【数据分析实战】冰雪大世界携程景区游客客源分布pyecharts地图

本文主要是介绍【数据分析实战】冰雪大世界携程景区游客客源分布pyecharts地图,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

    • 引言
      • 数据集展示
      • Python代码
      • 可视化展示
        • 本人浅薄分析
    • 写在最后

今年冬天,哈尔滨冰雪旅游"杀疯了",在元旦假期更是被南方游客"包场"。据哈尔滨市文化广电和旅游局提供大数据测算,截至元旦假日第3天,哈尔滨市累计接待游客304.79万人次,实现旅游总收入59.14亿元。游客接待量与旅游总收入达到历史峰值。

“不是北欧去不起,而是哈尔滨更有性价比。”
“零下二十摄氏度,我在哈尔滨当‘俄式公主’。”

引言

上一期我们分享了景区用户评价数据可以从哪些维度去分析,如词云、情感等;
【数据分析实战】冰雪大世界携程景区评价信息情感分析采集词云

今天我们通过之前采到的评价数据,了解一下哈尔滨的客源是从哪个省市来的。顺便分享一下pyecharts中地图的用法。

注:该分析只包括有ip地的数据

数据集展示

_idpublishTimescorecontentpublishTypeTagipLocatedNametouristTypeDisplay
0180204656/Date(1703671819000+0800)/5太壮观啦,上一次是10年前来的,变化很大…2023-12-27 发布点评上海情侣夫妻

Python代码

# 城市名一定要和地图上显示的对应,不然出不来city_data = [('台湾省', 1)] # 示例数据
special_cases = {'上海': '上海市','北京': '北京市','重庆': '重庆市','内蒙古': '内蒙古自治区','西藏': '西藏自治区','广西': '广西壮族自治区','宁夏': '宁夏回族自治区','新疆': '新疆维吾尔自治区'
}for k, v in pd.value_counts(df['ipLocatedName']).to_dict().items():k = special_cases.get(k, f'{k}省')city_data.append((k, v))
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.globals import ThemeType# 创建地图对象
map = Map(init_opts=opts.InitOpts(theme=ThemeType.ESSOS, height="800px"))# 添加数据到地图
map.add("", city_data, "china")# 设置全局配置
map.set_global_opts(title_opts=opts.TitleOpts(title="【冰雪大世界】接待省域游客分布图",subtitle="数据来源:该统计分析仅包含显示ip所属地的评价数据",pos_right="center",pos_top="5%"),visualmap_opts=opts.VisualMapOpts(max_=139),
)# 在Jupyter Notebook中显示地图
map.render_notebook()

可视化展示

在这里插入图片描述

本人浅薄分析

通过评论的ip地我们知道了各省市前往哈尔滨冰雪大世界旅游的客源数据,分享下我观察到的点:

  1. 本地游客主导:

    • 黑龙江省作为哈尔滨冰雪大世界所在地,也是主要的客源省份,有802人次。可以看出本地居民对于冰雪大世界的强烈兴趣和持续关注。
  2. 大城市客源显著:

    • 上海市和北京市依然居高不下,分别为139人次。这可能受到这两个大城市居民对于冰雪活动的热爱以及便捷的交通条件的影响。
  3. 地域分布广泛:

    • 游客依然来自全国各地,表明哈尔滨冰雪大世界在全国范围内都有较强的吸引力。虽然黑龙江省的游客最多,但其他省市的游客数量也不可忽视。
  4. 地方性游客集中现象:

    • 一些省市的客源较为集中,如吉林省、辽宁省、广东省、江苏省等。这可能与这些地区的宣传力度、旅游市场发展和地理位置有关,有些南方小土豆没见过雪等。
  5. 一些地区游客较少:

    • 一些省份和自治区的客源相对较少,这可能受到地理位置偏远、交通不便等因素的影响。对于这些地区,哈尔滨冰雪大世界可以考虑加强宣传和推广,吸引更多游客。

需要采集数据的可以联系我~

写在最后

通过对冰雪大世界5528条携程用户公开评价的深入分析,我们深入了解了客源的情况,以及景区在哪些地区推广较弱等。

该分析仅供学习交流使用,禁止用于商业用途,不构成任何投资建议。

大数据分析为运营和各行业带来了前所未有的机会,使企业能够更敏锐地洞察市场、优化运营,并更有效地应对竞争和变革。在信息时代,充分利用大数据分析,将成为企业取得竞争优势的不可忽视的关键要素。

本人数据分析领域的从业者,拥有专业背景和能力,可以为您的数据挖掘和分析需求提供支持。期待着能够与您共同探索更多有意义的数据洞见,为您的项目和业务提供数据分析方面的帮助。

创作不易,如果你觉得有帮助,请点个赞支持一下。你的鼓励是我创作的最大动力,期待未来能为大家带来更多有趣的分析文章。感谢大家的阅读和支持!

