1 iFood!

Esta análise é uma continuação de um processo que envolveu a coleta de dados via Web Scraping1 e junção de outros conjuntos de dados coletados do site do iFood.
Você pode ver todo o processo no meu repositório no GitHub.
- Bruno Kenzo.

2 Introdução

Nessa análise exploratória de dados, irei explorar os dados coletados de 118 restaurantes e alguns aspectos relacionados a eles na plataforma online da iFood.

2.1 Importando pacotes e dados

Os dados utilizados estão disponíveis no repositório já citado anteriormente, em formato .csv.

library(tidyverse)  # Biblioteca para manipulação e visualização de dados
library(knitr)      # Melhor visualização de tabelas em Rmd e HTML
library(kableExtra) # Edição estética de tabelas

Vou renomear algumas colunas para melhor interpretabilidade.
Esse é o nosso conjunto de dados:

df <- read_csv('final-ifood-data.csv') # Importação dos dados em .csv
df <- rename(df, Restaurante = `Título`, Taxa = `Preço`, Coletor = Dono)
# Renomeção de colunas para melhor interpretação

df %>%
    kable() %>%  # Melhor visualização
    kable_styling(full_width = FALSE, # Estéticas
                  bootstrap_options = c('striped', 'hover', 'responsive')) %>% 
    scroll_box(width = '100%', height = '500px')
Restaurante Nota Tipo Tempo Taxa Coletor
FILHO DA FRUTA “RESTAURANTE” 4.7 Brasileira 45 0.00 Alexandre Felix
Ponto da Esfiha Itapevi 4.1 Pizza 50 5.00 Alexandre Felix
Sodiê Doces - Itapevi Jardim da Rainha 4.6 Doces & Bolos 85 7.00 Alexandre Felix
<U+0001F354>lanches Bem Bolado<U+0001F354> 4.9 Lanches 65 7.99 Alexandre Felix
Japa House 4.5 Japonesa 65 5.00 Alexandre Felix
Gordão Lanches e Açai 4.5 Lanches 65 8.99 Alexandre Felix
Los Manos 4.8 Lanches 85 12.00 Alexandre Felix
Mc Burgueria e Pizzaria 4.3 Pizza 50 8.00 Alexandre Felix
Ra Burger 4.8 Lanches 45 0.00 Alexandre Felix
Canto da Esfiha 4.7 Lanches 65 5.00 Alexandre Felix
S&q Doces 4.9 Doces & Bolos 85 8.00 Alexandre Felix
Cantinho da Dora e Pezao 4.9 Lanches 45 3.00 Alexandre Felix
Em Familia Lanchonete 4.9 Lanches 65 5.00 Alexandre Felix
La Ville - Aldeia da Serra 4.5 Portuguesa 65 17.00 Alexandre Felix
Mc Pizzaria e Burgueria 4.0 Pizza 55 0.00 Alexandre Felix
Copo da Felicidade e Hot-dog 4.1 Doces & Bolos 35 4.99 Alexandre Felix
Sk. Sushi Kyodai 0.0 Japonesa 75 5.00 Alexandre Felix
Restaurante Recanto São Judas 4.6 Brasileira 55 6.00 Alexandre Felix
Bistrô Lázara Beer 4.5 Brasileira 65 4.00 Alexandre Felix
Mundi Batataria 4.2 Lanches 55 5.00 Alexandre Felix
Parceirao Bebidas 1 4.6 Bebidas 45 6.00 Alexandre Felix
Laricas Burg’s 4.3 Lanches 35 2.00 Alexandre Felix
Trilha em Sabor 4.9 Lanches 50 7.00 Alexandre Felix
Habib’s - Itapevi 3.8 Lanches 53 8.90 Alexandre Felix
