基于 Python 数据分析瑞幸与星巴克全国门店分布及关联关系

城市分布 Top20

• 星巴克：前五名为上海、北京、杭州、深圳、广州。前二十城市中，长三角有 6 个，珠三角有 5 个，京津冀 2 个。上海门店数量高达 668 家，是第二名北京的两倍之多。
• 瑞幸：前五名同样为上海、北京、广州、深圳、杭州，排序略有差异。值得注意的是，瑞幸前 20 的城市中包含了合肥、昆明、郑州等内陆省会，而星巴克前 20 中并未出现这些城市。

这表明瑞幸的选址策略更加下沉，没有过度集中在一线城市，而是积极渗透至二三线及内陆市场。

热力图分布特征

通过可视化热力图可以直观看到：

• 星巴克：红色高密度区主要集中在沿海地区，内陆呈现点状式分布，相对稀疏。
• 瑞幸：分布更加均匀，除沿海地区外，华中地区（如湖南、安徽、湖北）也有较多门店。

空间关联分析：Python 实现

为了深入探究瑞幸是否跟随星巴克选址，我们使用 Python 和 Shapely 库计算方圆 500 米范围内的重合情况。

核心逻辑

1. 构建几何对象：将经纬度转换为 Shapely 的 Point 对象。
2. 创建缓冲区：以星巴克门店为中心，绘制半径为 500 米的圆形区域（近似为多边形）。
3. 空间查询：判断瑞幸门店的点是否落在该多边形区域内。

代码实现

第一步：导入依赖库

import pandas as pd
from shapely.geometry import Point, Polygon
from shapely.ops import unary_union
import math

第二步：定义几何计算函数

由于经纬度单位是度，直接 buffer 会产生误差。通常 1 度纬度约等于 111300 米。因此，我们将半径转换为度数。

def create_buffer_polygon(lat, lon, radius_meters=500):
    """
    根据经纬度和半径创建多边形缓冲区
    :param lat: 纬度
    :param lon: 经度
    :param radius_meters: 半径（米）
    :return: Shapely Polygon 对象
    """
    # 近似转换：1 度纬度 ≈ 111300 米
    # 经度长度随纬度变化，此处简化处理，实际生产建议使用投影坐标系
    degree_radius = radius_meters / 111300.0
    
    center_point = Point(lon, lat)
    # buffer 方法生成圆形多边形
    circle = center_point.buffer(degree_radius)
    return circle

def point_from_coord(lat, lon):
    """
    根据经纬度创建点对象
    """
    return Point(lon, lat)

第三步：执行空间匹配

为了提高效率，建议先按城市分组，减少不必要的跨城市计算。

# 假设 starbucks_df 和 luckin_df 已加载并清洗完毕
starbucks_df['Polygon'] = starbucks_df.apply(
    lambda row: create_buffer_polygon(row['纬度'], row['经度']), axis=1
)
luckin_df['Point'] = luckin_df.apply(
    lambda row: point_from_coord(row['纬度'], row['经度']), axis=1
)

results = []
for city in starbucks_df['城市'].unique():
    sb_city = starbucks_df[starbucks_df['城市'] == city]
    lk_city = luckin_df[luckin_df['城市'] == city]
    
    for idx, row in sb_city.iterrows():
        poly = row['Polygon']
        count = 0
        for _, lk_row in lk_city.iterrows():
            if poly.contains(lk_row['Point']):
                count += 1
        results.append({
            'city': city,
            'store_id': row['名称'],
            'luckin_count': count
        })

result_df = pd.DataFrame(results)

性能优化提示：上述循环方式在数据量大时效率较低。在生产环境中，建议使用 geopandas 库进行空间连接（sjoin），或使用 R-tree 索引加速查询。

分析结果

1. 全国平均水平：方圆 500 米范围内，全国平均每个星巴克门店周边有 0.6 个瑞幸门店。

   result_df['luckin_count'].mean()  # 输出：0.6
   

2. 最高密度：方圆 500 米范围内，最多的星巴克门店周边有 7 个瑞幸门店。

   result_df['luckin_count'].max()  # 输出：7
   

3. 城市排名：各城市平均瑞幸门店数排名中，临沂市位居第一，平均每个星巴克门店周边有 1.8 个瑞幸门店。

商业洞察与结论

选址策略解读

数据证实了瑞幸确实存在'跟随式'选址策略。星巴克门店通常位于人流密集、消费习惯成熟的区域，这降低了瑞幸的市场教育成本。通过在星巴克周边开店，瑞幸可以低成本获取潜在用户群体。

区域竞争格局

• 一线城市：竞争激烈，瑞幸与星巴克形成包围之势。
• 下沉市场：瑞幸凭借灵活的选址策略，在内陆城市快速占领市场，避开了星巴克的高成本壁垒。

局限性与展望

1. 数据时效性：分析基于 2022 年数据，当前市场格局可能已发生变化。
2. 静态快照：未考虑门店开业/关店的时间序列动态。
3. 未来方向：可进一步引入 POI 数据、人流热力图等维度，评估单店盈利潜力。

本文通过可视化看板和 Python 数据分析展示了星巴克和瑞幸咖啡门店的区域分布及关联关系。研究揭示了瑞幸在选址上的精准策略及其背后的商业逻辑，为相关行业的市场布局提供了数据参考。