = pd.read_excel(f'../data/{file}') df_all = df_all.append(df_one, ignore_index=True) print(df_all.shape)
(13984, 6)
预览一下数据。
df_all.head()
2数据预处理
我们对数据集进行以下处理,以便我们后续的可视化分析工作,经过处理之后的数据共8418条。
# 去除重复值 df_all.drop_duplicates(inplace=True) # 删除购买人数为空的记录 df_all = df_all[df_all['purchase_num'].str.contains('人付款')] # 重置索引 df_all = df_all.reset_index(drop=True) df_all.info()
<class 'pandas.core.frame.DataFrame'> RangeIndex: 8418 entries, 0 to 8417 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 category 8418 non-null object 1 goods_name 8418 non-null object 2 shop_name 8418 non-null object 3 price 8418 non-null float64 4 purchase_num 8418 non-null object 5 location 8418 non-null object dtypes: float64(1), object(5) memory usage: 394.7+ KB
# 提取数值 df_all['num'] = df_all['purchase_num'].str.extract('(\d+)').astype('int') # 提取单位 df_all['unit'] = df_all.purchase_num.str.extract(r'(万)') df_all['unit'] = df_all.unit.replace('万', 10000).replace(np.nan, 1) # 重新计算销量 df_all['true_purchase'] = df_all['num'] * df_all['unit'] # 删除列 df_all = df_all.drop(['purchase_num', 'num', 'unit'], axis=1) # 计算销售额 df_all['sales_volume'] = df_all['price'] * df_all['true_purchase'] # location df_all['province'] = df_all['location'].str.split(' ').str[0] df_all.head()
此部分部分主要对以下的维度数据进行汇总和可视化分析,以下展示关键部分:
cat_num = df_all.groupby('category')['true_purchase'].sum() cat_num = cat_num.sort_values(ascending=False) # 条形图 bar1 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px')) bar1.add_xaxis(cat_num.index.tolist()) bar1.add_yaxis('', cat_num.values.tolist()) bar1.set_global_opts(title_opts=opts.TitleOpts(title='自热食品细分品类月销量表现'), xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=0)), visualmap_opts=opts.VisualMapOpts(max_=1960179.0) ) bar1.render()
shop_top10 = df_all.groupby('shop_name')['true_purchase'].sum().sort_values(ascending=False).head(10) shop_top10.sort_values(inplace=True) # 条形图 bar2 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px')) bar2.add_xaxis(shop_top10.index.tolist()) bar2.add_yaxis('', shop_top10.values.tolist()) bar2.set_global_opts(title_opts=opts.TitleOpts(title='自热食品各店铺月销量排行Top10'), ) bar2.set_series_opts(label_opts=opts.LabelOpts(position='right')) bar2.set_colors(['#50A3BA']) bar2.reversal_axis() bar2.render()
province_top10 = df_all.province.value_counts()[:10] # 条形图 bar3 = Bar(init_opts=opts.InitOpts(width='1350px', height='750px')) bar3.add_xaxis(province_top10.index.tolist()) bar3.add_yaxis('', province_top10.values.tolist()) bar3.set_global_opts(title_opts=opts.TitleOpts(title='各省份自热食品店铺数量排行Top10'), visualmap_opts=opts.VisualMapOpts(max_=1140) ) bar3.render()
province_num = df_all.groupby('province')['true_purchase'].sum().sort_values(ascending=False) # 地图 map1 = Map(init_opts=opts.InitOpts(width='1350px', height='750px')) map1.add("", [list(z) for z in zip(province_num.index.tolist(), province_num.values.tolist())], maptype='china' ) map1.set_global_opts(title_opts=opts.TitleOpts(title='全国自热食品店铺月销量分布'), visualmap_opts=opts.VisualMapOpts(max_=500000), ) map1.render()
# 分箱 bins = [0,30,50,100,150,200,500,1000,9999] labels = ['0-30元', '30~50元', '50-100元', '100-150元', '150-200元', '200-500元', '500-1000元', '1000-8800'] df_all['price_cut'] = pd.cut(df_all.price, bins=bins, labels=labels, include_lowest=True) price_num = df_all['price_cut'].value_counts() # 数据对 data_pair2 = [list(z) for z in zip(price_num.index.tolist(), price_num.values.tolist())] # 绘制饼图 pie2 = Pie(init_opts=opts.InitOpts(width='1350px', height='750px')) pie2.add('', data_pair2, radius=['35%', '60%']) pie2.set_global_opts(title_opts=opts.TitleOpts(title='自热食品都卖多少钱?'), legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_left='2%')) pie2.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}:\n{d}%")) pie2.set_colors(['#EF9050', '#3B7BA9', '#6FB27C', '#FFAF34', '#D8BFD8', '#00BFFF']) pie2.render()
结语:
最后在说道自热食品,虽然说宅家时,打开包装稍等一会儿就能吃上热腾腾的小火锅或米饭,真的是太方便了。但是同时,关于自热食品安全隐患的消息也频出,在食物的种类和口感上更是比不上自己做的或外面吃的新鲜食材了。对自热食品你是怎么看的呢?欢迎留言告诉我们哦。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14