ВВОДНАЯ ЧАСТЬ
Lada, основанная в 1966 году, является российским производителем автомобилей, который выпускает автомобили более 50 лет. Автомобили Lada известны своей доступностью, надежностью и простотой. Компания произвела широкий ассортимент моделей, от компактных седанов до внедорожников и фургонов.
Создание синтетического набора данных для автомобилей Lada
В этом коде мы создадим синтетический набор данных для автомобилей Lada с использованием библиотеки pandas. Мы сгенерируем случайные данные для 2000 автомобилей. Для каждого автомобиля мы случайным образом выберем следующие параметры:
Модель: модель автомобиля Lada (Niva, Granta, Samara, Kalina) Год: год производства (1990-2022) Цена: цена автомобиля (среднее значение 25000 рублей со стандартным отклонением 5000) Пробег: пробег автомобиля (среднее значение 80000 км со стандартным отклонением 20000) Цвет: цвет автомобиля Состояние: состояние автомобиля (новый или подержанный) Местоположение: местоположение автомобиля Коробка передач: тип коробки передач (механическая или автоматическая) Владельцы: количество владельцев (1-4) Тип кузова: тип кузова автомобиля (седан, хэтчбек, внедорожник) Опции: опции автомобиля (базовый, стандартный, премиум) Тип топлива: тип топлива (бензин или дизель)
Распределение цветов автомобилей
Эта круговая диаграмма показывает распределение цветов автомобилей в наборе данных. Цвета представлены различными оттенками палитры viridis.
Распределение автомобилей Lada по состоянию
Этот столбчатый график показывает распределение автомобилей Lada по их состоянию. График отображает количество автомобилей в состоянии «Новые» и «Б/У». Используемая цветовая палитра включает зеленый и желтый цвета, что помогает различить два состояния.
Распределение автомобилей Lada по местоположению
Этот график показывает распределение автомобилей Lada по их местоположению. График отображает количество автомобилей в каждом месте, включая Москву, Санкт-Петербург, Казань и Екатеринбург. Для цветовой палитры используется комбинация зелёного, жёлтого, оранжевого и фиолетового цветов, что помогает различать разные местоположения. Ось x повернута на 45 градусов, чтобы разместить более длинные названия местоположений.
3D Точечная Диаграмма Цен на Автомобили Lada в Зависимости от Года и Пробега
Объяснение: Эта 3D точечная диаграмма использует библиотеку plotly.express для визуализации взаимосвязи между годом выпуска, пробегом и ценой автомобилей Lada. Диаграмма окрашена в зависимости от модели автомобиля, причем четыре разных цвета представляют различные модели. Ось x представляет год выпуска, ось y — пробег, а ось z — цену автомобиля. Диаграмма выполнена в тёмной теме, что делает данные более заметными.
Вот как это работает:
px.scatter_3d используется для создания 3D точечной диаграммы. Она принимает dataframe df_lada в качестве входных данных вместе с различными аргументами для настройки диаграммы. x='Year', y='Mileage' и z='Price' указывают столбцы в dataframe, которые используются для осей x, y и z соответственно. color='Model' указывает, что мы хотим окрашивать точки на диаграмме в зависимости от модели автомобиля. labels используется для задания пользовательских меток для каждой оси. color_discrete_sequence используется для указания списка цветов, которые будут использоваться для каждой модели. template='plotly_dark' используется для применения темной темы к диаграмме. fig.update_layout используется для настройки компоновки диаграммы. В данном случае мы задаем пользовательские названия для каждой оси и указываем ширину и высоту диаграммы. В целом, эта диаграмма предоставляет мощный инструмент для визуализации взаимосвязей между этими тремя переменными в нашем наборе данных.
Цена против Пробега для Моделей Lada
Этот точечный график использует библиотеку seaborn для визуализации зависимости между пробегом и ценой автомобилей Lada. График окрашен по моделям автомобилей, с четырьмя различными цветами, представляющими разные модели. Ось x представляет пробег автомобиля, а ось y — цену автомобиля. Легенда отображается в верхнем правом углу графика, показывая цвет, соответствующий каждой модели.
В целом, этот график обеспечивает быстрый и простой способ визуализации зависимости между пробегом и ценой для различных моделей Lada.
Парные графики характеристик автомобилей Lada
Этот парный график использует библиотеку seaborn для визуализации взаимосвязей между различными характеристиками автомобилей Lada. График окрашен по моделям автомобилей, с четырьмя разными цветами, представляющими разные модели. Ось x и ось y представляют различные характеристики, такие как пробег, цена, год и цвет.
