🍽️ 一顿饭能讲出多少故事？用 Python 分析“小费数据”，发现人性真相！
❝“你以为只是吃饭付钱？不，这是大数据时代的‘社交实验’。”
今天咱们不聊房价、不谈股市，来聊聊一个看似普通却充满玄机的数据集——小费数据（Tips Dataset）。
别小看这顿饭，它藏着性别、吸烟、时间、人数与慷慨之间的秘密。而我们的主角，正是 Pandas + Matplotlib，它们将带你从“吃喝”走向“洞察”。
🧩 实训目标：用 Python 挖掘一顿饭背后的人性密码
本实训基于 Seaborn 自带的 tips.xls 数据集（已转为 Excel 格式），主要完成：
✅ 数据导入与查看✅ 列名翻译 & 新增字段✅ 条件查询与统计分析✅ 可视化探索变量关系
❝💡 这不是数学作业，是一场关于“谁更愿意给小费”的社会学研究！
🔧 第一步：导入模块 —— “装备齐全才能上战场”
import pandas as pdimport numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] # 中文显示plt.rcParams['axes.unicode_minus'] = False# 负号正常显示%matplotlib inline
❝🎯 解释一下：
- 设置中文字体，防止图表乱码（不然老板看到“Fri”还以为是外星人）
📥 第二步：加载数据 —— 打开“餐厅账本”
fdata = pd.read_excel('D:/dataset/tips.xls')fdata.head()
输出前5行：
❝🍽️ 看起来像不像你周末和朋友聚餐的账单？但注意：这不是一家店的记录，而是数百次用餐的真实数据！
📊 第三步：数据分析大揭秘 —— 从数字里读出人性
（1）先看整体情况：描述统计
fdata.describe()
输出：
❝📈 关键信息：
- 最高小费竟然有 10 元！（这得是多感动的服务员 😂）
（2）改列名：让中文更亲切
fdata.rename(columns={'total_bill': '消费总额','tip': '小费','sex': '性别','smoker': '是否吸烟','day': '星期','time': '聚餐时间段','size': '人数'}, inplace=True)
❝✅ 告别英文列名，现在连妈妈都能看懂你的代码了！
（3）算人均消费：谁才是“人均王者”？
fdata['人均消费'] = round(fdata['消费总额'] / fdata['人数'], 2)fdata.head()
前5行新增“人均消费”列：
❝💡 举个例子：第0行两人花了16.99元，人均8.5元；第1行三人只花10.34元，人均才3.45元——后者更会过日子！
（4）筛选高手：找“抽烟+男性+人均>15”的人
方法1：fdata[(fdata['是否吸烟'] == 'Yes') & (fdata['性别'] == 'Male') & (fdata['人均消费'] > 15)]
方法2：fdata[(fdata.是否吸烟 == 'Yes') & (fdata.性别 == 'Male') & (fdata.人均消费 > 15)]方法3：fdata.query('是否吸烟 == "Yes" & 性别 == "Male" & 人均消费 > 15')
输出结果（共3行）：
❝🕵️♂️ 发现规律了吗？这三位都是周六消费，且金额高达48元以上，人均超16元——妥妥的“高消费烟民男”！
（5）散点图：小费 vs 消费总额 —— 正相关吗？
fdata.plot(kind='scatter', x='消费总额', y='小费')
👉 图形显示：数据点大致呈上升趋势 → 消费越多，小费也越多！
❝🤔 为什么？因为人们通常按比例给小费（比如 15%），所以金额越大，小费自然越高。
（6）谁更慷慨？男 vs 女
fdata.groupby('性别')['小费'].mean()
输出：
性别Female 2.833448Male 3.089618Name: 小费, dtype: float64
❝🚨 结论来了：男性平均小费 3.09 元，女性 2.83 元 → 男性略大方！
（7）星期影响小费吗？—— 周末更舍得？
r = fdata.groupby('星期')['小费'].mean()r.plot(kind='bar', x='星期', y='小费', fontsize=12, rot=30)
📊 柱状图结果：
❝🎉 原因猜测：周六是聚会高峰，情绪高涨，愿意多给一点；周五刚下班，可能只想快点回家。
（8）性别 + 吸烟：组合拳有多猛？
r = fdata.groupby(['性别', '是否吸烟'])['小费'].mean()r.plot(kind='bar', x=['性别', '是否吸烟'], y='小费', fontsize=12, rot=30)
📌 柱状图结果：
- Male + No（不吸烟男性） 最高（约 3.1）
- Female + Yes（吸烟女性） 最低（约 2.7）
❝🧩 有趣现象：不吸烟的男性最慷慨，吸烟的女性最“精打细算”。
（9）午餐 vs 晚餐：哪个时段更“大方”？
r = fdata.groupby('聚餐时间段')['小费'].mean()r.plot(kind='bar', x='聚餐时间段', y='小费', fontsize=15, rot=30)
📈 柱状图结果：
- Dinner（晚餐） 小费明显高于 Lunch（午餐）
❝🍷 合理推测：晚餐通常是正式场合，喝酒聊天氛围好，容易放松心情；午餐匆匆忙忙，只想快点吃完回工位。
🎯 总结：一顿饭里的大数据智慧
| | |
|---|
| .describe() | |
| .rename() | |
| | |
| | |
| | |
| .groupby() | |
| .plot() | |
🧠 学习启示：数据分析不只是写代码
这次实训告诉我们：
✅ 数据是沉默的证人，但它会说话✅ 每一个变量背后都有社会意义✅ 可视化是说服力最强的语言
❝🎮 就像你玩《模拟人生》，每个角色的行为都受环境影响。我们分析的不是数字，是人类行为模式。
💌 给你的建议
- 别怕复杂操作：
.groupby() 和布尔索引是数据分析利器
