合肥市网站建设_网站建设公司_前端开发_seo优化

我将为您创建一个完整的外卖订单分析系统。以下是各个模块的代码：

1. 项目结构

food_analysis_system/

├── main.py # 主程序入口

├── data_processor.py # 数据处理模块

├── analyzer.py # 数据分析模块

├── recommender.py # 推荐系统模块

├── utils.py # 工具函数

├── sample_data.csv # 示例数据

├── README.md # 使用说明

└── knowledge_cards.md # 核心知识点卡片

2. 主要代码文件

main.py - 主程序入口

"""

外卖订单分析系统主程序

功能：读取外卖订单数据，分析用户饮食习惯，提供健康建议

"""

import pandas as pd

from data_processor import DataProcessor

from analyzer import OrderAnalyzer

from recommender import HealthRecommender

from utils import setup_logging, print_welcome

def main():

"""主函数"""

# 设置日志

setup_logging()

# 打印欢迎信息

print_welcome()

try:

# 初始化各模块

processor = DataProcessor()

analyzer = OrderAnalyzer()

recommender = HealthRecommender()

# 加载数据

print("正在加载订单数据...")

df = processor.load_data('sample_data.csv')

if df.empty:

print("数据加载失败或数据为空！")

return

# 数据预处理

print("正在进行数据预处理...")

processed_df = processor.preprocess_data(df)

# 统计分析

print("正在进行统计分析...")

weekly_stats = analyzer.analyze_weekly_frequency(processed_df)

preference_stats = analyzer.analyze_preferences(processed_df)

# 生成报告

print("正在生成分析报告...")

report = analyzer.generate_report(weekly_stats, preference_stats)

print("\n" + "="*50)

print(report)

print("="*50)

# 健康建议

print("\n正在生成健康饮食建议...")

health_advice = recommender.get_health_advice(processed_df, preference_stats)

print("\n健康饮食建议：")

print(health_advice)

# 保存结果

processor.save_results(processed_df, 'processed_orders.csv')

print(f"\n分析结果已保存到 processed_orders.csv")

except Exception as e:

print(f"程序运行出错：{e}")

print("\n感谢使用外卖订单分析系统！")

if __name__ == "__main__":

main()

data_processor.py - 数据处理模块

"""

数据处理模块

负责数据的加载、清洗和预处理

"""

import pandas as pd

import numpy as np

from datetime import datetime

import re

class DataProcessor:

"""数据处理器类"""

def __init__(self):

self.df = None

def load_data(self, file_path):

"""

加载CSV格式的订单数据

Args:

file_path (str): 数据文件路径

Returns:

pandas.DataFrame: 加载的数据框

"""

try:

self.df = pd.read_csv(file_path, encoding='utf-8')

print(f"成功加载 {len(self.df)} 条订单记录")

return self.df

except FileNotFoundError:

print(f"文件 {file_path} 未找到，创建示例数据...")

return self._create_sample_data()

except Exception as e:

print(f"数据加载失败：{e}")

return pd.DataFrame()

def _create_sample_data(self):

"""创建示例数据"""

sample_data = {

'order_id': range(1, 101),

'user_id': ['user001'] * 100,

'order_time': pd.date_range('2024-01-01', periods=100, freq='6H'),

'restaurant': np.random.choice(['麦当劳', '肯德基', '沙县小吃', '兰州拉面',

'黄焖鸡米饭', '麻辣烫', '奶茶店', '水果店'], 100),

'items': np.random.choice([

'汉堡+薯条+可乐', '炸鸡+啤酒', '拌面+卤蛋', '牛肉面+小菜',

'黄焖鸡+米饭', '麻辣烫+饮料', '珍珠奶茶+蛋糕', '水果拼盘'

], 100),

'price': np.random.uniform(15, 80, 100).round(2),

'calories': np.random.randint(300, 1200, 100)

}

self.df = pd.DataFrame(sample_data)

self.df.to_csv('sample_data.csv', index=False, encoding='utf-8')

print("已创建示例数据并保存到 sample_data.csv")

return self.df

def preprocess_data(self, df):

"""

数据预处理

Args:

df (pandas.DataFrame): 原始数据

Returns:

pandas.DataFrame: 处理后的数据

"""

processed_df = df.copy()

# 转换时间格式

processed_df['order_time'] = pd.to_datetime(processed_df['order_time'])

# 提取时间特征

processed_df['weekday'] = processed_df['order_time'].dt.day_name()

processed_df['hour'] = processed_df['order_time'].dt.hour

processed_df['week_of_year'] = processed_df['order_time'].dt.isocalendar().week

# 分类食物类型

processed_df['food_category'] = processed_df['items'].apply(self._categorize_food)