这篇关于【数据分析实战】冰雪大世界携程景区游客客源分布pyecharts地图的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/619405

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

揭秘世界上那些同时横跨两大洲的国家

我们在《世界人口过亿的一级行政区分布》盘点全球是那些人口过亿的一级行政区。 现在我们介绍五个横跨两州的国家,并整理七大洲和这些国家的KML矢量数据分析分享给大家,如果你需要这些数据,请在文末查看领取方式。 世界上横跨两大洲的国家 地球被分为七个大洲分别是亚洲、欧洲、北美洲、南美洲、非洲、大洋洲和南极洲。 七大洲示意图 其中,南极洲是无人居住的大陆,而其他六个大洲则孕育了众多国家和

C#实战|大乐透选号器[6]:实现实时显示已选择的红蓝球数量

哈喽,你好啊,我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记,这是第6篇; 接下来实现实时显示当前选中红球数量,蓝球数量; 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时,在对应的位置显示实时已选择的红球、蓝球的数量; 02 标签名称 分别设置Label标签名称为:lblRedCount、lblBlueCount

滚雪球学Java(87):Java事务处理:JDBC的ACID属性与实战技巧!真有两下子!

咦咦咦,各位小可爱,我是你们的好伙伴——bug菌,今天又来给大家普及Java SE啦,别躲起来啊,听我讲干货还不快点赞,赞多了我就有动力讲得更嗨啦!所以呀,养成先点赞后阅读的好习惯,别被干货淹没了哦~ 🏆本文收录于「滚雪球学Java」专栏,专业攻坚指数级提升,助你一臂之力,带你早日登顶🚀,欢迎大家关注&&收藏!持续更新中,up!up!up!! 环境说明:Windows 10

springboot实战学习(1)(开发模式与环境)

目录 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 (3)前端 二、开发模式 一、实战学习的引言 (1)前后端的大致学习模块 (2)后端 Validation:做参数校验Mybatis:做数据库的操作Redis:做缓存Junit:单元测试项目部署:springboot项目部署相关的知识 (3)前端 Vite:Vue项目的脚手架Router:路由Pina:状态管理Eleme

Python:豆瓣电影商业数据分析-爬取全数据【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】

**爬取豆瓣电影信息,分析近年电影行业的发展情况** 本文是完整的数据分析展现,代码有完整版,包含豆瓣电影爬取的具体方式【附带爬虫豆瓣,数据处理过程,数据分析,可视化,以及完整PPT报告】   最近MBA在学习《商业数据分析》,大实训作业给了数据要进行数据分析,所以先拿豆瓣电影练练手,网络上爬取豆瓣电影TOP250较多,但对于豆瓣电影全数据的爬取教程很少,所以我自己做一版。 目

深度学习实战:如何利用CNN实现人脸识别考勤系统

1. 何为CNN及其在人脸识别中的应用 卷积神经网络(CNN)是深度学习中的核心技术之一,擅长处理图像数据。CNN通过卷积层提取图像的局部特征,在人脸识别领域尤其适用。CNN的多个层次可以逐步提取面部的特征,最终实现精确的身份识别。对于考勤系统而言,CNN可以自动从摄像头捕捉的视频流中检测并识别出员工的面部。 我们在该项目中采用了 RetinaFace 模型,它基于CNN的结构实现高效、精准的

项目实战系列三: 家居购项目 第四部分

购物车 🌳购物车🍆显示购物车🍆更改商品数量🍆清空购物车&&删除商品 🌳生成订单 🌳购物车 需求分析 1.会员登陆后, 可以添加家居到购物车 2.完成购物车的设计和实现 3.每添加一个家居,购物车的数量+1, 并显示 程序框架图 1.新建src/com/zzw/furns/entity/CartItem.java, CartItem-家居项模型 /***