如何 0–1 來預測新酒品的市場趨勢？（深度學習 - Part 1 : EDA 與 Python 畫圖工具）

2022/09/19閱讀時間約 9 分鐘

「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。