【数据可视化-103】蜜雪冰城门店分布大揭秘：2025年8月数据分析及可视化
🧑 博主简介：曾任某智慧城市类企业
算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）
💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。
【数据可视化-103】蜜雪冰城门店分布大揭秘：2025年8月数据分析及可视化
- 一、引言
- 二、数据概览
- 三、数据可视化
- 3.1 柱状图：各省门店数据
- 3.2 饼图：各省的门店数量占比
- 3.3 地图（地域分布）
- 3.4 旭日图：各个区门店漏斗图
- 3.5 词云图：城市词云
- 四、可视化大屏
- 五、结论
一、引言
8月27日，蜜雪冰城集团发布了中期业绩报告，2025年上半年营收达到148.75亿元，同比增长39.3%；净利润27.18亿元，同比增长44.1%。股价方面，蜜雪集团在当天的交易中表现强劲，截至收盘时上涨了2.30%，报497.200港元，总市值达到1887亿港元。自3月3日在香港联交所主板成功挂牌上市以来，蜜雪冰城的全球门店数已增至53014家，覆盖中国及12个海外国家。
本文将利用2025年8月统计的中国各省（包括香港、澳门、台湾）蜜雪冰城门店数量的数据集，通过Python和pyecharts库进行深入的可视化分析，从五个维度展示数据，帮助大家更好地理解蜜雪冰城的门店分布情况。
二、数据概览
本文将利用2025年8月统计的中国各省（包括香港、澳门、台湾）蜜雪冰城门店数量的数据集，通过Python和pyecharts库进行深入的可视化分析，从五个维度展示数据，帮助大家更好地理解蜜雪冰城的门店分布情况。具体数据集包含了中国各省及特别行政区的蜜雪冰城门店数量，具体数据如下：
| 地区 | 数量（家） |
|---|---|
| 河南省 | 3185 |
| 山东省 | 2286 |
| 广东省 | 2215 |
| … | … |
三、数据可视化
3.1 柱状图：各省门店数据
柱状图展示了各省的门店数量，从多到少排序，横向展示，使用不同颜色区分各省。
bar = (Bar(init_opts=opts.InitOpts(theme='dark')).add_xaxis(df['地区'].tolist()).add_yaxis("数量（家）", df['数量（家）'].tolist(), color="#FFDD00").reversal_axis()
3.2 饼图：各省的门店数量占比
饼图展示了各省门店数量的占比，帮助我们理解不同省份的门店分布情况。
pie = (Pie(init_opts=opts.InitOpts(theme="dark")).add(series_name="门店数量",data_pair=[(row['地区'], row['数量（家）']) for index, row in df.iterrows()],radius=["30%", "75%"],center=["50%", "50%"],)
)
3.3 地图（地域分布）
地图展示了各省的门店数量分布情况，帮助我们理解地域差异。
map_chart = (Map(init_opts=opts.InitOpts(theme="dark")).add("门店数量", [list(z) for z in zip(df['地区'], df['数量（家）'])], "china")
)
3.4 旭日图：各个区门店漏斗图
旭日图展示了各个区域的门店数量，帮助我们理解不同区域的门店分布情况。
regions = {"华东": ["山东省", "江苏省", "浙江省", "福建省", "上海市"],"华中": ["河南省", "湖北省", "湖南省"]...}sunburst_data = [{"name": "中国", "children": []}]color = {"华东":"#c48ca5", "华中":"#d59d1a", "华南":"#B2BC29"...
}for region, provinces in regions.items():children = []for province in provinces:if province in df["地区"].values: index = df[df["地区"] == province].index[0]children.append({"name": province, "value": int(df.loc[index, "数量（家）"]),"itemStyle": {"color": color.get(region)}})sunburst_data[0]["children"].append({"name": region, "children": children} if children else {"name": region, "value": 0,"itemStyle": {"color": color.get(region)}}))sunburst = (Sunburst(init_opts=opts.InitOpts(theme="dark")).add("", sunburst_data, radius=[0, "90%"]).set_global_opts(title_opts=opts.TitleOpts(title="蜜雪冰城门店分布旭日图"))
)
3.5 词云图：城市词云
词云图展示了门店数量较多的城市名称，直观地反映出城市的门店分布情况。
wordcloud = (WordCloud(init_opts=opts.InitOpts(theme="dark")).add("城市名称", [list(z) for z in zip(df['地区'].tolist(), df["数量（家）"].tolist())],word_size_range=[20, 100])
)
四、可视化大屏
最后，我们将以上五个图表整合到一个可视化大屏中，以便于更直观地进行分析和展示。
page = Page(layout=Page.DraggablePageLayout, page_title="蜜雪冰城门店分布可视化分析")
page.add(bar, pie, map_chart, sunburst, wordcloud)
page.render("mixinbcheng_store_analysis.html")
五、结论
通过以上五个维度的可视化分析，我们可以清晰地看到蜜雪冰城在中国各省的门店分布情况。这种基于数据的分析方法，不仅让数据更直观，也让决策更科学。蜜雪冰城的门店扩张策略和业绩增长，无疑为其在饮品市场的竞争力提供了有力支持。