本文将使用Python来分析哪些因素是影响餐馆小费的关键因素。
数据导入
导入将要分析的tips数据。用pandas.read_csv()读取数据，并用pandas.head()查看数据的开头5行。可以看到数据有7列，分别是账单总额 (total_bill)，所付小费 (tip)，性别 (sex)，是否吸烟 (smoker)，星期几 (day)，晚餐还是午餐 (time)和用餐人数 (size)。
import pandas as pd
tips = pd.read_csv('tips.csv')
tips.head()
影响餐馆小费的因素
首先，计算小费的比例，并在在数据中添加小费比例 (tip_pct) 这一列。
tips['tip_pct'] = tips['tip'] / tips['total_bill']
tips.head()
性别对小费的影响
消费数据中分别包含了男性和女性的小费支出情况，我们可以使用Pandas中的groupby方法，将数据按照性别拆分成男性和女性两组。接着使用agg方法导入聚合函数，分别计算男性和女性的小费比例的均值，最大值，最小值和标准差。均值数据显示，男性和女性支付的小费比例相似；标准差数据显示与女性相比较，男性支付的小费比例波动性较大。总体来看，性别不是影响小费的关键因素。
tips.groupby('sex')['tip_pct'].agg(['mean', 'max', 'min', 'std'])
吸烟对小费的影响
我们继续使用groupby的方法，将数据按照“性别”和“是否吸烟”分组，分别计算小费比例的均值，最大值，最小值和标准差。从消费比例均值的计算结果来看，女性吸烟者给的小费比例最高，平均达到18.22%。另外，我们还发现一个有趣的现象：不论是男性还是女性，小费比例最大值和最小值都发生在吸烟者的群体。
tips.groupby(['sex', 'smoker'])['tip_pct'].agg(['mean', 'max', 'min', 'std'])
就餐时间对小费的影响
将数据按照“性别”和“晚餐还是午餐”分组，分别计算小费比例的均值，最大值，最小值和标准差。可以发现，女性和男性小费比例的最大值均出现在晚餐，分别是41.67%和71.03%。均值数据显示，人们在晚餐和午餐时支付的小费比例相似，就餐时间不是影响小费的关键因素。
tips.groupby(['sex', 'time'])['tip_pct'].agg(['mean', 'max', 'min', 'std'])
周末是否小费更多？
使用DataFrame的.value_counts()方法，可以看到周末是餐馆生意最好的时间段，餐馆在周六和周日分别接待了87桌和76桌顾客。
tips['day'].value_counts()
Sat 87
Sun 76
Thur 62
Fri 19
Name: day, dtype: int64
那在周末，是不是顾客给的小费也最多呢？我们用.isin()方法增加一个标量weekend表示是不是周末。
tips['weekend'] = tips['day'].isin(['Sat','Sun'])
tips.head()
将数据按照“性别”和“是不是周末”分组，分别计算小费比例的均值，最大值，最小值和标准差。均值数据显示，人们在周末和非周末时支付的小费比例相似，周末不是影响小费的关键因素。综合前面的数据，发现女性和男性小费比例的最大值有一个共同的特征：周末+晚餐+吸烟。建议餐馆服务员可以留意这类人群，说不定会获得意外的惊喜。
tips.groupby(['sex', 'weekend'])['tip_pct'].agg(['mean', 'max', 'min', 'std'])
平均小费百分比最高的是星期几？
按照“星期几”将数据分组，计算小费百分比的均值。运用.idmax()找到均值最大值的索引值，可以看到星期五的平均百分比最高。周末的到来，提高了人们支付小费的比例。
tip_mean = tips.groupby('day')['tip_pct'].agg(['mean'])
tip_mean['mean'].idxmax()
'Fri'
用餐人数对小费的影响
将数据按照“性别”和“用餐人数”分组，计算小费比例均值和每组人数的桌数。均值显示，不论男性还是女性，一个人就餐时，支付的小费比例最大。但这类客人很少，大部分客人都是两个人就餐，而且两个人就餐的时给出的小费要高于更多人一起就餐的。说明人们在人少时，表现的更为慷慨。
tips.groupby(['sex', 'size'])['tip_pct'].agg(['mean', 'count'])
总结：
通过数据分析，发现餐馆小费受多种因素共同影响，关键的因素组合是：
周末 + 晚餐 + 吸烟
另外，一位到两位就餐的顾客，倾向于支付更多的小费。
虽然拿到的餐馆小费数据比较简单，例如人为的把男性和女性分开就餐。但通过实际运用，我们可以体会到了Python编程在数据分析上的强大，对于商业运营、市场营销等工作具有很好的指导和优化作用。