Tapiocaria Vovo Lili 4.8 Lanches 65 7.00 Alexandre Felix
Fogas Búrguer 0.0 Lanches 55 4.00 Alexandre Felix
Santana Grill 0.0 Brasileira 45 3.00 Alexandre Felix
Brownie do Heuris 4.9 Doces & Bolos 55 8.00 Alexandre Felix
Miê Temakeria 4.5 Japonesa 75 7.00 Alexandre Felix
Fritinho 4.1 Salgados 50 0.00 Alexandre Felix
Z Deli Dogs 4.6 Lanches 35 10.49 Emanuel Hark
Andiamo Ristorante - Cidade São Paulo 4.7 Italiana 39 9.99 Emanuel Hark
Amor Aos Pedaços - West Plaza 4.3 Doces & Bolos 39 7.99 Emanuel Hark
Casa Europa 4.8 Italiana 40 12.99 Emanuel Hark
Lancheria Original Brasil Santana 0.0 Açaí 27 6.99 Emanuel Hark
Al Capizza Pacaembu - Entrega própia 4.2 Pizza 40 0.00 Emanuel Hark
Purana 4.7 Saudável 39 12.99 Emanuel Hark
Pizzeria Cézanne - Sumarezinho 4.7 Pizza 50 4.90 Emanuel Hark
Brasileirinho Delivery - Centro - Sp 4.4 Brasileira 55 0.00 Emanuel Hark
Classic Burger Haus 4.6 Lanches 40 15.49 Emanuel Hark
Flying Sushi - Perdizes 4.4 Japonesa 40 8.99 Emanuel Hark
Mocotó Café - Shopping D 4.9 Brasileira 45 7.99 Emanuel Hark
Waff, Waffles Doces, Salgados, Sorvetes 4.8 Lanches 35 5.99 Emanuel Hark
Eskina Pacaembu 4.1 Pizza 25 0.00 Emanuel Hark
Po Poke Delivery <U+0001F35A><U+0001F962> 4.7 Japonesa 23 6.49 Emanuel Hark
Biscoitê - Higienópolis 4.8 Doces & Bolos 25 4.99 Emanuel Hark
Sushi Barra Funda 4.4 Japonesa 50 0.00 Emanuel Hark
Bolo da Madre - Aclimação 4.8 Doces & Bolos 33 13.49 Emanuel Hark
Japa One Fast 4.8 Japonesa 36 10.99 Emanuel Hark
Komah Por Paulo Shin 4.9 Coreana 32 12.99 Emanuel Hark
Açaí Concept - Augusta 4.3 Açaí 27 5.99 Emanuel Hark
Melt, Queijos Quentes - Center Norte 4.8 Lanches 38 8.49 Emanuel Hark
Bob’s - Bráulio Gomes 4.7 Lanches 38 4.99 Emanuel Hark
Poke Haus 4.8 Japonesa 41 16.99 Emanuel Hark
Pizzaria São Paulo City 4.4 Pizza 25 0.00 Emanuel Hark
Sushi Por 0,99 4.6 Japonesa 51 9.49 Emanuel Hark
Let’s Poke - Consolação 4.7 Saudável 37 6.99 Emanuel Hark
Gendai Higienópolis 4.5 Japonesa 24 5.99 Emanuel Hark
Joy Korean Food 4.8 Coreana 34 7.99 Emanuel Hark
Manish Culinária Árabe 4.4 Árabe 61 10.49 Emanuel Hark
Boutique Burger 4.6 Lanches 51 11.99 Emerson Aragão
China in Box - Itaquera 4.7 Chinesa 45 8.50 Emerson Aragão
Pizzaria Kailane 4.6 Pizza 60 5.00 Emerson Aragão
Padaria Carisma 4.5 Padaria 44 5.99 Emerson Aragão
Divino Fogão - Metrô Itaquera 4.6 Brasileira 56 13.49 Emerson Aragão
Mcdonald’s - Parque do Carmo(pqc) 4.3 Lanches 37 11.99 Emerson Aragão
Yokan Sushi 4.6 Japonesa 55 6.00 Emerson Aragão
Cacau Show - Carrefour Jacu Pessêgo 5.0 Doces & Bolos 31 9.00 Emerson Aragão
Haruk Sushi 4.2 Japonesa 105 7.00 Emerson Aragão
Don Corleone 4.8 Pizza 55 0.00 Emerson Aragão
Rita Refeicoes 4.6 Brasileira 50 0.00 Emerson Aragão
Glorioso Burguer 4.5 Lanches 35 7.00 Emerson Aragão
