第 12 屆 iThome 鐵人賽

DAY 24

AI & Data

看對話學 Python 資料分析，用情境故事帶你入門系列第 24 篇

Day-24 學會進階資料處理(中)，處理數據背後的商業邏輯

12th鐵人賽 python系列文章 python入門

大寶寶

2020-10-03 07:02:56

1404 瀏覽

分享至

如何從數據中解讀，餐廳裡面需要多少個服務生？ Licensed by Adobe Stock

Meiko：「誒，Jason，前兩天我們學會了 pandas ，我覺得其實運用 pandas 不是特別難，難的是要怎麼想到要對資料做什麼樣的處理？」

Jason：「坦白說是這樣沒錯，因為程式的語法就在那邊，如果你不會的話，就上網 Google 一下看更多案例。可是當你得到資料後，要看什麼數據？要怎麼解讀數據？那就是除了寫程式之外，另外一個重要的技術了！」

Meiko：「哈，你也這樣覺得？不過你不是跟餐廳老闆很熟，他應該就會跟你講他想要知道什麼了吧？」

Jason：「對啊，每個老闆都需要的基本能力，就是成本的觀念，進貨的成本、人事的成本、場地租金、水、店、瓦斯。還有現在連宣傳、行銷也都變得很重要了！」

Meiko：「你這樣一說，想起來開餐廳還真的蠻花錢的耶！」

Jason：「對啊，像我剛講的宣傳、行銷，老闆花的每一筆錢，當然都希望可以對收入帶來正面的影響！」

Meiko：「但我們這樣一聊起來，好像又會牽涉到很多東西，能不能從一個簡單的例子下手？」

Jason：「Okay，那我出一個簡單的情境題給你。你要怎麼判斷，餐廳的每個時段需要多少位服務生？」

Meiko：「每個時段需要多少的服務生？應該跟那個時段有多少訂單有關係吧？如果訂單數量多，表示該時段有很多的客人，如果數量少，餐廳就不需要那麼多服務生了，很合理吧！」

Jason：「沒錯，所以我們第一個就來看資料裡面是否有這樣的資訊。」

我大寶寶拉～請下載連結1 和連結2 這 2 個檔案。下載檔案後，再解壓縮，並且上傳到自己的 Colab 檔案上傳區，不知道怎麼做的話，可以參考Day-20上傳檔案的做法！

另外一補充一下連結 1 是在 Day-21，開檔讀檔，學會讀取檔並進行簡單計算(中) 有用到，連結 2 則是在Day-22，開檔讀檔，學會讀取檔並進行簡單計算(下)提到！記得要先看一下Day-23把連結 1 和連結 2 的檔案合併，才能繼續今天的課程內容唷！

Meiko：「這樣看起來，我們應該是要找到有時間的資訊，Day-22你已經跟我講特定的時段，可以知道有多少筆訂單了，感覺現在只要把時段都設定好，比如說從中午 12 點到晚上 12 點，每小時都切分成一個時段區間，就可以了！」