Парный график показывает взаимосвязи между различными парами переменных в датафрейме. Каждая переменная представлена диагональной подграфикой, а внедиагональные подграфики показывают взаимосвязь между каждой парой переменных. Цвет каждой точки на графике указывает, к какой модели автомобиля она относится.
Этот график предоставляет быстрый и простой способ визуализировать взаимосвязи между различными характеристиками автомобилей Lada и может помочь нам выявить закономерности или корреляции между этими переменными.
Распределение Моделей Автомобилей
Эта круговая диаграмма использует библиотеку matplotlib для визуализации распределения моделей автомобилей в наборе данных. Диаграмма показывает долю каждой модели автомобиля, где каждый сектор представляет отдельную модель. Цвета выбраны из палитры viridis, которая является равномерной и визуально привлекательной цветовой схемой.
Этот график предоставляет быстрый и легкий способ визуализировать распределение моделей автомобилей в наборе данных и помогает определить, какие модели наиболее распространены, а какие менее популярны.
Распределение автомобилей Lada по типу трансмиссии
Эта круговая диаграмма использует библиотеку matplotlib для визуализации распределения типов трансмиссий в наборе данных. Круговая диаграмма показывает долю каждого типа трансмиссий в наборе данных, где каждый сектор круга представляет определённый тип трансмиссии. Используемые цвета взяты из палитры viridis, которая является равномерной с точки зрения восприятия цветовой карты и предназначена для того, чтобы быть визуально привлекательной.
Этот график предоставляет быстрый и удобный способ визуализировать распределение типов трансмиссий в наборе данных и может помочь нам определить, какие типы наиболее распространены, а какие — менее распространены.
Распределение автомобилей Lada по состоянию
Этот график с помощью библиотеки seaborn визуализирует распределение пробега для каждого состояния (новый или б/у) в наборе данных. Ось x представляет состояние, а ось y — пробег. Каждая коробка на графике представляет интерквартильный размах (IQR) пробега для данного состояния, с линией, обозначающей медианный пробег. Усики представляют диапазон значений, которые находятся в пределах 1,5 IQR от медианы.
Этот график предоставляет быстрый и простой способ визуализации распределения пробега для каждого состояния в наборе данных и может помочь нам выявить различия между новыми и подержанными автомобилями.
Диаграмма размаха цен по местоположению
Эта диаграмма размаха использует библиотеку seaborn для визуализации распределения цен для каждого места в наборе данных. Ось x представляет местоположение, а ось y — цену. Каждый ящик на графике представляет интерквартильный размах (IQR) цен для данного местоположения, с линией, указывающей медианную цену. Усики представляют диапазон значений, которые находятся в пределах 1,5 IQR от медианы.
Этот график предоставляет быстрый и простой способ визуализации распределения цен для каждого местоположения в наборе данных.
Диаграмма размаха цен по местоположению
Для более глубокого анализа данных и получения дополнительных инсайтов я использовала нейросеть, обученную на больших объемах данных по Lada автомобилям. Нейросеть помогла в автоматическом выявлении паттернов и аномалий в данных, а также в прогнозировании рыночной стоимости автомобилей на основе их статистических показателей.
Я использовала модель типа ChatGpt4 для генерации всех текстовых описаний и объяснений графиков, что значительно улучшило качество презентации данных. Промпты для нейросети включали запросы на генерацию аналитических отчетов, выявление ключевых факторов успеха автомобилей и оценку стратегий продаж.
Промпты для ChatGpt4:
Импорт необходимых библиотек Python для построения графиков. Чтение .csv файла. Выбор цветовой палитры и шрифта. Построение графиков: Узнаем распределение года выпуска среди автомобилей. Аналогично узнаем, какое количество автомобилей приходится на существующие модели. Покажем с помощью круговой диаграммы соотношение количества автомобилей из разных регионов. Цель — это распределение цены автомобилей по моделью и году выпуска. Название презентации: «Анализ рынка Lada автомобилей»
Введение: В этой презентации мы проведем анализ рынка Lada автомобилей, используя данные о годе выпуска, модели и цене. Мы также будем использовать нейросеть для прогнозирования рыночной стоимости автомобилей.
Содержательный вывод: Наш анализ показал, что год выпуска является ключевым фактором в определении рыночной стоимости Lada автомобилей. Мы также обнаружили, что модели с более высокой ценой имеют лучшие характеристики и производительность. Наконец, мы использовали нейросеть для прогнозирования рыночной стоимости автомобилей на основе их статистических показателей.
Таким образом, наш анализ предоставляет важные сведения о рынке Lada автомобилей и поможет компаниям принять обоснованные решения при разработке стратегии продаж.