Clãs Burger 4.5 Lanches 55 5.00 Emerson Aragão
Cantina dos Salgados 3.9 Salgados 65 5.00 Emerson Aragão
Germany Pizzas 4.2 Pizza 35 5.00 Emerson Aragão
Subway - Jacu Pêssego 4.7 Lanches 23 6.99 Emerson Aragão
Pizzaria D’villa 4.2 Pizza 40 0.00 Emerson Aragão
Yasushi Restaurante Japones 4.6 Japonesa 40 6.00 Emerson Aragão
Mega Esfiha Jd São Paulo 4.4 Pizza 24 4.99 Emerson Aragão
Hamburgueria Texas 4.8 Lanches 50 0.00 Emerson Aragão
Matteo Pizzaria e Esfiharia 4.5 Pizza 54 13.99 Emerson Aragão
Burger King - Carrefour Jacu Pêssego 4.4 Lanches 56 7.99 Emerson Aragão
La Brasa Burguer - São Mateus 4.0 Hambúrguer 70 9.90 Emerson Aragão
A Preferida 4.5 Pizza 40 0.00 Emerson Aragão
Dogao do Regis 4.5 Lanches 65 5.50 Emerson Aragão
Outback - Shopping Metrô Itaquera 4.7 Lanches 48 15.99 Emerson Aragão
Açai Gela Guela 4.5 Açaí 55 5.00 Emerson Aragão
Ragazzo Express - Guaianazes Cptm 4.7 Salgados 21 4.99 Emerson Aragão
Habib’s - Jacú Pessego 4.2 Lanches 53 8.90 Emerson Aragão
Colonial Churrascaria e Pizzaria I 4.0 Pizza 51 11.99 Emerson Aragão
Pizzaria e Refeiçoes Levi 4.5 Pizza 30 0.00 Marco Rodrigues
Pizzaria e Esfiharia Massa Mania 0.0 Brasileira 55 15.00 Marco Rodrigues
Riviera Delivery 0.0 Brasileira 35 4.00 Marco Rodrigues
Pizzaria da Madrugada 4.7 Pizza 30 0.00 Marco Rodrigues
Formiguento’s Burguer 4.2 Variada 45 3.50 Marco Rodrigues
La Casa do Burguer & Açai 3.8 Hambúrguer 25 0.00 Marco Rodrigues
Ponto da Esfiha Jd Vaz de Lima 3.6 Salgados 55 5.00 Marco Rodrigues
Adega Capão Redondo 0.0 Bebidas 65 10.00 Marco Rodrigues
Delícias Burger 4.5 Lanches 65 5.00 Marco Rodrigues
Thalla Burguer & Açaí (sob nova direção) 3.7 Lanches 35 0.00 Marco Rodrigues
Two Brother’s Hamburgueria & Pizzaria 4.5 Hambúrguer 35 9.99 Marco Rodrigues
Ibira Açai Lanches 4.4 Açaí 70 16.99 Marco Rodrigues
Adega la Casa da Fumaça e Bar 4.8 Bebidas 25 3.50 Marco Rodrigues
Doceria Cassia Lopes 4.0 Doces & Bolos 60 0.00 Marco Rodrigues
Pizzaria Kalahiran 4.5 Pizza 30 4.00 Marco Rodrigues
Fideles Lanches e Doces 0.0 Variada 55 0.00 Marco Rodrigues
Mc favela João dias 0.0 Lanches 95 15.00 Marco Rodrigues
Yamamoto Sushi R$ 1,00 4.8 Japonesa 35 6.00 Marco Rodrigues
Jama Masjid 3.2 Indiana 35 0.00 Marco Rodrigues
Rei do Medalhão 3.7 Brasileira 35 5.00 Marco Rodrigues
Ibira Adega e Bebidas 4.5 Bebidas 50 17.99 Marco Rodrigues
Pizzaria Delícia das Massas 4.6 Pizza 35 0.00 Marco Rodrigues
pizzaria ducheff 0.0 Pizza 40 0.00 Marco Rodrigues
Adega Parceria drinks 4.7 Bebidas 25 9.00 Marco Rodrigues
Burguer Store 0.0 Lanches 125 13.00 Marco Rodrigues
Johnny Rockets - Dk Campo Limpo 4.3 Hambúrguer 65 7.99 Marco Rodrigues
Lima´s Lanches 4.7 Lanches 95 22.00 Marco Rodrigues
Jakes Food 5.0 Lanches 45 0.00 Marco Rodrigues