# 计算健康评分

processed_df['health_score'] = processed_df['food_category'].apply(self._calculate_health_score)

return processed_df

def _categorize_food(self, items_str):

"""

根据订单项分类食物类型

Args:

items_str (str): 订单项字符串

Returns:

str: 食物类别

"""

items_lower = items_str.lower()

# 定义关键词映射

categories = {

'高热量快餐': ['汉堡', '炸鸡', '薯条', '可乐', '奶茶', '蛋糕'],

'面食类': ['面条', '拌面', '拉面', '牛肉面'],

'米饭类': ['米饭', '黄焖鸡', '盖饭'],

'轻食沙拉': ['沙拉', '轻食', '蔬菜'],

'汤品类': ['汤', '麻辣烫', '火锅'],

'水果类': ['水果', '果汁']

}

for category, keywords in categories.items():

if any(keyword in items_lower for keyword in keywords):

return category

return '其他'

def _calculate_health_score(self, category):

"""

计算食物健康评分 (1-10分，10分最健康)

Args:

category (str): 食物类别

Returns:

int: 健康评分

"""

score_map = {

'高热量快餐': 3,

'面食类': 6,

'米饭类': 5,

'轻食沙拉': 9,

'汤品类': 7,

'水果类': 10,

'其他': 5

}

return score_map.get(category, 5)

def save_results(self, df, filename):

"""保存处理结果"""

df.to_csv(filename, index=False, encoding='utf-8')

analyzer.py - 数据分析模块

"""

数据分析模块

负责统计分析和模式识别

"""

import pandas as pd

import matplotlib.pyplot as plt

from collections import Counter

import seaborn as sns

class OrderAnalyzer:

"""订单分析器类"""

def analyze_weekly_frequency(self, df):

"""

分析每周点餐频次

Args:

df (pandas.DataFrame): 处理后的数据

Returns:

dict: 周频次统计结果

"""

# 按周统计订单数量

weekly_counts = df.groupby('week_of_year').size().to_dict()

# 按时段统计

hourly_counts = df.groupby('hour').size().to_dict()

# 按星期几统计

weekday_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']

weekday_counts = df['weekday'].value_counts().reindex(weekday_order, fill_value=0).to_dict()

return {

'weekly_total': weekly_counts,

'hourly_distribution': hourly_counts,

'weekday_distribution': weekday_counts

}

def analyze_preferences(self, df):

"""

分析用户偏好

Args:

df (pandas.DataFrame): 处理后的数据

Returns:

dict: 偏好分析结果

"""

# 餐厅偏好

restaurant_counts = df['restaurant'].value_counts().head(5).to_dict()

# 食物类别偏好

category_counts = df['food_category'].value_counts().to_dict()

# 价格偏好

price_stats = {

'平均消费': round(df['price'].mean(), 2),

'最高消费': round(df['price'].max(), 2),

'最低消费': round(df['price'].min(), 2),

'消费中位数': round(df['price'].median(), 2)

}

# 健康评分统计

health_stats = {

'平均健康评分': round(df['health_score'].mean(), 2),

'低健康食品比例': round((df['health_score'] <= 4).sum() / len(df) * 100, 2),

'高健康食品比例': round((df['health_score'] >= 8).sum() / len(df) * 100, 2)

}

return {

'restaurant_preference': restaurant_counts,

'category_preference': category_counts,

'price_preference': price_stats,

'health_stats': health_stats

}

def generate_report(self, weekly_stats, preference_stats):

"""

生成分析报告

Args:

weekly_stats (dict): 周频次统计

preference_stats (dict): 偏好统计

Returns:

str: 格式化报告

"""

report = []

report.append("📊 外卖订单分析报告\n")

# 周频次分析

report.append("【每周点餐频次分析】")

total_orders = sum(weekly_stats['weekly_total'].values())

avg_weekly = round(total_orders / len(weekly_stats['weekly_total']), 1)

report.append(f"• 总订单数：{total_orders} 单")

report.append(f"• 平均每周：{avg_weekly} 单")

# 时段分析

peak_hour = max(weekly_stats['hourly_distribution'], key=weekly_stats['hourly_distribution'].get)

report.append(f"• 高峰时段：{peak_hour}:00-{peak_hour+1}:00")

# 星期分析

peak_day = max(weekly_stats['weekday_distribution'], key=weekly_stats['weekday_distribution'].get)

report.append(f"• 最常点餐日：{peak_day}")

# 偏好分析

report.append("\n【饮食偏好分析】")

# 餐厅偏好

top_restaurant = list(preference_stats['restaurant_preference'].keys())[0]

report.append(f"• 最爱餐厅：{top_restaurant}")

# 食物类别

top_category = list(preference_stats['category_preference'].keys())[0]

report.append(f"• 常吃食物：{top_category}")

