Анализ датасета Wine Quality (Exploratory Data Analysis)

0. Информация о рецензируемых работах

Оставлял рецензии для:

• AnastasiaKoo
• IlyaKonovalov
• Dr1mzz

1. Информация о студенте

Бусыгин Степан Алексеевич РИ-150942/1 задание №8

2. Описание задания

Цель анализа

Провести комплексный анализ датасета Wine Quality (mnemoraorg/wine-quality-6k4) для выявления факторов, влияющих на качество красного вина. Датасет содержит физико-химические характеристики вин и экспертные оценки их качества.

Источник данных

• Датасет: mnemoraorg/wine-quality-6k4
• Платформа: Hugging Face Datasets
• Структура: 6497 образцов красного вина с 11 физико-химическими признаками

Что анализировалось

• Целевая переменная: Quality (оценка качества вина от 3 до 9)
• Физико-химические признаки:
  • Fixed Acidity (фиксированная кислотность)
  • Volatile Acidity (летучая кислотность)
  • Citric Acid (лимонная кислота)
  • Residual Sugar (остаточный сахар)
  • Chlorides (хлориды)
  • Free Sulfur Dioxide (свободный диоксид серы)
  • Total Sulfur Dioxide (общий диоксид серы)
  • Density (плотность)
  • pH (pH вина)
  • Sulphates (сульфаты)
  • Alcohol (содержание алкоголя)

---

3. Выполненные работы

3.1 Загрузка и подготовка данных

Функция:

Скрипт успешно загрузил датасет из Hugging Face:

✓ Датасет загружен с Hugging Face (mnemoraorg/wine-quality-6k4)

Статистика загрузки:

• ✓ Успешно загружено 6497 строк (в 4 раза больше, чем ожидалось!)
• ✓ 12 столбцов (11 признаков + целевая переменная quality)
• ✓ Нет пропущенных значений
• ✓ Все признаки численные (float64)

Примечание: Датасет содержит дополнительные образцы по сравнению с исходным UCI датасетом (6497 вместо 1599), что позволяет провести более статистически надежный анализ.

3.2 Анализ целевой переменной (Quality)

Функция:

Распределение оценок качества:

Статистика качества:

• Среднее значение: 5.82
• Медиана: 6.00
• Стандартное отклонение: 0.87
• Минимум: 3
• Максимум: 9
• Q1 (25-й процентиль): 5.00
• Q3 (75-й процентиль): 6.00
• Interquartile Range (IQR): 1.00

Выводы:

• Большинство образцов имеют оценку 5-6 (76.6% всех образцов)
• Распределение близко к нормальному, слегка смещено влево
• Пик находится на оценке 6 (43.7% образцов) - мода датасета
• Крайние значения (3 и 9) редки
• Датасет хорошо сбалансирован между низким, средним и высоким качеством

3.3 Анализ признаков

Функция:

Описательная статистика физико-химических свойств:

Ключевые наблюдения:

• Density: наиболее стабильный признак (мало вариативности, стд = 0.003)
• Residual Sugar: наибольшая вариативность (стд = 4.758)
• pH: относительно узкий диапазон (2.72-4.01), типично для вина
• Alcohol: варьируется от 8% до 14.9%, среднее 10.5%
• Sulphates: используются как консервант, среднее 0.531 г/л

3.4 Визуализация

Созданные графики:

1. 08_wine_quality_target_distribution.png

   • Функция:
     visualize_target(df)
   • Столбчатая диаграмма распределения качества
   • KDE график плотности распределения
   • Показывает четкий пик на оценке 6

2. 08_wine_quality_features_distribution.png

   • Функция:
     visualize_features(df)
   • Гистограммы для всех 11 признаков
   • На каждой отмечены среднее и медиана
   • Показывает разнообразие форм распределений

3. 08_wine_quality_vs_features.png

   • Функция:
     scatter_quality_relationships(df)
   • 6 scatter plot графиков (первые 6 признаков vs качество)
   • Линии тренда для каждого признака
   • Визуально показывает силу связи между признаками и качеством

4. 08_wine_quality_correlation_bars.png

   • Функция:
     correlation_analysis(df)
   • Горизонтальная диаграмма корреляций
   • Зелёные столбцы = положительная корреляция
   • Красные столбцы = отрицательная корреляция

5. 08_wine_quality_by_category.png

   • Функция:
     quality_categories_analysis(df)
   • Box plot графики топ-3 признаков по категориям качества
   • Сравнивает характеристики вин низкого, среднего и высокого качества

---

4. Статистика и ключевые метрики

4.1 Общие метрики датасета

4.2 Метрики целевой переменной (Quality)

4.3 Корреляции признаков с качеством

Ключевые находки:

• Alcohol - главный позитивный предиктор (r=0.44)
• Density - самый сильный негативный предиктор (r=-0.31)
• Volatile Acidity - второй по силе негативный предиктор (r=-0.27)

4.4 Категоризация качества

Разделение на категории:

• Low (3-5): 2384 образцов (36.7%)
• Medium (6-7): 3915 образцов (60.3%)
• High (8+): 198 образцов (3.0%)

Характеристики топ-3 признаков по категориям:

---

5. Ключевые находки

5.1 Главные факторы, влияющие на качество вина

1. Содержание алкоголя (Alcohol) - ГЛАВНЫЙ ПОЗИТИВНЫЙ ФАКТОР

   • Коэффициент корреляции: +0.4443 (средняя положительная)
   • Вина с более высоким содержанием алкоголя имеют лучшие оценки
   • High quality (8+): среднее 11.42% vs Low quality (3-5): 9.98%
   • Разница: 1.44% - значительна!