Nosso dataframe possui 118 linhas e 6 colunas, as quais representam:

  • Restaurante: nome do restaurante
  • Nota: média das notas fornecidas pelos usuários no site sobre o restaurante, de 0 a 5
  • Tipo: tipo de comida que é vendida pelo restaurante
  • Tempo: tempo médio de entrega (em minutos) até a localização daquele que coletou o dado
  • Taxa: taxa fixa do frete, em R$
  • Coletor: aquele que coletou o dado

Sobre as principais medidas estatísticas de cada coluna:

options(knitr.kable.NA = '')

df %>% 
    summary() %>% # Principais medidas estatísticas
    kable() %>% 
    kable_styling(full_width = FALSE,
                  bootstrap_options = c('striped', 'hover', 'responsive'))
Restaurante Nota Tipo Tempo Taxa Coletor
Length:118 Min. :0.000 Length:118 Min. : 21.00 Min. : 0.000 Length:118
Class :character 1st Qu.:4.200 Class :character 1st Qu.: 35.00 1st Qu.: 4.000 Class :character
Mode :character Median :4.500 Mode :character Median : 45.00 Median : 6.000 Mode :character
Mean :4.076 Mean : 48.61 Mean : 6.586
3rd Qu.:4.700 3rd Qu.: 55.00 3rd Qu.: 8.998
Max. :5.000 Max. :125.00 Max. :22.000

Percebe-se que há restaurantes com nota 0. São novos restaurantes na plataforma - informação que foi obtida na coleta de dados. Irei omitir análises relacionadas com a coluna Tempo, uma vez que ela é relativa à localização de cada pessoa que coletou os dados.

Vamos para a análise!

3 Notas dos Restaurantes

Primeiramente, veremos quais são os restaurantes com nota máxima.

melhores_restaurantes <- df %>% 
    filter(Nota == 5) %>% # Apenas com nota 5
    select(Restaurante) %>% # Apenas a coluna 'Título'
    c() # Juntar em um vetor

annotation = str_c(melhores_restaurantes[[1]][1], ' e ', melhores_restaurantes[[1]][2]) # Já tinha visto que haviam apenas 2 restaurante com nota 5
print(annotation)
## [1] "Cacau Show - Carrefour Jacu Pessêgo e Jakes Food"

Vamos ver mais informações sobre esses dois restaurantes.

df %>% 
    filter(Nota == 5) %>% 
    kable(caption = "Melhores restaurantes") %>% 
    kable_styling(full_width = FALSE,
                  bootstrap_options = c('striped', 'hover', 'responsive'))
Melhores restaurantes
Restaurante Nota Tipo Tempo Taxa Coletor
Cacau Show - Carrefour Jacu Pessêgo 5 Doces & Bolos 31 9 Emerson Aragão
Jakes Food 5 Lanches 45 0 Marco Rodrigues

Nota-se que um deles - Jakes Food - tem frete grátis. Será que os usuários levam o preço da taxa de entrega em conta na hora da avaliação? Veremos isso mais pra frente.
Vamos ver a distribuição das notas não nulas.