Jason：「每小時都切分，你會怎麼做？」

Meiko：「哈，我想得到要用特定時段，但有 12 個時段，難道要一個個寫？」

Jason：「你先把想法寫出來囉，資料分析可以有兩種角度去看，一個是程式運算的邏輯，還有另外一個能否找到商業價值，我覺得你可以先從找到商業價值開始！」

Meiko：「那你就不要怪我寫出很醜的程式碼囉，哈哈!我目前想到切割成 12 個時段只能先這樣做...」

from datetime import datetime, timedelta

d1 = datetime.strptime('10/1/2020 12:00 PM', '%m/%d/%Y %I:%M %p')
d2 = datetime.strptime('10/1/2020 1:00 PM', '%m/%d/%Y %I:%M %p')
d3 = datetime.strptime('10/1/2020 2:00 PM', '%m/%d/%Y %I:%M %p')
d4 = datetime.strptime('10/1/2020 3:00 PM', '%m/%d/%Y %I:%M %p')
d5 = datetime.strptime('10/1/2020 4:00 PM', '%m/%d/%Y %I:%M %p')
d6 = datetime.strptime('10/1/2020 5:00 PM', '%m/%d/%Y %I:%M %p')
d7 = datetime.strptime('10/1/2020 6:00 PM', '%m/%d/%Y %I:%M %p')
d8 = datetime.strptime('10/1/2020 7:00 PM', '%m/%d/%Y %I:%M %p')
d9 = datetime.strptime('10/1/2020 8:00 PM', '%m/%d/%Y %I:%M %p')
d10 = datetime.strptime('10/1/2020 9:00 PM', '%m/%d/%Y %I:%M %p')
d11 = datetime.strptime('10/1/2020 10:00 PM', '%m/%d/%Y %I:%M %p')
d12 = datetime.strptime('10/1/2020 11:00 PM', '%m/%d/%Y %I:%M %p')
d13 = datetime.strptime('10/1/2020 11:59 PM', '%m/%d/%Y %I:%M %p')

date_mask1 = (pdTotal['time'] < d2) & (pdTotal['time'] > d1)
date_mask2 = (pdTotal['time'] < d3) & (pdTotal['time'] > d2)
date_mask3 = (pdTotal['time'] < d4) & (pdTotal['time'] > d3)
date_mask4 = (pdTotal['time'] < d5) & (pdTotal['time'] > d4)
date_mask5 = (pdTotal['time'] < d6) & (pdTotal['time'] > d5)
date_mask6 = (pdTotal['time'] < d7) & (pdTotal['time'] > d6)
date_mask7 = (pdTotal['time'] < d8) & (pdTotal['time'] > d7)
date_mask8 = (pdTotal['time'] < d9) & (pdTotal['time'] > d8)
date_mask9 = (pdTotal['time'] < d10) & (pdTotal['time'] > d9)
date_mask10 = (pdTotal['time'] < d11) & (pdTotal['time'] > d10)
date_mask11 = (pdTotal['time'] < d12) & (pdTotal['time'] > d11)
date_mask12 = (pdTotal['time'] < d13) & (pdTotal['time'] > d12)


dateMaskList=[date_mask1,date_mask2,date_mask3,date_mask4,date_mask5,date_mask6,date_mask7,
              date_mask8,date_mask9,date_mask10,date_mask11,date_mask12]

lenList=list()
for i in range(len(dateMaskList)):
  date_mask=dateMaskList[i]
  pdTotalResult = pdTotal[date_mask]
  lenList.append(len(pdTotalResult))

print ("--------")
print (lenList)

Jason：「Okay 啊，你講一下上面這段程式碼你做了什麼？」

Meiko：「跟你昨天講的切割時段很像，我只是繼續應用這個做法，最上面 d1~d13就是在設定時間區間，接下來date_mask1~date_mask12則是設定條件，唯一不同的是因為我們總共有 12 個條件，所以我想說把這些條件全部都放到一個dateMaskList裡面，這樣我就可以用for-loop跑過所有的條件!」

Jason：「不錯耶，儘管條件設定的部分，還沒想到更快的做法，可是你已經在搜尋時間區間內有多少訂單用上for-loop了！」

Meiko：「對啊，為了知道最後的結果，我另外在for-loop前設定了一個lenList，然後在for-loop中，得到pdTotalResult之後，把這個結果.append()到lenList。像這樣」

[8, 4, 9, 8, 7, 5, 15, 9, 13, 7, 8, 7]

Jason：「不過，這段結果代表的意思是？」

Meiko：「歐，Jason 你都沒注意在聽我講前面的作法，我不是把這天的資料報表，切割成 12 個時段嗎？所以每個數字，就代表那個時段有多少筆訂單囉！」

Jason：「哈，我故意考你的拉，我想知道你能否馬上說出來這段程式的商業邏輯是什麼？」

Meiko：「歐，早說麻！哈，我有個問題，資料整理出來之後，要怎麼很快知道這筆資料的有什麼特性？」

Jaosn：「你記得我們有講過 pandas 可以用.describe()嗎？」

Meiko：「可是，我上面做出來的結果是 list 怎麼辦？」

Jason：「我們可以先把 list 轉換成 pandas 能夠運作的DataFrame，像這樣」

pdLenList=pd.DataFrame(lenList)
pdLenList.describe()