# 价格偏好

price_info = preference_stats['price_preference']

report.append(f"• 平均消费：¥{price_info['平均消费']}")

# 健康分析

health_info = preference_stats['health_stats']

report.append(f"• 平均健康评分：{health_info['平均健康评分']}/10")

report.append(f"• 低健康食品占比：{health_info['低健康食品比例']}%")

return "\n".join(report)

recommender.py - 推荐系统模块

"""

健康推荐模块

基于分析结果提供个性化健康建议

"""

import pandas as pd

from datetime import datetime, timedelta

class HealthRecommender:

"""健康推荐器类"""

def __init__(self):

self.healthy_alternatives = {

'高热量快餐': ['轻食沙拉', '蒸蛋羹', '蔬菜汤'],

'面食类': ['全麦面条', '蔬菜拌面', '清汤面'],

'米饭类': ['杂粮饭', '糙米饭', '藜麦饭'],

'汤品类': ['蔬菜汤', '菌菇汤', '冬瓜汤']

}

def get_health_advice(self, df, preference_stats):

"""

生成健康饮食建议

Args:

df (pandas.DataFrame): 处理后的数据

preference_stats (dict): 偏好统计

Returns:

str: 健康建议

"""

advice = []

advice.append("🥗 个性化健康饮食建议\n")

# 基础分析

health_stats = preference_stats['health_stats']

category_pref = preference_stats['category_preference']

# 整体健康评估

if health_stats['平均健康评分'] < 5:

advice.append("⚠️ 您的饮食结构偏向高热量食物，建议增加健康食品比例")

elif health_stats['平均健康评分'] >= 7:

advice.append("✅ 您的饮食结构相对健康，继续保持！")

else:

advice.append("💡 您的饮食结构中等，还有改善空间")

# 具体建议

advice.append("\n【具体改进建议】")

# 针对高频食物类别的建议

for category, count in category_pref.items():

if category in self.healthy_alternatives:

alternatives = "、".join(self.healthy_alternatives[category][:2])

percentage = round(count / sum(category_pref.values()) * 100, 1)

advice.append(f"• {category}占{percentage}%，可尝试：{alternatives}")

# 消费习惯建议

price_info = preference_stats['price_preference']

if price_info['平均消费'] > 50:

advice.append(f"• 您平均消费¥{price_info['平均消费']}，可考虑选择更经济的健康套餐")

# 时间安排建议

weekly_freq = len(df) / 4 # 假设数据为4周

if weekly_freq > 14: # 每天超过2单

advice.append("• 点餐频率较高，建议增加自己做饭的次数")

# 营养平衡建议

advice.append("\n【营养平衡建议】")

advice.append("• 增加蔬菜和水果的摄入比例")

advice.append("• 减少油炸和高糖食品")

advice.append("• 保证蛋白质摄入的多样性")

advice.append("• 控制每餐的分量，避免过量")

# 一周健康菜单建议

advice.append("\n【一周健康菜单参考】")

menu_suggestions = [

"周一：蔬菜沙拉 + 鸡胸肉 + 糙米饭",

"周二：番茄鸡蛋面 + 青菜",

"周三：蒸蛋羹 + 小菜 + 杂粮粥",

"周四：清汤馄饨 + 凉拌黄瓜",

"周五：烤鱼 + 蔬菜 + 藜麦饭",

"周六：蔬菜汤 + 全麦面包 + 水果",

"周日：自制便当（多种蔬菜搭配）"

]

advice.extend(menu_suggestions)

return "\n".join(advice)

utils.py - 工具函数

"""

工具函数模块

包含日志设置、辅助函数等

"""

import logging

from datetime import datetime

def setup_logging():

"""设置日志配置"""

logging.basicConfig(

level=logging.INFO,

format='%(asctime)s - %(levelname)s - %(message)s',

handlers=[

logging.FileHandler('food_analysis.log', encoding='utf-8'),

logging.StreamHandler()

]

)

def print_welcome():

"""打印欢迎信息"""

welcome_msg = """

╔══════════════════════════════════════╗

║ 外卖订单分析系统 v1.0 ║

║ 智能分析饮食习惯 · 科学指导健康生活 ║

╚══════════════════════════════════════╝

"""

print(welcome_msg)

def calculate_bmi(weight, height):

"""

计算BMI指数

Args:

weight (float): 体重(kg)

height (float): 身高(m)

Returns:

float: BMI值

"""

if height <= 0 or weight <= 0:

return 0

return round(weight / (height ** 2), 2)

sample_data.csv - 示例数据

order_id,user_id,order_time,restaurant,items,price,calories

1,user001,2024-01-01 08:30:00,麦当劳,汉堡+薯条+可乐,45.5,850

2,user001,2024-01-01 12:15:00,兰州拉面,牛肉面+小菜,28.0,650

3,user001,2024-01-01 18:20:00,奶茶店,珍珠奶茶+蛋糕,35.0,720

... (更多示例数据在程序中自动生成)

