读取外卖订单历史数据，统计每周点餐频次和偏好，给出健康饮食建议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

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：

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

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)

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

直接运行主程序：

bash

python main.py

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。

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

📈 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：

模块化设计：各功能分离，便于维护和扩展
智能分析：自动识别食物类型，计算健康评分
个性化建议：基于用户数据提供针对性建议
完整文档：包含使用说明和知识点总结
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！

读取外卖订单历史数据，统计每周点餐频次和偏好，给出健康饮食建议