Python数据可视化：瑞幸会撼动星巴克的行业地位吗？

10月份瑞幸咖啡的酱香拿铁火出圈，让瑞幸再一次出现在聚光灯下，上一次还是财务造假的时候。

这几年国内咖啡市场火热，带动瑞幸在内的很多咖啡品牌飞速发展，从2013年到2023年，预计中国人均咖啡消费量上涨了238%，现在全国合计咖啡门店数量已超10万家，且以每年上万家的数量在增长。

瑞幸咖啡的崛起让我们想到咖啡界的标杆-星巴克，星巴克几乎是过去十几年咖啡的代名词，也是城市白领们的生活方式。

现在出现的现象是，但凡有星巴克门店的地方，几百米内几乎都有瑞幸门店的身影，有的甚至两三个形成包围之势。

下面通过可视化看板和Python数据分析来对比星巴克和瑞幸门店在数量、区域分布上的差异及关联关系。

主要有两点发现：

1、星巴克更集中于长三角、珠三角、京津冀等沿海经济发达地区，特别是一二线城市；瑞幸相比星巴克较为分散，在很多三四线及以下城市也有门店。

2、瑞幸门店选址集中在星巴克周边，数据显示方圆500米范围内，全国平均每个星巴克门店周边有0.6个瑞幸门店。

数据集

因为要对比分析星巴克和瑞幸门店数量和位置，所以数据集主要字段有门店名称、经度、纬度、城市。

❝注：数据集时间为2022年，有20%左右的数量误差❞

全国星巴克咖啡门店数据集：全国瑞幸咖啡门店数据集：

两个数据集都存放在平台上，通过数据视图可以直接查看和使用数据集，后面我们用来搭建数据看板。

因为后面需要Python来处理数据，所以需要通过API数据接口来获取数据，操作起来非常方便，留着后面备用。

import requests
headers = { "x-token": "你的鉴权token" }
response = requests.get("http://app.chafer.nexadata.cn/openapi/v1/sheet/sht22nId5uouP2/records?size=1&page=1", headers = headers)
print(response.json())

星巴克、瑞幸全国门店数对比

截至数据集时间（2022年），星巴克全国门店数量预计4442，瑞幸咖啡全国门店数量预计3904，星巴克门店数比瑞幸多14%。

从量级上来看两者已经很接近，而且瑞幸正以可怕的增长速度扩张门店，以我家附近的商圈为例，去年还只有一家瑞幸，今年已经有三家。

星巴克无论从选址位置、开店成本、门店面积、店员数量上来说都比瑞幸要苛刻一些，瑞幸主打外卖+外带，这也是除市场需求因素外，瑞幸能快速扩张的原因。

星巴克分布全国Top20城市

星巴克门店数量前五的城市是：上海、北京、杭州、深圳、广州。在前二十城市中，长三角有6个，珠三角有5个，京津冀2个。

上海的星巴克门店数量668，是第二名北京2倍之多，同时上海也是全球星巴克门店数量最多的城市，看来魔都人民对咖啡的喜爱名不虚传。

杭州的星巴克数量仅次与上海、北京，高于深圳、广州，杭州的互联网和电商从业者们也比较喜欢星巴克。

瑞幸分布全国Top20城市

瑞幸门店数量前五的城市是：上海、北京、广州、深圳、杭州，与星巴克前五城市一样，但排序略有差异。

在前二十城市中，长三角有6个，珠三角有2个，京津冀2个。

星巴克主要聚集在沿海一二线城市，而瑞幸在内陆城市快速占领市场，瑞幸前20的城市中已经有了合肥、昆明、郑州，而星巴克前20里并没有出现这三个省会城市。

因此瑞幸门店的分布更加分散，没有过度集中在一线城市。

星巴克全国分布热力图

通过星巴克门店热力图也能看到，红色高密度区主要集中在沿海地区，内陆则呈现点状式分布，比较稀疏。

瑞幸全国分布热力图

瑞幸门店分布则更加均匀，除沿海地区，华中地区湖南、安徽、湖北、湖南等也有比较多的门店。

星巴克上海分布热力图

上海是全国咖啡消费需求最大的城市，我们看看星巴克门店在上海的分布情况。

整体上星巴克门店集中在上海市区内环范围，往外以点线式分散，郊区五大新城、浦东机场、虹桥枢纽也是较为集中的区域。

瑞幸上海分布热力图

瑞幸在上海市区内环的集中度没有星巴克那么明显，整体数量上也少很多。

Python数据分析

下面再深入分析星巴克和瑞幸门店的关联关系，我们知道瑞幸咖啡是后起之秀，据说很多门店的选址依据主要看周边是否有星巴克。

那全国范围每个星巴克门店周边平均有多少个瑞幸门店呢？这次从方圆500米范围看看瑞幸在星巴克周边的聚集情况。

我们使用Python和其第三方库shapely来进行处理数据，shapely主要用来处理地理坐标数据。

第一步：导入所需要的库

# 导入相关库
import pandas as pd
import requests
import time 
from shapely.geometry import Point
from shapely.geometry.polygon import Polygon

