🚀 Проект: Анализ Ресторанов Yelp (FastAPI + Pandas)

---

👥 Команда и Вклад

---

💻 Обзор Созданного Кода (dev/solution.py)

В папке

находится основной исполняемый файл

solution.py

, который реализует все требования спецификации с использованием FastAPI для API и Pandas для обработки данных.

Технологический Стек

• API Framework: FastAPI (для высокопроизводительного, асинхронного API).
• Обработка данных: Pandas, NumPy.
• Загрузка данных: KaggleHub (для доступа к набору данных
  farukalam/yelp-restaurant-reviews
  ).
• Анализ тональности: NLTK (VADER Lexicon).
• Визуализация: Matplotlib/Seaborn (для генерации графиков).
• Запуск сервера: Uvicorn.

Ключевые Функции API

Код реализует три обязательные конечные точки для аналитики:

1. /api/top_restaurants
   • Функция:
     get_top_restaurants(cuisine, location, min_reviews)
   • Описание: Возвращает до 10 ресторанов, отсортированных по среднему рейтингу и количеству отзывов, с учетом фильтрации по кухне, местоположению и минимальному количеству отзывов.
   • Особенность: Поскольку оригинальный датасет не содержит столбцов
     Cuisine
     и
     Location
     , код выполняет их имитацию/извлечение из поля
     Yelp URL
     и имени ресторана.

2. /api/cuisine_stats
   • Функция:
     get_cuisine_statistics(location)
   • Описание: Рассчитывает средний рейтинг для каждой категории кухни в заданном городе.
   • Особенность: Поддерживает два формата ответа: JSON (данные) и PNG Image (график, сгенерированный Matplotlib/Seaborn).

3. /api/sentiment_summary
   • Функция:
     get_review_sentiment_summary(restaurant_name)
   • Описание: Проводит простой анализ тональности (sentiment analysis) с использованием VADER Lexicon для отзывов, связанных с указанным рестораном, и возвращает сводку (составной, положительный, нейтральный, отрицательный баллы).

---

💡 Процесс Выполнения Работы

Работа над проектом проходила в строгом соответствии с процессом: Спецификация → Разработка → Ревью.

1. Создание Файла Спецификации (

denchik111

)

• Этап: Формализация требований, результатом чего стал файл в папке
  spec/codex.md
  .

2. Генерация и Отладка Кода (

lanzuelo

, GigaCode, Gemini 3)

• Генерация: На основе спецификации, модель GigaCode предоставила первоначальный каркас кода.
• Отладка и Адаптация: Участник
  lanzuelo
  и модель Gemini 3 совместно решили ключевые технические проблемы, включая:
  • Переход с Django REST API на FastAPI.
  • Устойчивое устранение ошибок NLTK LookupError/DownloadError.
  • Исправление логики загрузки данных KaggleHub для работы с уже распакованными CSV-файлами.
  • Финальная настройка команды запуска Uvicorn (
    "solution:app"
    ).

3. Код-ревью и Финализация (

qwpolinn.ssd

)

• Ревью: Участник
  qwpolinn.ssd
  выполнил критический анализ кода, подтвердив его соответствие спецификации, работоспособность и корректную обработку граничных случаев.

---

🗂️ Структура Репозитория