🧑 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。

---

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。

---