Unit 5: 台灣餐廳美食 AI 分析

專案目標

Step 1: 載入餐廳數據

# 匯入資料處理套件
import pandas as pd
# 匯入繪圖套件
import matplotlib.pyplot as plt

# 設定 Matplotlib 中文字型（Windows 使用微軟正黑體）
plt.rcParams['font.sans-serif'] = ['Microsoft JhengHei']
# 解決負號顯示問題
plt.rcParams['axes.unicode_minus'] = False

# 載入 CSV 餐廳數據，使用 UTF-8 BOM 編碼（避免中文亂碼）
df = pd.read_csv('data/restaurants.csv', encoding='utf-8-sig')

# 顯示基本資訊
print(f"載入 {len(df)} 家餐廳資料")
print(f"欄位: {list(df.columns)}")
print(f"\n城市分布:")
# 統計各城市餐廳數量
print(df['City'].value_counts())

Step 2: 基本統計分析

# 使用 groupby 依城市分組，並計算多個聚合統計值
city_stats = df.groupby('City').agg({
    'Rating': ['mean', 'max', 'min'],   # 評分：平均、最高、最低
    'Avg_Price': 'mean',                 # 平均消費金額
    'Review_Count': 'sum'                # 評論總數
}).round(2)  # 四捨五入到小數點後 2 位

print("各城市餐廳統計：")
print(city_stats)

# 篩選高評價餐廳（評分 >= 4.5）
high_rated = df[df['Rating'] >= 4.5]
print(f"\n4.5星以上餐廳: {len(high_rated)} 家")

# 依餐廳類型分組，計算平均評分並排序（由高到低）
cuisine_rating = df.groupby('Cuisine_Type')['Rating'].mean().sort_values(ascending=False)
print("\n各餐廳類型平均評分：")
# 顯示前 5 名
print(cuisine_rating.head())

Step 3: 數據視覺化

# 建立 2x2 子圖佈局，設定畫布大小為 14x10 英吋
fig, axes = plt.subplots(2, 2, figsize=(14, 10))

# 圖表 1：評分分布直方圖
axes[0,0].hist(df['Rating'], bins=20, color='coral', edgecolor='black')
axes[0,0].set_title('餐廳評分分布')
axes[0,0].set_xlabel('評分')

# 圖表 2：各城市餐廳數量長條圖
city_counts = df['City'].value_counts()  # 統計各城市餐廳數量
axes[0,1].bar(city_counts.index, city_counts.values,
              color=['#e74c3c','#3498db','#2ecc71','#f39c12'])  # 四種顏色
axes[0,1].set_title('各城市餐廳數量')

# 圖表 3：價格區間圓餅圖
price_dist = df['Price_Range'].value_counts()  # 統計各價格區間數量
axes[1,0].pie(price_dist.values, labels=price_dist.index, autopct='%1.1f%%')
axes[1,0].set_title('價格區間分布')

# 圖表 4：價格與評分散佈圖（觀察相關性）
axes[1,1].scatter(df['Avg_Price'], df['Rating'], alpha=0.5, c='purple')
axes[1,1].set_title('價格 vs 評分')

# 自動調整子圖間距
plt.tight_layout()
# 儲存圖表為高解析度 PNG（300 DPI）
plt.savefig('output/餐廳分析.png', dpi=300)

Step 4: LangChain AI 分析整合

# 匯入 LangChain OpenAI 模組
from langchain_openai import ChatOpenAI
# 匯入提示模板類別
from langchain_core.prompts import ChatPromptTemplate

# 初始化 GPT-5.6 Luna 語言模型
llm = ChatOpenAI(model="gpt-5.6-luna")

# 準備數據摘要（使用 f-string 格式化）
data_summary = f"""
台灣餐廳數據摘要：
- 總餐廳數：{len(df)} 家
- 平均評分：{df['Rating'].mean():.2f}
- 平均消費：${df['Avg_Price'].mean():.0f}
- 城市分布：{df['City'].value_counts().to_dict()}
- 最高評分餐廳：{df.loc[df['Rating'].idxmax(), 'Restaurant_Name']}
- 各類型餐廳數：{df['Cuisine_Type'].value_counts().head(5).to_dict()}
"""

# 建立對話提示模板（包含系統角色設定和使用者問題）
analysis_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是美食數據分析專家，請用繁體中文提供專業分析"),
    ("human", "根據以下數據，提供 3 個關鍵洞察和 2 個行銷建議：\n{data}")
])

# 使用 LCEL 串接：提示模板 | 語言模型
chain = analysis_prompt | llm
# 執行鏈並傳入變數
response = chain.invoke({"data": data_summary})
# 輸出 AI 回應內容
print(response.content)

Step 5: AI 智慧推薦系統

# 匯入 JSON 輸出解析器（將 AI 回應轉為 Python 字典）
from langchain_core.output_parsers import JsonOutputParser

# 建立推薦系統提示模板
recommend_prompt = ChatPromptTemplate.from_messages([
    ("system", """你是餐廳推薦專家。根據用戶需求和餐廳數據推薦最適合的餐廳。
輸出 JSON 格式：{{"recommendations": [餐廳名稱列表], "reason": "推薦原因"}}"""),
    ("human", "用戶需求：{requirement}\n\n可選餐廳：{restaurants}")
])

# 初始化 JSON 解析器
parser = JsonOutputParser()
# 串接完整鏈：提示模板 → 語言模型 → JSON 解析器
recommend_chain = recommend_prompt | llm | parser

# 取得評分前 20 名的餐廳資料
top_restaurants = df.nlargest(20, 'Rating')[
    ['Restaurant_Name', 'City', 'Cuisine_Type', 'Rating', 'Avg_Price']
]
# 執行推薦鏈
result = recommend_chain.invoke({
    "requirement": "台北高評價日式料理，預算 500 以內",
    "restaurants": top_restaurants.to_string()
})

# 輸出推薦結果
print("推薦餐廳：", result["recommendations"])
print("推薦原因：", result["reason"])

Step 6: 整合完整分析流程

def analyze_restaurants_with_ai(df, city=None, cuisine=None):
    """
    整合視覺化與 AI 的完整分析函數
    參數：df=資料框, city=城市篩選, cuisine=餐廳類型篩選
    """
    # 複製資料框（避免修改原始資料）
    filtered = df.copy()
    # 依城市篩選（如果有指定）
    if city:
        filtered = filtered[filtered['City'] == city]
    # 依餐廳類型篩選（如果有指定）
    if cuisine:
        filtered = filtered[filtered['Cuisine_Type'] == cuisine]

    # 產生統計摘要字典
    summary = {
        "count": len(filtered),                  # 餐廳數量
        "avg_rating": filtered['Rating'].mean(), # 平均評分
        "avg_price": filtered['Avg_Price'].mean(), # 平均消費
        "top_restaurant": filtered.loc[filtered['Rating'].idxmax(), 'Restaurant_Name']
    }

    # 建立 AI 分析提示模板
    prompt = ChatPromptTemplate.from_template(
        "分析以下餐廳統計，提供 2 個商業洞察：\n{stats}"
    )
    # 串接鏈並使用字串輸出解析器
    chain = prompt | llm | StrOutputParser()
    # 執行 AI 分析
    insights = chain.invoke({"stats": str(summary)})

    # 回傳統計數據和 AI 洞察
    return {"statistics": summary, "ai_insights": insights}

# 執行分析：台北的日式料理餐廳
result = analyze_restaurants_with_ai(df, city="台北", cuisine="日式料理")
print(result)

Unit 5 專案總結

← 返回課程首頁