
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
若不方便扫码,搜微信号:CDAshujufenxi
CDA 数据分析师:就业前景广阔的新兴职业 在当今数字化时代,数据已成为企业和组织决策的重要依据。数据分析师作为负责收集 ...
2025-06-30探秘卷积层:为何一个卷积层需要两个卷积核 在深度学习的世界里,卷积神经网络(CNN)凭借其强大的特征提取能力 ...
2025-06-30探索 CDA 数据分析师在线课程:开启数据洞察之旅 在数字化浪潮席卷全球的当下,数据已成为企业决策、创新与发展的核心驱 ...
2025-06-303D VLA新范式!CVPR冠军方案BridgeVLA,真机性能提升32% 编辑:LRST 【新智元导读】中科院自动化所提出BridgeVLA模型,通过将 ...
2025-06-30LSTM 为何会产生误差?深入剖析其背后的原因 在深度学习领域,LSTM(Long Short-Term Memory)网络凭借其独特的记忆单元设 ...
2025-06-27LLM进入拖拽时代!只靠Prompt几秒定制大模型,效率飙升12000倍 【新智元导读】最近,来自NUS、UT Austin等机构的研究人员创新 ...
2025-06-27探秘 z-score:数据分析中的标准化利器 在数据的海洋中,面对形态各异、尺度不同的数据,如何找到一个通用的标准来衡量数据 ...
2025-06-26Excel 中为不同柱形设置独立背景(按数据分区)的方法详解 在数据分析与可视化呈现过程中,Excel 柱形图是展示数据的常用工 ...
2025-06-26CDA 数据分析师会被 AI 取代吗? 在当今数字化时代,数据的重要性日益凸显,数据分析师成为了众多企业不可或缺的角色 ...
2025-06-26CDA 数据分析师证书考取全攻略 在数字化浪潮汹涌的当下,数据已成为企业乃至整个社会发展的核心驱动力。数据分析师作 ...
2025-06-25人工智能在数据分析的应用场景 在数字化浪潮席卷全球的当下,数据以前所未有的速度增长,传统的数据分析方法逐渐难以满足海 ...
2025-06-25评估模型预测为正时的准确性 在机器学习与数据科学领域,模型预测的准确性是衡量其性能优劣的核心指标。尤其是当模型预测结 ...
2025-06-25CDA认证:数据时代的职业通行证 当海通证券的交易大厅里闪烁的屏幕实时跳动着市场数据,当苏州银行的数字金融部连夜部署新的风控 ...
2025-06-24金融行业的大数据变革:五大应用案例深度解析 在数字化浪潮中,金融行业正经历着深刻的变革,大数据技术的广泛应用 ...
2025-06-24Power Query 中实现移动加权平均的详细指南 在数据分析和处理中,移动加权平均是一种非常有用的计算方法,它能够根据不同数据 ...
2025-06-24数据驱动营销革命:解析数据分析在网络营销中的核心作用 在数字经济蓬勃发展的当下,网络营销已成为企业触达消费者 ...
2025-06-23随机森林模型与 OPLS-DA 的优缺点深度剖析 在数据分析与机器学习领域,随机森林模型与 OPLS-DA(正交偏最小二乘法判 ...
2025-06-23CDA 一级:开启数据分析师职业大门的钥匙 在数字化浪潮席卷全球的今天,数据已成为企业发展和决策的核心驱动力,数据分析师 ...
2025-06-23透视表内计算两个字段乘积的实用指南 在数据处理与分析的过程中,透视表凭借其强大的数据汇总和整理能力,成为了众多数据工 ...
2025-06-20CDA 一级考试备考时长全解析,助你高效备考 CDA(Certified Data Analyst)一级认证考试,作为数据分析师领域的重要资格认证, ...
2025-06-20