第二步：从API中抽取数据

    
# 抽取星巴克和瑞幸门店数据，通过下秒机器人API调用
# 抽取星巴克门店数据
headers = { "x-token": "tk7a2980431688455e8976e4bad4d13d6a" }
starbucks_list = []
for i in range(1,10):
    response_1 = requests.get("http://app.chafer.nexadata.cn/openapi/v1/sheet/sht22nId5uouP2/records?size=500&page={0}".format(i), headers = headers)
    starbucks = response_1.json()['data']['list']
    starbucks = pd.DataFrame(starbucks)
    time.sleep(1)
    starbucks_list.append(starbucks)
starbucks = pd.concat(starbucks_list)
# 抽取瑞幸门店数据
luckin_list =[]
for j in range(1,9):
    response_2 = requests.get("http://app.chafer.nexadata.cn/openapi/v1/sheet/sht22nIeomVmYy/records?size=500&page={0}".format(j), headers = headers)
    luckin = response_2.json()['data']['list']
    luckin = pd.DataFrame(luckin )
    luckin_list.append(luckin)
    time.sleep(1)
luckin = pd.concat(luckin_list)

第三步：判断星巴克门店方圆500米范围内的瑞幸门店数

# 根据星巴克咖啡店坐标绘制半径为XX米的地理区域
def circle(data,radius):
    # radius 表示区域半径
    # 给定地理坐标
    center_latitude = float(data['维度'])
    center_longitude = float(data['经度'])
    # 创建圆形区域
    center_point = Point(center_longitude, center_latitude)
    circle = center_point.buffer(radius/111300)
    # 创建多边形区域
    polygon = Polygon(circle.exterior)
    return polygon

# 根据经纬度构建坐标点
def point(data):
    # 给定地理坐标
    center_latitude = float(data['维度'])
    center_longitude = float(data['经度'])
    # 创建坐标点
    center_point = Point(center_longitude, center_latitude)
    return center_point

# 判断瑞幸咖啡店是否在星巴克方圆500m范围内
def is_inside(data):
    polygon = data['Polygon']
    # 判断坐标是否在区域内
    n = 0
    luckin_city = luckin[luckin['城市']==data['城市']]
    for point in luckin_city['Point']:
        is_inside = polygon.contains(point)
        # 打印判断结果
        if is_inside:
            n = n + 1
    return n

# 根据星巴克门店坐标位置绘制方圆半径为500米的地理区域
starbucks['Polygon'] = starbucks.apply(circle,axis=1,args=(500,))

# 根据瑞幸门店经纬度构建坐标点
luckin['Point'] = luckin.apply(point, axis=1)

# 判断瑞幸门店是否在星巴克门店方圆500米范围内
starbucks['Luckin_numbers'


    
] = starbucks.apply(is_inside, axis=1)

数据处理后如下：

第四步：分析数据

1. 方圆500米范围内，全国平均每个星巴克门店周边有0.6个瑞幸门店

# 方圆500米范围内，全国平均每个星巴克门店周边有0.6个瑞幸门店
starbucks['Luckin_numbers'].mean() 

输出：0.6

2. 方圆500米范围内，全国最多的星巴克门店周边有7个瑞幸门店

# 方圆500米范围内，最多的星巴克门店周边有7个瑞幸门店
starbucks['Luckin_numbers'].max()

输出：7

3. 方圆500米范围内，星巴克门店周边平均瑞幸门店数各城市排名，最多的是临沂市，平均每个星巴克门店周边有1.8个瑞幸门店

# 方圆500米范围内，星巴克门店周边平均瑞幸门店数各城市排名
# 最多的是临沂市平均每个星巴克门店周边有1.8个瑞幸门店
city_list = []
for city in pd.unique(starbucks['城市']):
    avg_luckin_numbers = starbucks[starbucks['城市']==city]['Luckin_numbers'].mean()
    starbucks_nums = starbucks[starbucks['城市']==city]['名称'].count()
    city_list.append([city,starbucks_nums,avg_luckin_numbers])

df = pd.DataFrame(city_list,columns=['city','starbucks_nums','avg_luckin_numbers'])
df.sort_values(by=['avg_luckin_numbers'],axis=0,ascending=False)

输出：

看来瑞幸确实与星巴克有着不解的缘分，难怪我们会看到星巴克周边那么多的瑞幸门店。

星巴克门店养成了周边用户喝咖啡的习惯，或者说这里喝咖啡的用户比较多，星巴克才来这里开店，那么在星巴克周边再开瑞幸咖啡，就可以低成本获取一大波潜在用户，尽管有竞争，还是非常值得的。

总   结

我们通过可视化看板和Python数据分析展示了星巴克和瑞幸咖啡门店的区域分布、关联关系，其实还有很多值得分析挖掘的地方。

比如说有些城市星巴克门店周边的瑞幸门店非常少，或者几乎没有，那原因是什么？是潜在的机会还是要规避的深坑？

如果大家有兴趣可以试一试。