紅酒數據集分析

一、簡介

紅酒數據集包括紅酒的成分、產地和酒評等數據。這個數據集對於釀酒師、釀酒愛好者和市場分析師來說都非常有用。在本文中，我們將對紅酒數據集進行探索性分析和建模預測，並通過數據可視化展示分析結果。

二、數據清洗

首先，我們需要檢查數據集是否有缺失值和異常值。

import pandas as pd

wine = pd.read_csv('wine_data.csv')
print(wine.isnull().sum())

通過運行代碼，我們發現數據集中沒有缺失值。下一步是檢查是否存在異常值。

import seaborn as sns

sns.boxplot(x=wine['price'])

從箱線圖中，我們可以看到紅酒價格的分布大致對稱，但是有一些價格明顯偏高。我們可以對價格進行多元統計分析，看看這些價格是否異常。

from statsmodels.formula.api import ols
lm = ols('price ~ country + points + variety', wine).fit()
print(lm.summary())

通過運行代碼，我們可以看到存在少量異常值，我們可以將它們刪除。

wine = wine[wine['price'] < 5000]

三、數據探索

1. 酒的產地、價格和評分的關係

我們首先想知道的是，紅酒的產地、價格和評分是否有聯繫。

sns.scatterplot(x='price', y='points', hue='country', data=wine)

從散點圖中，我們可以看到法國紅酒價格高，品質也好。澳大利亞和南非產的紅酒價格較低，評分不太高。這對於酒賣家和分析師來說都很重要。

2. 不同產地的紅酒酒精度分布情況

我們還可以比較不同國家紅酒酒精含量的分布情況。

sns.kdeplot(wine[wine['country']=='France']['alcohol'], label='France')
sns.kdeplot(wine[wine['country']=='Italy']['alcohol'], label='Italy')
sns.kdeplot(wine[wine['country']=='Spain']['alcohol'], label='Spain')

從核密度估計圖中，我們可以發現法國紅酒的酒精含量分布比較平均，而西班牙和義大利更加正態分布。

四、數據建模

現在我們將使用分類模型來預測紅酒的產地。我們可以將數據集分成訓練集和測試集，訓練一個隨機森林分類模型。

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

X = wine[['price', 'points', 'alcohol']]
y = wine['country']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

rfc = RandomForestClassifier(n_estimators=100, max_depth=10)
rfc.fit(X_train, y_train)
y_pred = rfc.predict(X_test)

print('Accuracy score:', accuracy_score(y_test, y_pred))

從得分中，我們可以看到模型的準確率為76.7%，這非常不錯。

五、總結和展望

通過對紅酒數據集的探索和建模預測，我們可以發現紅酒產地與價格、評分、酒精含量等存在一定關係。同時，我們還可以通過建模預測紅酒的產地。不過，這個數據集還可以進一步探索，比如對各產地紅酒的釀造技術和歷史進行深入研究，同時可以與其他數據集結合分析。這些研究將有助於更好地理解紅酒市場和飲品文化。