Анализ набора данных о продажах тако
Описание
Тако — не просто еда, а культурный феномен. Их любят в уличных палатках Мехико, подают в модных заведениях Нью-Йорка и готовят дома миллионы людей по всему миру. Тако стали неотъемлемой частью гастрономического ландшафта Америки, символом простоты, вкуса и локальной кухни. Они бывают разными: с курицей, говядиной, свининой, с множеством начинок или вовсе без них — и всё это влияет на предпочтения покупателей и их поведение.
В 2024–2025 годах рынок доставки тако пережил настоящий всплеск активности. В условиях конкуренции между ресторанами, сезонных колебаний спроса и роста популярности онлайн-доставки стало особенно интересно заглянуть за кулисы — в сами данные. Какие тако продаются чаще всего? Где заказывают самые дорогие блюда? Сколько времени занимает доставка и зависит ли это от расстояния или выходного дня?
В связи с этим я решил провести анализ набора данных о продажах тако: изучить распределение заказов по типам и размерам, города с наибольшей выручкой, поведение клиентов в выходные и будни, а также выявить возможные закономерности, которые скрываются за простым «Taco Tuesday».
Цветовая палитра
Круговая диаграмма
import pandas as pd import matplotlib.pyplot as plt
file_path = «taco_sales_(2024-2025).csv» df = pd.read_csv (file_path)
taco_counts = df['Taco Type'].value_counts ()
top_tacos = taco_counts.head (5)
custom_colors = [«FE6309», «99C17A», «FFF4A9», «5F7F3B», «653A1A»]
plt.figure (figsize=(10, 10)) patches, texts, autotexts = plt.pie ( top_tacos, labels=top_tacos.index, autopct='%1.1f%%', startangle=140, textprops={'fontsize': 14}, colors=custom_colors )
for autotext in autotexts: autotext.set_color ('white')
plt.title («Топ-5 типов тако по количеству заказов», fontsize=16, fontweight='bold')
plt.show ()
import pandas as pd import matplotlib.pyplot as plt
file_path = «taco_sales_(2024-2025).csv» df = pd.read_csv (file_path)
df_subset = df[['Order ID', 'Restaurant Name']]
restaurant_counts = df_subset['Restaurant Name'].value_counts ()
custom_colors = [«FE6309», «<99C17A», «FFF4A9», «5F7F3B», «653A1A»]
plt.figure (figsize=(8, 8)) plt.pie ( restaurant_counts.head (5), # Топ-5 ресторанов labels=restaurant_counts.head (5).index, autopct='%1.1f%%', colors=custom_colors, startangle=140 ) plt.title («Распределение заказов по ресторанам», fontsize=14, fontweight='bold') plt.show ()
Для вывода данных я использовала функцию:
file_path = «taco_sales_(2024-2025).csv» df = pd.read_csv (file_path)
Затем я выбрала необходимые столбцы из датасета: 'Order ID' и 'Restaurant Name', чтобы проанализировать, в каких ресторанах было оформлено наибольшее количество заказов.
Далее я оформила круговую диаграмму, задав нужные цвета с помощью параметра colors, а также настроила размер и начертание шрифта с помощью свойств fontsize и fontweight. Для построения диаграммы использовалась функция plt.pie.
Из данных диаграммы можно сделать вывод, что наибольшее количество заказов приходится на 5 ведущих ресторанов. Один или два ресторана явно доминируют по количеству заказов, что может говорить о их популярности, хорошем сервисе или удачном расположении. Остальные рестораны из топ-5 показывают схожие, но несколько более низкие показатели. Эти данные могут быть полезны для оценки конкурентной среды или принятия бизнес-решений в сфере доставки еды.
Категориальная гистограмма
import pandas as pd import matplotlib.pyplot as plt import seaborn as sns
file_path = «taco_sales_(2024-2025) (1).csv» df = pd.read_csv (file_path)
custom_palette = ['FE6309', '99C17A', 'FFF4A9', '5F7F3B', '653A1A']
plt.figure (figsize=(8, 5)) sns.set (style="whitegrid»)
sns.countplot (data=df, x="Taco Type», palette=custom_palette)
plt.title («Количество заказов по типам тако», fontsize=14) plt.xlabel («Тип тако») plt.ylabel («Количество заказов») plt.xticks (rotation=15) plt.tight_layout () plt.show ()
Точечная диаграмма
Гистограмма, отображающая количество заказов по типам тако, показывает, какие виды пользовались наибольшим спросом. Видно, что один или два типа тако значительно преобладают по количеству заказов, в то время как остальные заказываются реже. Это свидетельствует о предпочтениях клиентов — некоторые вкусы явно доминируют, что может быть полезно для оптимизации меню, маркетинга или управления запасами.
import seaborn as sns import matplotlib.pyplot as plt
plt.figure (figsize=(10, 6)) sns.set (style="whitegrid»)
sns.scatterplot ( data=df[df['Taco Type'] == 'Beef Taco'], x="Delivery Duration (min)», y="Distance (km)», color="
FE6309», alpha=0.6, marker='o', edgecolor=None )
plt.title («Время доставки vs Расстояние доставки для Beef Taco», fontsize=14) plt.xlabel («Время доставки (мин)») plt.ylabel («Расстояние (км)») plt.tight_layout () plt.show ()
Диаграмма «Цена vs Расстояние доставки для Beef Taco» показывает, что заказы на этот тип тако распределены в пределах фиксированного ценового диапазона и доставляются преимущественно на расстояния до 5 км. Заметных зависимостей между ценой и расстоянием не наблюдается — дорогие и дешёвые заказы встречаются как при короткой, так и при более длинной доставке. Это указывает на то, что цена Beef Taco не зависит от расстояния, а определяется скорее внутренними характеристиками заказа.
Заключение
Анализ данных продаж тако за период 2024–2025 годов позволил выявить ключевые тенденции в поведении клиентов и характеристиках заказов. Наибольший спрос наблюдается на определённые типы тако, особенно Beef Taco, что подтверждается как гистограммой распределения заказов, так и точечной диаграммой с фильтрацией по типу. Средние значения расстояний доставки и цен остаются в умеренных пределах, причём между ними не выявлено сильной зависимости — дорогие и дешёвые тако доставляются на схожие расстояния. Также был выявлен чёткий диапазон цен, указывающий на стандартизацию прайса, и умеренная удалённость клиентов от точек продаж, что может свидетельствовать о локальном характере бизнеса. Визуализация данных позволила понять структуру спроса, особенности логистики и предпочтения покупателей, а значит, может быть использована для более точного планирования маркетинга, логистических процессов и оптимизации ассортимента.