red <- '#EA1D2C'
black <- '#3F3E3E'
grey <- '#F2F2F2'

my_theme <- theme(plot.title = element_text(color = black, size = 25, face = 'bold',),
                  plot.subtitle = element_text(color = black),
                  axis.title.x = element_text(color = red, face = 'bold'),
                  axis.title.y = element_text(color = black),
                  panel.background = element_rect(fill = grey),
                  axis.line = element_line(colour = black),
                  legend.position = 'none')

df %>% 
    filter(Nota > 0) %>% # Apenas notas não nulas
    ggplot(aes(x = Nota)) +
    geom_bar(fill = red, color = black) + # Optei por um gráfico de barras
    geom_segment(aes(x = 5, y = 1.5, xend = 5, # Adiciona uma linha vertical
                     yend = 19, color = black)) +
    annotate('text', label = annotation, x = 5, y = 20.5, # Adiciona um texto
             hjust = 'right', fontface = 'bold', color = black) +
    annotate('text', x = 5, y = 19.5,hjust = 'right', color = black, size = 3,
             label = 'Únicos Restaurantes com nota 5 são do Emerson e do Marco') +
    labs(title = 'Distribuição das Notas\ndos Restaurantes',          # Definição do título,
         subtitle = 'Consideradas apenas notas não-nulas no gráfico', # do subtítulo,
         x = 'Nota', y = 'Frequência') +                              # e dos eixos
    my_theme

Nota-se que é uma distribuição assimétrica à esquerda2. A moda da distribuição é a nota 4,5.3 Ademais, há um restaurante com uma nota abaixo da maioria dos outros, é um ponto isolado do gráfico, com uma nota abaixo de 3,5. Vamos ver qual é esse restaurante, e ver os com nota 0 também.

df %>% 
    filter(Nota < 3.5) %>% # Filtrar as notas menores que 3,5
    mutate(
        Nota = cell_spec(Nota, "html", color = ifelse(Nota > 0, red, black))
    ) %>% # Colorir as notas maiores que 0 (apenas uma)
    arrange(desc(Nota)) %>%  # Ordenar pelas notas de forma decrescente
    kable("html", escape = F, caption = 'Restaurantes com notas menores que 3,5') %>% 
    kable_styling(full_width = FALSE,
                  bootstrap_options = c('striped', 'hover', 'responsive'))
Restaurantes com notas menores que 3,5
Restaurante Nota Tipo Tempo Taxa Coletor
Jama Masjid 3.2 Indiana 35 0.00 Marco Rodrigues
Sk. Sushi Kyodai 0 Japonesa 75 5.00 Alexandre Felix
Fogas Búrguer 0 Lanches 55 4.00 Alexandre Felix
Santana Grill 0 Brasileira 45 3.00 Alexandre Felix
Lancheria Original Brasil Santana 0 Açaí 27 6.99 Emanuel Hark
Pizzaria e Esfiharia Massa Mania 0 Brasileira 55 15.00 Marco Rodrigues
Riviera Delivery 0 Brasileira 35 4.00 Marco Rodrigues
Adega Capão Redondo 0 Bebidas 65 10.00 Marco Rodrigues
Fideles Lanches e Doces 0 Variada 55 0.00 Marco Rodrigues
Mc favela João dias 0 Lanches 95 15.00 Marco Rodrigues
pizzaria ducheff 0 Pizza 40 0.00 Marco Rodrigues
Burguer Store 0 Lanches 125 13.00 Marco Rodrigues

4 Sobre as Taxas

Vamos ver a distribuição das taxas

df %>% # Optei por um histograma, pois é uma variável contínua
    ggplot(aes(x = Taxa, fill = (Taxa == 0 | Taxa > 20))) +
    geom_histogram(bins = 10) +
    scale_fill_manual(values = c(black, red)) +
    geom_segment(aes(x = 22, y = 0.5, xend = 22, # Adiciona uma linha vertical
                     yend = 14.5, color = black)) +
    annotate('text', label = '20%', x = 0, y = 13, # Adiciona um texto
             hjust = 'center', fontface = 'bold', size = 4, color = grey) +
    annotate('text', label = "Lima's Lanches", x = 22, y = 17, # Adiciona um texto
             hjust = 'right', fontface = 'bold', color = black) +
    annotate('text', label = 'Será que a alta taxa afeta a avaliação dos usuários?',
             x = 22, y = 15.5, hjust = 'right', color = black, size = 2.5) +
    labs(title = 'Distribuição das Taxas\ndos Restaurantes', # Definição do título,
         subtitle = 'Cerca de 20% dos restaurantes optam por não cobrar taxas de entrega',
         x = 'Taxas', y = 'Frequência') +                    # e dos eixos
    my_theme +
    theme(plot.subtitle = element_text(color = red))  # Subtítulo em vermelho

