Анализ уличной еды

Уличная еда — настоящая культурная особенность каждого региона. Она популярна благодаря доступности, разнообразию и уникальному сочетанию вкусов. В последние годы уличная еда становится трендом даже в гастрономии, выходя за рамки обычных закусок и превращаясь в объект кулинарных экспериментов.

Для анализа я выбрал данные(Fully Cleaned Street Food Dataset) о популярных блюдах из разных стран мира с сайта Kaggle. Данные содержат информацию о названии блюда, стране происхождения, его описании, калорийности, типе подачи (горячее или холодное), основных ингредиентах, категории (десерт, закуска и т. д.), времени приготовления и популярности.

Датасет отражает гастрономическое разнообразие мира. Исследование поможет выявить какие страны предлагают самые калорийные блюда, какие категории блюд (например, закуски или десерты) - наиболее популярны, какие ингредиенты чаще всего используются в кулинарии, как время приготовления соотносится с популярностью - блюда. А также названия самых популярных блюд серди уличной кухни.

Для визуализации данных мной были выбраны - облако слов, круговая диаграмма, точечная диаграмма, гистограмма, донат-диаграмма.

Сначала я импортировала все необходимые библиотеки. После этого я настраиваю шрифт для визуализаций с помощью FontProperties, загружаю файл с данными из CSV с помощью pd.read_csv() и выводим информацию о структуре данных с помощью метода df.info(), чтобы понять, с какими столбцами и типами данных я работаю. Это помогает сразу оценить, насколько хорошо подготовлены данные для дальнейшей обработки и визуализации.

Первым шагом я решил посмотреть, какие ингредиенты наиболее часто встречаются в уличной еде разных стран.

Для этого я собрала данные из столбца "Main Ingredients", объединила их в одну строку и создала облако слов с помощью WordCloud. Готовое изображение вывела с помощью plt.imshow() и убрала оси для чистоты визуализации.

Далее я решил выяснить, какие категории блюд встречаются чаще всего.

Здесь строится круговая диаграмма для топ-3 категорий из столбца Category. Сначала с помощью value_counts() подсчитываются уникальные значения категорий, а затем извлекаются топ-3. Потом создается круговая диаграмма с параметрами: настройка цветов, аннотации для процентов, взрыв сегментов и шрифт. Используется plt.pie() для отображения диаграммы, после чего оси отключаются, чтобы оставить только саму диаграмму.

Я использую метод twinx(), чтобы создать две оси Y на одном графике. Одна ось будет показывать количество калорий (с использованием левой оси), а другая — время приготовления (с использованием правой оси). Это позволяет сравнивать данные, которые имеют разные единицы измерения.

Для каждого из показателей (калории и время приготовления) я строю точечный график (scatter plot). Точки для калорий отображаются с использованием одного цвета (основной цвет #5d1514), а точки для времени приготовления — с другим цветом (#ac7c6a).

Далее я добавляю подписи к осям, чтобы было понятно, что каждая ось представляет. Левые оси отображают количество калорий, а правые — время приготовления.

Здесь я строю гистограмму для отображения средней калорийности блюд по странам/регионам. Для этого я использую метод groupby(), чтобы сгруппировать данные по столбцу Country/Region, и затем вычисляю среднее значение калорий с помощью mean(). Гистограмма отображает страны на оси X и средние калории на оси Y. Далее настраиваю цвета, шрифт и метки, чтобы сделать визуализацию более понятной.

Далее я решила узнать, какие блюда чаще подают – горячие или холодные.

Подсчитала количество блюд каждого типа ("Serving Type") и построила пироговую диаграмму с отверстием в центре (donut chart).

Последним шагом я решила узнать названия наиболее популярных блюд.

Здесь я создаю облако слов для отображения названий блюд, используя столбец Food Name. Процесс аналогичен первому облаку слов, но теперь отображаются именно названия блюд, а не ингредиенты.