「品酒」已經不再是有錢人的權利，在這個美酒當道的年代，我們要如何像 Somm 電影的品酒師，一口就能辨別出「口感」、「年份」、「產地」，甚至預測下一季爆款的酒呢？
情境：
Photo by Scott Warman on Unsplash
這時候，機器學習與深度學習都是相當好的辦法，但我們要成為好的品酒工程師之前，我們必須學會理解「數據來源」、「產業知識」、「演算法背後的機制」。更多細節與概念，歡迎參考我們過往寫過的文章 — 《猜猜這瓶紅酒多少錢─使用機器學習來做價格預測》。
因此今天筆者會用 Python 來教大家探索性資料分析 （Exploratory Data Analysis ) 的方法，協助讀者可以慢慢接觸上述三種觀念。Background 小知識時間：
何謂「探索式資料分析」？
探索性資料分析是利用資料視覺化或統計專業等等的方法，來對原始數據集進行理解，有助於後續的假說建立、數據清理 (Data Mining)、模型建置等等。
而深度學習是機器學習的一個分支，較擅長處理影像、圖片與文字的特徵，
像是近期流行的口罩辨識系統、語音辨識功能、網路輿情分析等等，如果有興趣的讀者可以去看看背後的知識與技術應用，文章底下有延伸閱讀可以參考。
任務：
這次會以學習 Python 畫圖工具 pandas, matplotlib, seaborn 為主要內容，並透過 Wine Enthusiast 這個網站的評論數據集，幫助我們做 EDA 的流程，最後也會分享深度學習中的 TextBlob 應用。
（以下是 Wine Enthusiast 中的一則評論中，可以簡單看出評論內有分數、產地、價格等等的資訊，例如：這瓶酒的分數落在93分、價格是$30美金、酒精濃度是 11.5%，這些資訊都能協助我們後續的預測趨勢。）
Photo from Wine Enthusiast website.
預期成效：
藉由 EDA 快速了解數據集以及酒類的相關資訊，並透過 TextBlob 應用去分析評論，最後得到可以辨別葡萄顏色跟甜度的模型。
應用
Kaggle Wine Reviews 頁面截圖
首先我們必須利用 Kaggle 去了解我們的首要目標與 Dataset 的輪廓，因此看看其他 Kaggle 大神是如何分析也是相當重要的一個過程，有利我們後續的 EDA。
Kaggle Wine Reviews 資料樣貌
來到 Dataset 我們可以看到由左至右，分別是國家、酒品說明、葡萄的來源、分數、價格、省（酒品產地）、地區 1 、地區 2、酒廠等等。
詳細的欄位細節可以觀看上面的描述。
理解數據集的長相以後，就可以開始透過 Python 畫圖工具，幫助我們快速了解整體的框架與輪廓。
Python 畫圖工具
Pandas basic plot functions:
這張 Bar Plot 讓我們知道分數的落點，圖中顯示是 80–100 這個區間。
df_original['points'].value_counts().sort_index().plot.bar(color=(0.2, 0.4, 0.6, 0.6))
matplotlib：
我們也可以透過 matplotlib 並增加 圖片尺寸（figsize） 跟 文字大小（fontsize）來優化我們圖。
import matplotlib as mlt
#Using Matplotlib: Change the title fontsize
plot01 = df_original['points'].value_counts().sort_index().plot.bar(
figsize = (14,8),
fontsize = 16,
color=(0.1, 0.3, 0.5, 0.7))
plot01.set_title("Counts of the Wine Points", fontsize = 18)
plot01.set_xlabel("Points", fontsize = 18)
plot01.set_ylabel("Count", fontsize = 18)
酒類分數計算
Seaborn packages
如果需要更複雜的圖表可以透過 Seaborn 來協助完成，像是以下就是展示四個國家酒類分數的分佈比例。
import seaborn as sns
# Extract wine scores from two countries US and France
df = df_original[df_original['country'].isin(['US','France', 'Canada', 'Spain'])]
g = sns.FacetGrid(df, col = "country", col_wrap = 2)
g.map(sns.kdeplot, "points")
多數國家的酒品分數都落在85分左右
上圖可得知加拿大的酒品分數集中於90分，遠遠超越其他三個國家的比例。
結論：
EDA 我們得到的 points:
- 酒類的評論分數落在 80–100 之間，很少低於或高於這個區域。
- 80% 的酒品分數皆在 83–93 這個區間。
- 四個國家的評論分數的眾數都是 85–92 分。
- 唯有加拿大(Canada) 有更高比例的集中於 90 分的位置。
- 我們可以得知「國家」對於「酒品的分數」有一定的影響力。
透過以上 EDA 的流程能幫助數據工程師更好的理解數據、產業知識，有利後續的顧客溝通與需求的定義，因此 EDA 其實是相當重要的一環。
後續文章預告：
筆者想分享 Python TextBlob 套件能讓我們利用 NLP（Natural language processing）辨識文字評論與情緒，最後達到「分辨不同酒品中葡萄的顏色與甜度」的模型。
以下是辨別紅白酒的結果，主要是透過 Textbolb 去 Parse 重要的文字，再透過領域知識與演算法，來計算出分數，並定義出最終的結果。
Python TextBlob 更多可以應用的情境：
也可以應用機器學習中的預測與分類的方法，去辨別酒品的好壞，甚至預測新品的分數。
舉例：
- 名詞短語提取（Noun phrase extraction）
- 詞性標記（Part-of-speech tagging)
- 情緒分析（Sentiment analysis）
- 分類（樸素貝葉斯，決策樹）
- 標記化（將文字拆分為單詞和句子）
- 單詞和短語頻率（Word and phrase frequencies）
作者：黃榮晟(臺灣行銷研究特邀作者)、劉加德(臺灣行銷研究特邀編審)、鍾皓軒(臺灣行銷研究有限公司創辦人）
如果喜歡筆者的文章，歡迎拍手跟訂閱讓我們知道。
詳細的程式碼可以參考以下：
Marketing-Data-Science-Application/如何 0–1 來預測新酒品的市場趨勢 at master · HowardNTUST/Marketing-Data-Science-Application (github.com)
補充的 EDA 文章：
何謂「探索式資料分析」？ — 台灣 | IBM
EDA for Machine Learning | Exploratory Data Analysis in Python (analyticsvidhya.com)
顧客資料透視（一部曲）-互動式表格【附Python程式碼】. 資料視覺化 （Data… | by 行銷資料科學 | Marketingdatascience | Medium
自然語言處理 (NLP) 與 TextBolb 套件資訊:
TextBlob: Simplified Text Processing — TextBlob 0.16.0 documentation
What is Natural Language Processing? | IBM
人工智慧與機器學習－行銷資料科學家必備技能之一. 在第一篇文章當中，我們提到人工智慧（Artificial… | by 李蓓儒 | Marketingdatascience | Medium
參考資料:
Plotting with pandas, matplotlib, and seaborn | Kaggle
TextBlob for determining grape color and sweetness | Kaggle
Somm (2012) — IMDb
You searched for | Wine Enthusiast (winemag.com)
wine-deep-learning/README.md at master · zackthoutt/wine-deep-learning · GitHub
Bivariate plotting with pandas | Kaggle
