Задавались ли вы вопросом: «Что же едят другие люди?» и «Как выглядит их продуктовая корзина?».

Проходя по супермаркетам, я постоянно замечаю, как сильно отличаются содержимое тележек и подходы людей к покупке продуктов. В одной корзине — десерты, батончики и лимонад, а в другой — куриная грудка, листья салата и пакеты гречки.

Именно такие контрасты заставили меня задуматься о том, как формируются пищевые привычки, какие товары люди выбирают чаще и как же влияют на их решения.

Эта тема оказалась актуальной не только с бытовой точки зрения, но и с позиции анализа потребительского поведения: подобные данные помогают понять тенденции питания, интерес к полезной еде и популярность определённых продуктов.

Данные оказались достаточно разноплановыми, по этой причине в работе были использованы разные форматы графиков.

В цветовой палитре, цвета, что мы обычно видим в продуктовой корзине. Яркие фрукты и овощи для поддержания здорового питания.

Красный в качестве акцентного, пастельный в качестве фонового и дополнительные зелёные оттенки.

Ячейка 1 — работа с CSV

! pip install fpdf --quiet

import os

(проверьте слева во вкладке Files!) CSV_NAME = «Retail_Transactions_Dataset.csv» # ← переименуйте, если у вас другое имя

Папка для работы target_dir = «/content/retail» os.makedirs (target_dir, exist_ok=True)

if os.path.exists (CSV_NAME): os.replace (CSV_NAME, os.path.join (target_dir, CSV_NAME)) print («CSV найден и перемещён в:», target_dir) else: print («CSV-файл не найден. Проверьте имя файла в Files слева.»)

print («Файлы в папке:», os.listdir (target_dir))

Итак, первым делом я загрузила необходимые файлы для работы и создала директории для их хранения, теперь можно приступать к созданию самих таблиц

Какие товары люди чаще всего покупают? Среди всех категорий лидерами оказались, на удивление: мороженное, мыло, джем и зубная паста.

Расшифровка значений: toothpaste = зубная паста Ice Cream = мороженное Soap = мыло Jam = джем Orange = сок Sode = газировка Deodorant = дезодорант Cleaning Rags = Чистящие салфетки Air Freshener = Освежитель воздуха Peanut Butter = Ореховое (арахисовое) масло

Столбчатая диаграмма

plt.figure (figsize=(10,6)) sns.barplot (x=top_products.values, y=top_products.index, palette=palette) plt.title («ТОП-10 наиболее частых товаров», fontsize=14) plt.xlabel («Частота», fontsize=12) plt.ylabel («Товар», fontsize=12) plt.tight_layout () plt.savefig (os.path.join (out_dir, «bar_top_products.png»), dpi=150) plt.close ()

Какие товары покупают люди мы узнали следующим шагом нужно узнать сколько же люди тратят денег за один поход в магазин.

Основные точки нагрузки оказались суммы около 50 $; 65 $; 75 $

Гистограмма стоимости покупок

plt.figure (figsize=(10,6)) sns.histplot (df['Total_Cost'], bins=25, kde=True, color=palette[0]) plt.title («Распределение стоимости покупок», fontsize=14) plt.xlabel («Стоимость покупки (₽)», fontsize=12) plt.ylabel («Количество транзакций», fontsize=12) plt.tight_layout () plt.savefig (os.path.join (out_dir, «hist_total_cost.png»), dpi=150) plt.close ()

Когда же в основном люди ходят в магазин? Кто-то скажет в декабре — перед новым годом, кто-то скажет летом, в июне — в сезон отпусков.

Давайте же наглядно посмотрим какие месяца самые горячие на покупки и какие закономерности можно проследить от года к году.

Основные месяца с наибольшим объемом покупок вы можете заметить в летний сезон 2020, 2021, 2023 года. Оно и не удивительно, каникулы, отпуска, все отдыхают.

Что же касается месяцев с самыми низкими продажами, традиционно это январь, первый месяц года. Праздники прошли, все понакупили подарков, теперь как-то нужно дожить до следующей зарплаты доедая оставшиеся после нового года салаты.

Динамика продаж

datetime df['Date'] = pd.to_datetime (df['Date'], errors='coerce')

столбец Год-Месяц (YYYY-MM) df['YearMonth'] = df['Date'].dt.to_period ('M').astype (str)

продажи по месяцам (в общем) sales_by_month = df.groupby ('YearMonth')['Total_Cost'].sum ()

plt.figure (figsize=(12,6)) sns.lineplot ( x=sales_by_month.index, y=sales_by_month.values, marker="o», color="

386641»

plt.title («Динамика продаж по месяцам», fontsize=14) plt.xlabel («Месяц», fontsize=12) plt.ylabel («Суммарные продажи», fontsize=12) plt.xticks (rotation=45) plt.grid (alpha=0.3) plt.tight_layout ()

plt.savefig (os.path.join (out_dir, «line_sales_month.png»), dpi=150) plt.close ()

Круговая диаграмма

store_counts = df['Store_Type'].value_counts () plt.figure (figsize=(8,8)) plt.pie ( store_counts.values, labels=store_counts.index, autopct='%1.1f%%', colors=palette, startangle=140 ) plt.title («Распределение по типам магазинов», fontsize=14) plt.savefig (os.path.join (out_dir, «pie_store_type.png»), dpi=150) plt.close ()

Взаимосвязаны ли показали между собой? Большинство из них, как показывает график не имеют связи, однако, можно проследить взаимосвязь между количеством купленных товаров и стоимостью покупки.

Тепловая карта корреляций

corr = df[['Total_Cost', 'Total_Items', 'Discount_Flag', 'Year']].corr (method='spearman') plt.figure (figsize=(8,6)) sns.heatmap (corr, annot=True, cmap="YlGnBu») plt.title («Корреляции числовых признаков», fontsize=14) plt.tight_layout () plt.savefig (os.path.join (out_dir, «heat_corr.png»), dpi=150) plt.close ()

Датасет: https://www.kaggle.com/datasets/prasad22/retail-transactions-dataset?resource=download

ИИ: ReCraft — генерация обложки

Create a palette — цветовая палитра