Dessa distribuição, nota-se diversas peculiaridades. Muitos restaurantes não cobram taxa de entrega. De forma mais específica, 24 restaurantes.
Ademais, são poucos aqueles que cobram menos que R$5,00 - talvez não valha a pena cobrar uma taxa pequena, pois pode ser mais estratégico não cobrar taxa alguma e mostar-se mais atraente a possíveis clientes.

Sobre o ponto isolado com taxa de R$22,00: o restaurante é Lima’s Lanches, sua nota é 4.7. Talvez, a taxa não influencie tanto na avaliação dos clientes, e sim o sabor da comida. Ou, talvez, os lanches do Lima’s Lanches valham à pena a alta taxa. Veremos:

df %>% 
    mutate(Taxa = ifelse(Taxa <= 5, 'Barata', 'Cara')) %>% 
    group_by(Taxa) %>% 
    summarise('Média das Notas' = mean(Nota)) %>% 
    kable(caption = 'Sobre a influência da taxa nas notas dos restaurantes') %>% 
    kable_styling(full_width = FALSE,
                  bootstrap_options = c('striped', 'hover', 'responsive'))
Sobre a influência da taxa nas notas dos restaurantes
Taxa Média das Notas
Barata 3.886792
Cara 4.230769

Considerei baratas aquelas taxas que são menores ou iguais a R$5,00, e caras as que não. Ao que indica, os restaurantes que cobram altas taxas são restaurantes mais bem-avaliados - talvez por entregarem uma comida de mais alto nível.
Vejamos a distribuição das taxas em função das notas:

df %>% 
    ggplot(aes(y = Taxa, x = Nota, color = (Taxa <= 5 & Nota >= 4))) +
    scale_color_manual(values = c(black, red)) +
    geom_point() +
    labs(title = 'Taxa vs. Nota',
         subtitle = 'Em vermelho, encontram-se restaurantes com baixa taxa e altas notas.') +
    my_theme +
    theme(plot.subtitle = element_text(color = red))

Esperava que os restaurantes com menor taxa seriam melhores avaliados. Porém, como visto no gráfico de dispersão acima, não parece ter uma relação entre a taxa e a nota do restaurante.
Há 24 restaurantes que não cobram taxa dentre os 118.

Parece, portanto, que a taxa de frete não impacta a avaliação do restaurante.

5 Dos Tipos

Vejamos a distribuição dos restaurantes agrupados por tipo de comida:

5.1 Desconsiderando notas 0

df %>% 
    filter(Nota > 0) %>% 
    group_by(Tipo) %>% 
    summarise(Quantidade = n(), `Taxa Média` = mean(Taxa),
              `Nota Média` = mean(Nota)) %>% 
    arrange(desc(`Nota Média`)) %>% 
    kable(caption = 'Restaurantes agrupados por tipo', 'html') %>% 
    kable_styling(full_width = FALSE,
                  bootstrap_options = c('striped', 'hover', 'responsive')) %>% 
    scroll_box(width = '55%', height = '300px',
               extra_css = 'margin-left: 50%; transform: translateX(-50%); ')
Restaurantes agrupados por tipo
Tipo Quantidade Taxa Média Nota Média
Coreana 2 10.490000 4.850000
Italiana 2 11.490000 4.750000
Chinesa 1 8.500000 4.700000
Saudável 2 9.990000 4.700000
Bebidas 4 9.122500 4.650000
Doces & Bolos 9 7.051111 4.600000
Lanches 31 7.280000 4.583871
Japonesa 13 7.380000 4.569231
Brasileira 8 4.560000 4.500000
Padaria 1 5.990000 4.500000
Portuguesa 1 17.000000 4.500000
Açaí 3 9.326667 4.400000
Árabe 1 10.490000 4.400000
Pizza 19 3.308947 4.384211
Variada 1 3.500000 4.200000
Hambúrguer 4 6.970000 4.150000
Salgados 4 3.747500 4.075000
Indiana 1 0.000000 3.200000

Comidas coreanas se destacam dentre os tipos de comida - porém, se referem a apenas 2 restaurantes: Komah Por Paulo Shin, Joy Korean Food. Destaque para Doces & Bolos, que possuem uma alta nota média com 9 restaurantes.