Jason：「然後我們就可以用.describe()很快知道，這筆資料的最大、最小、平均值和中位數的資訊囉！」

Meiko：「歐，這樣蠻棒的！如果結合原本的lenList資訊，這樣看來，這天晚餐的 6:00 PM ~7:00 PM 的時間，是訂單出現最大值的時段有 15 筆訂單，然後 1:00 PM ~ 2:00 PM 是訂單出現最小值的時段，只有 4 筆訂單。」

Jason：「你還有看到什麼嗎？」

Meiko：「我發現在 8:00 PM ~ 9:00 PM 的時間，訂單數量也滿多的！有 13 張訂單！」

Jason：「這蠻有趣的耶，雖然只有一天的銷售紀錄，但是你有沒有發現，你可以給老闆在服務生人員配置上給出什麼建議？」

Meiko：「這樣看來中午時段過了 1:00 Pm 之後，人力可以少一些，但是晚上 6:00 PM 之後，生意都會蠻好的，可能要多一點人才行！不過 9:00 PM 之後，應該變成宵夜場，好像人力的需求又少一些」

Jason：「我剛剛問了老闆，他說餐廳中午確實有比晚上少一位服務生，看來還蠻符合我們資料分析的結果！」

Meiko：「好棒唷！馬上就得到印證了！不過，我們好像才做了一點點的分析而已耶？」

Jason：「是啊，我們也許可以用一些圖表的方式，再去挖掘看能發現什麼...」

牛刀小試

我大寶寶～拉，今天我們談到處理資料的商業邏輯，並且接續前一天利用時間的關係，設定條件找出餐廳在每個時段的訂單數量，發現在晚餐的時間訂單數量是比較多的狀況，那這樣也要確保當時有足夠的服務生人數，才不會讓來到餐廳的客人抱怨囉！接下來，我們會再介紹 Matplotlib 用圖表的方式，畫出資料間的關係...

你也可以試著想看看 Meiko 在今天寫的條件限制的地方，有沒有辦法加速或是用for-loop來進行，就當作給大家練習囉！

給大寶寶留言、分享、鼓勵

歡迎登入留言跟我分享你的想法唷！(登入不麻煩，點一下 FB 登入就可以留言了！)

1.喜歡這樣方式學 Python 的朋友請留言『+1』
2.如果前面的內容忘記了，趕快看一下大寶寶這一系列的看對話學 Python 資料分析，用情境故事帶你入門的列表！就能夠繼續 Happy Coding 囉！

Day-23 學會進階資料處理(上)，pandas concat 及條件篩選

Day-25 學會進階資料處理(下)，使用 Matplotlib 進行資料觀察

系列文

看對話學 Python 資料分析，用情境故事帶你入門共 30 篇

RSS系列文訂閱系列文

24 人訂閱

完整目錄

直播研討會

{{ item.channelVendor }} {{ item.webinarstarted }} |

直播中

1 則留言

einlin

iT邦新手 5 級 ‧ 2022-01-25 12:32:36

from datetime import datetime

def datetime_fun(time):
  name = datetime.strptime('10/1/2020 ' + time + ' PM', '%m/%d/%Y %I:%M %p')
  return name

def date_mask_fun(last_time,first_time):
  return ((pdTotal['time'] < last_time) & (pdTotal['time'] > first_time))

d_list = ['d1','d2','d3','d4','d5','d6','d7','d8','d9','d10','d11','d12','d13']
dict_time = {}
pdTotalResult = []

for i in range(1,13):
  if i == 12:
    time = str(i-1) + ':59'
  else:
    time = str(i) + ':00'
  dict_time[d_list[i]] = datetime_fun(time)

dict_time[d_list[0]] = datetime_fun('12:00')

for i in range(len(dict_time)):
  if i <= 10:
    date_mask = date_mask_fun(dict_time[d_list[i+1]], dict_time[d_list[i]])
    pdTotalResult.append(len(pdTotal[date_mask]))

print(pdTotalResult)
[8, 4, 9, 8, 7, 5, 15, 9, 13, 7, 8]