zomato_delivery_EDA

Zomato Delivery Operations 数据集是一个关于印度多个城市食品配送物流的真实世界数据集。该数据集包含45,584行原始数据，经过清洗和特征工程后，最终包含38,964行和22列。目标变量为`Time_taken (min)`，表示配送总时间（分钟）。数据集涵盖了配送员的属性（如年龄、评分）、天气条件（如晴天、多云、雾、风暴等）、交通密度（如低、中、高、拥堵）、GPS坐标（餐厅和客户的经纬度）以及配送结果。此外，数据集还包含两个 engineered 特征：`distance_km`（餐厅与客户之间的直线距离）和`delivery_speed`（配送速度分类：快、平均、慢）。该数据集适用于表格分类和回归任务，特别适合用于探索天气、交通、配送员经验等因素对配送时间的影响。The Zomato Delivery Operations dataset is a real-world dataset focused on food delivery logistics across multiple cities in India. It initially contains 45,584 rows of raw data, and after data cleaning and feature engineering, the final dataset includes 38,964 rows and 22 columns. The target variable is `Time_taken (min)`, which denotes the total delivery time in minutes. The dataset covers various aspects including attributes of delivery personnel (such as age and ratings), weather conditions (e.g., sunny, cloudy, foggy, stormy, etc.), traffic density (e.g., low, medium, high, congested), GPS coordinates (longitude and latitude of restaurants and customers), as well as delivery outcomes. Additionally, the dataset includes two engineered features: `distance_km` (the straight-line distance between the restaurant and the customer) and `delivery_speed` (delivery speed classification: fast, average, slow). This dataset is applicable to tabular classification and regression tasks, and is especially suitable for investigating the impact of factors such as weather, traffic, and delivery personnel experience on delivery time.

原始信息汇总

Zomato Delivery Operations — EDA & Dataset 数据集概述

数据集基本信息

• 来源：Kaggle — saurabhbadole/zomato-delivery-operations-analytics-dataset (https://www.kaggle.com/datasets/saurabhbadole/zomato-delivery-operations-analytics-dataset)
• 许可协议：mit
• 任务类别：表格分类、表格回归
• 语言：英语
• 领域：食品配送物流，印度
• 数据规模：10K<n<100K
• 原始数据规模：45,584 行 × 20 列
• 最终数据规模：38,964 行 × 22 列
• 目标变量：Time_taken (min)

研究问题

1. 天气与交通：极端天气（风暴、雾）是否总是会减慢配送速度，或者有时会因道路畅通而实际导致更快的配送结果？
2. 经验缓冲：评分更高或经验更丰富的配送员是否花费更少的配送时间？
3. 距离与现实：使用 Haversine 距离计算，延迟是否仅仅因为客户距离远，还是运营因素才是真正的瓶颈？

数据准备与特征工程

数据清洗步骤

1. 删除了缺失关键列（Weather_conditions、Road_traffic_density、multiple_deliveries）的行。
2. 移除了重复行（未发现）。
3. 将 Time_taken (min) 转换为整数。
4. 清除了所有分类列中的空白字符。
5. 移除了 3,410 行 GPS 坐标损坏（经纬度为 0,0）的行。
6. 移除了 272 行物理上不可能的距离（>25公里，高于第99百分位数）的行。

工程化特征

列名	描述
distance_km	餐厅与客户之间的 Haversine 直线距离（公里）
delivery_speed	分类分箱：快（<19 分钟）/ 平均（19–33 分钟）/ 慢（>33 分钟）

delivery_speed 的阈值基于 Time_taken (min) 的第25和第75百分位数选择，以确保平衡分割（26.2% / 51.2% / 22.6%）。

有意保留的缺失值

Delivery_person_Age（缺失 1,019 个）和 Delivery_person_Ratings（缺失 1,055 个）被有意保留。这些行仍对研究问题1和3有贡献，在研究问题2的分析中，pandas 会自动跳过 NaN 值。