3. README.md - 使用说明

# 外卖订单分析系统

一个基于Python的智能外卖订单分析工具，帮助用户了解自己的饮食习惯，提供个性化的健康饮食建议。

## 功能特点

- 📊 **数据统计**：分析每周点餐频次和时段分布

- 🍜 **偏好分析**：识别用户喜爱的餐厅和食物类型

- 💰 **消费分析**：统计消费金额和价格偏好

- 🏥 **健康评估**：评估饮食健康程度并提供改进建议

- 📈 **可视化报告**：生成详细的分析报告

## 安装依赖

bash

pip install pandas numpy matplotlib seaborn

## 使用方法

1. 直接运行主程序：

bash

python main.py

2. 程序会自动：

- 加载或创建示例数据

- 进行数据预处理和分析

- 生成统计报告和健康建议

- 保存处理结果到CSV文件

## 数据格式

支持CSV格式的输入数据，包含以下字段：

- order_id: 订单ID

- user_id: 用户ID

- order_time: 下单时间

- restaurant: 餐厅名称

- items: 订单商品

- price: 订单金额

- calories: 卡路里(可选)

## 输出结果

- `processed_orders.csv`: 处理后的数据

- `food_analysis.log`: 运行日志

- 控制台显示：分析报告和健康建议

## 自定义数据

将您的外卖订单数据保存为CSV格式，修改`main.py`中的数据文件路径即可分析个人数据。

4. knowledge_cards.md - 核心知识点卡片

# 核心知识点卡片

## 🐍 Python编程基础

### 面向对象编程

- **类与对象**: 使用class关键字定义类，通过实例化创建对象

- **封装**: 将数据和方法包装在类中，提供清晰的接口

- **继承**: 子类可以继承父类的属性和方法

- **应用**: DataProcessor、OrderAnalyzer等都是独立的类

### 模块化设计

- **单一职责原则**: 每个模块只负责一个特定功能

- **松耦合**: 模块间通过明确的接口通信

- **可重用性**: 模块可以在不同项目中重复使用

- **应用**: 数据处理、分析、推荐分别在不同模块实现

## 📊 数据处理与分析

### Pandas数据处理

- **DataFrame**: 二维表格数据结构，类似Excel表格

- **数据清洗**: 处理缺失值、重复值、异常值

- **分组聚合**: groupby()方法进行数据汇总

- **时间序列**: 处理日期时间数据和周期性分析

### 统计分析基础

- **描述性统计**: 均值、中位数、众数等

- **频率分布**: 统计各类别出现的次数

- **相关性分析**: 发现变量间的关联关系

- **趋势分析**: 识别数据的变化模式

## 🤖 人工智能应用

### 规则引擎

- **专家系统**: 基于预设规则进行决策

- **模式匹配**: 识别数据中的特定模式

- **决策树**: 通过条件判断得出结论

- **应用**: 健康建议基于食物分类规则生成

### 推荐系统基础

- **协同过滤**: 基于用户行为的推荐

- **内容过滤**: 基于物品特征的推荐

- **混合推荐**: 结合多种方法的推荐

- **应用**: 根据用户偏好推荐健康替代方案

## 📈 数据可视化思维

### 数据故事化

- **关键指标**: 识别最重要的数据点

- **趋势展示**: 用图表展示数据变化

- **对比分析**: 不同维度的数据比较

- **洞察提炼**: 从数据中发现有价值的信息

### 报告生成

- **结构化表达**: 逻辑清晰的内容组织

- **视觉层次**: 重要信息的突出显示

- **用户友好**: 易于理解的呈现方式

## 🛠️ 软件工程实践

### 代码质量

- **注释规范**: 清晰的代码文档

- **异常处理**: 健壮的错误捕获机制

- **日志记录**: 便于调试和问题追踪

- **测试驱动**: 确保代码可靠性

### 项目管理

- **版本控制**: Git管理代码变更

- **文档编写**: 详细的使用说明

- **用户体验**: 友好的交互界面

- **持续改进**: 根据反馈优化功能

这个完整的外卖订单分析系统具有以下特点：

1. 模块化设计：各功能分离，便于维护和扩展

2. 智能分析：自动识别食物类型，计算健康评分

3. 个性化建议：基于用户数据提供针对性建议

4. 完整文档：包含使用说明和知识点总结

5. 易于使用：开箱即用，支持自定义数据

系统可以帮助用户更好地了解自己的饮食习惯，做出更健康的选择！

关注我，有更多实用程序等着你！