5.2 Considerando notas 0

df %>% 
    group_by(Tipo) %>% 
    summarise(Quantidade = n(), `Taxa Média` = mean(Taxa),
              `Nota Média` = mean(Nota)) %>% 
    arrange(desc(`Nota Média`)) %>% 
    kable(caption = 'Restaurantes agrupados por tipo') %>% 
    kable_styling(full_width = FALSE,
                  bootstrap_options = c('striped', 'hover', 'responsive')) %>% 
    scroll_box(width = '55%', height = '300px',
               extra_css = 'margin-left: 50%; transform: translateX(-50%); ')
Restaurantes agrupados por tipo
Tipo Quantidade Taxa Média Nota Média
Coreana 2 10.490000 4.850000
Italiana 2 11.490000 4.750000
Chinesa 1 8.500000 4.700000
Saudável 2 9.990000 4.700000
Doces & Bolos 9 7.051111 4.600000
Padaria 1 5.990000 4.500000
Portuguesa 1 17.000000 4.500000
Árabe 1 10.490000 4.400000
Japonesa 14 7.210000 4.242857
Lanches 34 7.578824 4.179412
Pizza 20 3.143500 4.165000
Hambúrguer 4 6.970000 4.150000
Salgados 4 3.747500 4.075000
Bebidas 5 9.298000 3.720000
Açaí 4 8.742500 3.300000
Brasileira 11 5.316364 3.272727
Indiana 1 0.000000 3.200000
Variada 2 1.750000 2.100000

Comidas coreanas se destacam dentre os tipos de comida - porém, se referem a apenas 2 restaurantes: Komah Por Paulo Shin, Joy Korean Food. Destaque para Doces & Bolos, que possuem uma alta nota média com 9 restaurantes, e comida Brasileira, que possui 11 restaurantes com nota média de 3,27.

6 Conclusão

Nota-se, portanto, que dos 118 estabelecimentos analisados, a maioria possui uma alta avaliação no site da plataforma. Porém, encontram-se alguns pontos isolados com notas abaixo do esperado - Jama Masjid com nota 3,2 e outros 11 restaurantes com nota 0, pois são novos no iFood.

Os 2 melhores restaurantes dentro os coletados são Cacau Show - Carrefour Jacu Pessêgo e Jakes Food, com nota 5 - seria interessante coletar a quantidade de avaliações dos mesmos.

Ademais, notou-se também que muitos restaurantes optam por não cobrar taxas de frete, o que não pareceu impactar na avaliação dos usuários. E destaque para os restaurantes de comida coreana, que obtiveram a maior média das avaliações no iFood (porém, com apenas 2 restaurantes).

6.1 Contato

Veja todo o processo desse projeto neste repositório.
Para entrar em contato comigo, use qualquer um desses meios:

Website
Email: brunokenzoh@gmail.com
LinkedIn/bruno-kenzo
GitHub/KenzoBH

Obrigado pela leitura! :D
- Kenzo.

  1. Web Scraping, ou “Raspagem da Web”, é o processo de coletar dados de sites da internet. Utilizei bibliotecas específicas para esse processo - Selenium - em linguagem Python e conhecimentos de HTML.↩︎

  2. Uma distribuição assimétrica à esquerda é aquela em que os dados so concentram em um valor acima da média amostral, formando um histograma semelhante a uma subida de colina da esquerda para a direita.↩︎

  3. A moda de uma distribuição é o valor mais frequente da mesma. Há distribuições que podem ter mais de uma moda - distribuições bimodais, trimodais, etc.↩︎