异常值检测

• 配送时间：未检测到异常值（范围 10–54 分钟，均在 IQR 范围内）。
• 距离：无异常值（已过滤至 ≤25公里）。
• 配送员评分：1,024 个低于 3.9 的值被标记为统计异常值，但被有意保留，因为它们代表了与研究问题2相关的真实低评分配送员。

关键发现

研究问题1 — 天气与交通

• 天气状况 vs. 配送时间：晴天配送最快（中位数 21 分钟）。风暴和沙尘暴的表现与大风条件相当（均为 26 分钟）。雾天和阴天最慢（29 分钟）。
• 交通密度 vs. 配送时间：交通密度有明确但非线性的影响。从低（21.5 分钟）到中（26.9 分钟）的跳跃显著，但从中到高（27.4 分钟）几乎相同。只有拥堵条件会造成有意义的额外延迟（31.4 分钟）。
• 天气与交通的交互作用：晴天天气能缓冲甚至重度交通的影响。雾天/阴天与拥堵的组合是最差组合（36.8–36.9 分钟），而风暴和沙尘暴在重度交通下的表现明显好于预期。

研究问题2 — 经验缓冲

• 配送员评分是数据集中最强的预测因子（r = -0.360），强于距离（r = 0.322）。高评分配送员配送速度持续更快。
• 年龄较大的配送员往往更慢（r = 0.298），表明仅凭经验并不能弥补——服务质量更重要。

研究问题3 — 距离与现实

• 距离有影响，但它不是真正的瓶颈。每次行程的多次配送（r = 0.384）是比距离（r = 0.322）更强的预测因子。
• 一次处理 3 次配送的配送员平均耗时 47.8 分钟，是单次配送平均耗时（23.1 分钟）的两倍多。

相关性总结

特征	与 Time_taken 的相关性
multiple_deliveries	+0.384
Delivery_person_Ratings	−0.360
distance_km	+0.322
Delivery_person_Age	+0.298

列参考

列名	类型	描述
ID	字符串	唯一订单 ID
Delivery_person_ID	字符串	配送员 ID
Delivery_person_Age	整数	配送员年龄
Delivery_person_Ratings	浮点数	配送员评分（1–5）
Restaurant_latitude	浮点数	餐厅 GPS 纬度
Restaurant_longitude	浮点数	餐厅 GPS 经度
Delivery_location_latitude	浮点数	客户 GPS 纬度
Delivery_location_longitude	浮点数	客户 GPS 经度
Order_Date	字符串	订单日期
Time_Orderd	字符串	下单时间
Time_Order_picked	字符串	取餐时间
Weather_conditions	字符串	晴天 / 阴天 / 雾天 / 风暴 / 大风 / 沙尘暴
Road_traffic_density	字符串	低 / 中 / 高 / 拥堵
Vehicle_condition	整数	车辆状况（0–2）
Type_of_order	字符串	小吃 / 正餐 / 饮料 / 自助餐
Type_of_vehicle	字符串	摩托车 / 踏板车 / 电动踏板车
multiple_deliveries	整数	行程中的额外停靠点数量（0–3）
Festival	字符串	是 / 否 — 是否有活跃的节日
City	字符串	大都市 / 城市 / 半城市
Time_taken (min)	整数	目标变量 — 总配送时间（分钟）
distance_km	浮点数	工程化特征 — Haversine 距离（公里）
delivery_speed	类别	工程化特征 — 快 / 平均 / 慢

搜集汇总

数据集介绍

构建方式

在食品配送物流领域，数据质量直接影响分析结论的可靠性。该数据集源自Zomato在印度多个城市的真实配送运营记录，原始包含45,584行与20列数据。构建过程经历了严谨的数据清洗与特征工程阶段：首先剔除了关键字段缺失的行，并清除了GPS坐标异常或配送距离超出合理范围（如大于25公里）的记录，最终得到38,964行有效数据。此外，通过哈弗辛公式计算餐厅与顾客间的直线距离，生成了`distance_km`特征，并依据配送时间百分位数将配送速度划分为快、中、慢三类，从而增强了数据集的解析维度与实用性。