2. Плотность (Density) - ГЛАВНЫЙ НЕГАТИВНЫЙ ФАКТОР

   • Коэффициент корреляции: -0.3059 (слабая отрицательная)
   • Высокая плотность указывает на меньше алкоголя и больше сахара
   • High quality вина имеют плотность 0.9938 vs Low quality 0.9965
   • Связь опосредована через алкоголь

3. Летучая кислотность (Volatile Acidity) - ВТОРОЙ НЕГАТИВНЫЙ ФАКТОР

   • Коэффициент корреляции: -0.2657 (слабая отрицательная)
   • Показатель уровня уксусной кислоты (браживание и окисление)
   • High quality: 0.283 г/л vs Low quality: 0.423 г/л
   • Высокое содержание ведёт к "уксусному" вкусу

5.2 Менее значимые факторы

• Chlorides (-0.2007): хлориды - слабо отрицательный эффект
• Citric Acid (+0.0855): лимонная кислота - очень слабо положительная

5.3 Практически не влияющие факторы

• pH (+0.0195): pH - практически нет корреляции
• Residual Sugar (-0.0370): сахар - практически нет корреляции
• Total SO₂ (-0.0414): общий SO₂ - минимальное влияние
• Free SO₂ (+0.0555): свободный SO₂ - минимальное влияние

5.4 Распределение качества

Вывод о качестве датасета:

• ✅ Датасет хорошо сбалансирован (76.6% вин среднего качества, 36.7% низкого)
• ✅ Достаточный размер (6497 образцов) для надежной статистики
• ✅ Нет пропусков - чистые данные
• ⚠️ Небольшой дисбаланс: мало очень плохих вин (0.5%) и очень хороших (3.0%)
• ✅ Два класса (5 и 6) доминируют - это целевой рынок (средние вина)

5.5 Практические рекомендации для производства вина

На основе анализа:

1. Для повышения качества:

   • ✅ Максимизировать содержание алкоголя (сильнейший фактор влияния)
   • ✅ Минимизировать летучую кислотность (<0.3 г/л для высокого качества)
   • ✅ Снижать плотность (косвенно - через алкоголь)

2. Контрольные показатели для высокого качества (≥8):

   • Алкоголь: 11.4% и выше
   • Летучая кислотность: < 0.3 г/л
   • Плотность: < 0.994

3. Целевые показатели для среднего качества (6-7):

   • Алкоголь: 10.5-10.6%
   • Летучая кислотность: 0.32 г/л
   • Плотность: 0.9950

5.6 Качество анализа

Сильные стороны:

• Датасет большого размера обеспечивает статистическую надежность
• Отсутствие пропусков упрощает анализ
• Четкая связь между алкоголем и качеством
• Хорошо определены негативные факторы (плотность, летучая кислотность)

Ограничения:

• Корреляции относительно слабые - другие факторы влияют на качество
• Субъективность экспертных оценок (оценки даны экспертами, не единой метрикой)
• Географическое происхождение, сорт винограда не учтены
• Отсутствие информации о методе производства

---

6. Файлы

Исходный код:

• assignment.py
  - основной скрипт с функциями анализа

Графики (PNG, 300 DPI):

• 08_wine_quality_target_distribution.png
  - распределение целевой переменной
• 08_wine_quality_features_distribution.png
  - гистограммы признаков
• 08_wine_quality_vs_features.png
  - scatter plots и тренды
• 08_wine_quality_correlation_bars.png
  - диаграмма корреляций
• 08_wine_quality_by_category.png
  - box plots по категориям

Конфигурационные файлы:

• requirements.txt
  - зависимости Python (pandas, numpy, matplotlib, seaborn, datasets)
• README.md
  - этот файл

---

7. Методология анализа

Используемые методы

1. Описательная статистика - mean, std, min, max, quantiles, mode
2. Визуальный анализ - гистограммы, KDE, box plots, scatter plots
3. Корреляционный анализ - коэффициент корреляции Пирсона
4. Категоризация - разделение на Low/Medium/High качество
5. Линейная регрессия - для построения линий тренда

Технический стек

• Python 3.x
• pandas - манипуляция данными
• numpy - численные вычисления
• matplotlib - визуализация
• seaborn - продвинутая визуализация
• datasets (Hugging Face) - загрузка датасета

Параметры графиков

• DPI: 300 (высокое качество для печати)
• Размер шрифта: 10-13 pt (читаемость)
• Цветовая схема: контрастная (для доступности)
• Включены легенды и метки осей

---

8. Заключение

Анализ датасета Wine Quality (mnemoraorg/wine-quality-6k4, 6497 образцов) выявил, что содержание алкоголя является главным предиктором качества красного вина (r=0.44), за ним следуют плотность (r=-0.31) и летучая кислотность (r=-0.27).

Датасет показал четкое разделение между низким, средним и высоким качеством, что позволяет:

• 🍇 Производителям вина оптимизировать процесс ферментации
• 📊 Data Scientists использовать его для построения моделей предсказания качества
• 🔬 Исследователям изучать влияние физико-химических факторов на качество напитков

Качество датасета: ОТЛИЧНОЕ - большой размер, чистые данные, хорошая балансировка, четкие паттерны.

---

Дата анализа: 2025-11-25
Размер датасета: 6497 образцов (mnemoraorg/wine-quality-6k4)
Платформа: Hugging Face Datasets
Автор: Бусыгин Степан