重点城市
沿街美食聚集区域
1、人均消费、评价、环境得分、评价人数去除噪
2、对归属于同一条沿街美食聚集区域的所有店铺，进行人均消费、评价、环境得分、评价人数4种因素的汇总，其中人均消费、评价、环境得分求平均值，评价人数求和
3、人均消费、评分、环境、评价人数，店铺数量5个因素得分进行归一化
4、按照人均消费、评分、环境、评价人数40%-- 20%--20%-- 20% 的比例计算出店铺档次分。并将店铺档次分进行归一
5、店铺数量、评价人数、店铺档次得分按照 20%--20%--60%的比例算出最终得分，存储在结果表score_final
6、对结果表score_final按照人均消费（cost）降序排序。将位于30%位置的人均消费数值，记录为cost_limit
7、取结果表里score_final的前30%，通过人均消费（cost）大于cost_limit，店铺数量（num_store）大于25、街道（length，通过area字段，由decimal degree单位转换为米，）长度大于300米同时满足的，得到列表1
8、按照评价人数（total）降序排序，取前30%，得到列表2
9、取列表1、列表2的并集并去重，得到沿街美食聚集区域最终列表，北京共得到50条沿街美食聚集区
不规则聚类美食场景
1、对属于不规则聚类美食场景的店铺的人均消费、评价、环境得分、评价人数去除噪，避免极值对结果的影响
2、对归属于同一不规则聚类美食场景的所有店铺，进行人均消费、评价、环境得分、评价人数4种因素的汇总，其中人均消费、评价、环境得分求平均值，评价人数求和
3、对每一不规则聚类美食场景的人均消费、评分、环境、评价人数，店铺数量5个因素得分进行归一化
4、按照人均消费、评分、环境、评价人数40%-- 20%--20%-- 20% 的比例计算出店铺档次分。并将店铺档次分进行归一
5、店铺数量、评价人数、店铺档次得分按照 20%--20%--60%的比例算出最终得分，存储在结果表score_final
6、输出不规则聚类美食场景详细得分列表
商业综合体
1-5步同不规则聚类美食场景
6、得到结果后将店铺数量小于等于6的商业综合体所包含的店铺从原始数据中清除，再次进行商业综合体分级，得到最终结果
7、重复1-5步骤
8、剔除商业综合体名称（对应结果表中parent_name）包含“装修”、“暂停”字段的数据，得到商业综合体列表
重点酒店
1、 剔除没有轮廓的酒店
2、 剔除包含“连锁酒店”字段的酒店
3、 取最低消费及平均消费的两者最大值排序，取TOP20%得出分级结果
4、 剔除酒店名称名称（对应结果表中name）包含“装修”、“暂停”字段的数据
重点美食餐厅
1、 排除店铺名称、店铺地址、店铺归属的美食场景名称（parent_name字段）中包含“装修”、“暂定”等字样的店铺
2、 排除评价人数低于100的店铺
3、 取人均消费排名的TOP4%列表、评价人数排名TOP2%列表，取并集，并去重
二三线城市分级
1、按照店铺数量分三档，分界线分别为30000、10000，高于30000为一线城市，低于10000为三线城市，中间为二线城市；一线城市参数集合采用38重点城市集合
2、不规则美食聚集区场景，源数据中没有，则可以为零，如果源表里有，结果中至少包含一个
3、沿街美食聚集区参数
对应步骤6
cost_limit
一线：30%，二线：20%、三线：20%
江苏更新
一线：30%，二线：10%、三线：10%
对应步骤7
取清单前百分比
一线：30%、二线：30%、三线：30%
江苏更新
一线：30%、二线：10%、三线：10%
对应步骤8
评价人数top百分比门限(步骤8）
一线：30%、二线：30%、三线：30%
江苏更新
一线：30%、二线：10%、三线：10%
5、重点美食餐厅参数
评价人数
一线：100、二线：90、三线：80
江苏更新
一线：100、二线：90、三线：90
一线：取人均消费排名的TOP4%列表、评价人数排名TOP2%列表。二、三线：取人均消费排名的TOP2%列表、评价人数排名TOP1%列表