特点

该数据集深刻反映了印度食品配送生态的复杂性，其核心特征体现在多维度的运营变量上。数据集不仅涵盖了配送员年龄、评分、车辆状况及订单类型等基本属性，还整合了天气条件、交通密度与城市类型等环境因素。尤为突出的是，通过特征工程引入了配送直线距离与速度分类，使得分析能够超越表面关联，深入探究物流效率的内在机制。数据集中故意保留的部分缺失值（如配送员评分）并未削弱其分析价值，反而为研究不同情境下的配送表现提供了灵活空间。这些特征共同构成一个层次丰富、贴近现实运营场景的结构化数据框架。

使用方法

该数据集主要服务于探索性数据分析与预测建模任务，尤其适合研究物流效率的影响因素。使用者可将其应用于监督学习，以`Time_taken (min)`为目标变量进行回归分析，或利用`delivery_speed`进行多分类预测。在分析方法上，建议遵循数据集中概述的研究问题框架：首先考察天气与交通的交互效应，其次评估配送员经验对时效的缓冲作用，最后辨析距离与实际运营瓶颈的差异。数据集中提供的相关矩阵与可视化结果可作为基准参考，帮助研究者验证假设并发现非线性的关联模式。此外，数据集支持对印度不同城市层级（大都市、城市、半城市）的配送模式进行对比研究，为区域化运营策略提供数据支撑。

背景与挑战

背景概述

Zomato Delivery Operations EDA 数据集源于对印度食品配送物流效率的深入研究，由数据科学家 Saurabh Badole 于 Kaggle 平台公开构建。该数据集聚焦于现实世界中的配送运营数据，旨在揭示影响配送时效的关键因素，如天气状况、交通密度、配送员属性及多单配送等复杂变量。其核心研究问题在于量化并解析这些因素如何交互作用，从而优化配送网络效率，对物流管理与运营研究领域提供了宝贵的实证基础。

当前挑战

该数据集致力于解决食品配送物流中的时效预测与瓶颈识别问题，其挑战在于多变量非线性关系的建模，例如天气与交通的交互效应可能抵消直观预期。构建过程中的挑战则体现在数据清洗的迭代性，初始探索性分析后需二次处理隐藏异常，如无效GPS坐标与超常配送距离；同时，面对配送员年龄与评分等关键字段的缺失值，需权衡数据完整性与分析目标，策略性保留部分记录以支撑多维研究问题。

常用场景

经典使用场景

在物流与运营分析领域，Zomato配送数据集常被用于探索性数据分析（EDA），以揭示影响食品配送效率的关键因素。研究者通过整合配送员属性、天气状况、交通密度及GPS坐标等多维特征，系统评估配送时长与各变量间的复杂关系。经典应用场景包括构建预测模型，以优化配送路线规划，或通过交互式可视化深入解析天气与交通的耦合效应，为运营决策提供数据驱动的见解。

衍生相关工作

基于该数据集衍生的经典工作包括多目标优化算法的设计，以平衡配送效率与资源分配。后续研究常借鉴其特征工程方法，如哈弗辛距离的计算与配送速度分类，应用于更广泛的时空数据分析中。此外，其关于天气-交通交互效应的发现，激发了城市物流韧性研究的新方向，促进了跨学科方法在供应链管理中的融合。

数据集最近研究

最新研究方向

在食品配送物流领域，Zomato配送运营数据集正推动研究从单一因素分析转向复杂系统建模。前沿探索聚焦于多变量交互效应，特别是天气与交通状况的非线性耦合如何重塑配送效率。研究发现，极端天气未必导致最严重延误，而晴朗天气下的交通拥堵可能成为隐性瓶颈，这挑战了传统认知。同时，配送员评分相较于地理距离展现出更强的预测力，凸显了人力因素在运营优化中的核心地位。当前热点在于利用此类高粒度数据构建动态风险预测模型，以应对印度城市特有的交通波动与季节性气候影响，为实时调度算法提供决策支持，其成果对提升全球新兴市场配送网络的韧性具有重要参考价值。