Анализ кофе от Tasty Coffee

Кофе для меня является не просто напитком, а частью повседневного ритуала, который помогает расслабиться. Он сопровождает работу, учёбу, отдых и часто становится фоном для общения или уединения. За чашкой кофе скрывается множество параметров, от вкуса и цены до времени покупки и способа оплаты, которые формируют общий пользовательский опыт. Именно это сочетание повседневности и структуры делает данные о кофе интересными для анализа.

Отправной точкой для проекта стал набор данных о покупках кофе от Tasty Coffee, в котором зафиксированы информация о напитках, времени покупки, стоимости и способе оплаты. Эти данные показались мне ценными, потому что они отражают реальные поведенческие паттерны покупателей и позволяют посмотреть на привычное действие с аналитической точки зрения. Мне стало интересно понять, как распределяются покупки в течение дня, какие напитки выбирают чаще всего и существуют ли различия в цене в зависимости от способа оплаты.

В рамках проекта я решила проанализировать данные с помощью методов описательной статистики и визуализации. В качестве материала используется датасет с платформы Kaggle, содержащий информацию о покупках кофе Tasty Coffee. Перед началом анализа данные были очищены и приведены к удобному для работы виду, так как исходный файл содержал лишние и некорректные значения.

Для визуального анализа я использовала несколько типов графиков, каждый из которых решает свою задачу. Столбчатые диаграммы применялись для сравнения популярности напитков и распределения покупок. Линейные графики позволили проследить изменения активности во времени. Круговые диаграммы использовались для обобщённого представления структуры данных, а облако слов помогло зафиксировать наиболее часто встречающиеся названия и категории напитков. Такой набор визуализаций позволяет рассмотреть данные с разных сторон и сделать выводы на основе наглядных и объясняющих графиков.

Перед построением графиков я сначала подготовила данные к работе. На этом этапе я подключила необходимые библиотеки, загрузила файлы с данными и объединила их в одну таблицу. Далее я привела столбцы с датой и временем к единому формату и создала дополнительные признаки, такие как час и день недели, которые в дальнейшем использовались при анализе.

Этот этап был важен для того, чтобы структурировать данные и сделать их удобными для изучения, а также заложить основу для последующих визуализаций. Подготовка данных и предварительная обработка позволяют избежать искажений в графиках и корректно применять базовые методы анализа, такие как группировка и подсчёт значений.

В рамках анализа я начала с изучения того, как распределяются покупки кофе в течение суток. Для этого был построен линейный график, так как данный тип визуализации лучше всего подходит для отображения изменений показателя во времени. Он позволяет последовательно проследить динамику активности покупателей по часам и сразу заметить периоды роста и спада.

Перед построением графика данные были предварительно обработаны. Я сгруппировала заказы по часам суток и подсчитала количество покупок для каждого часа. Такой способ обработки данных относится к методам описательной статистики и основан на группировке и подсчёте частот. Это позволяет изучать поведение данных без использования сложных статистических моделей и делает результат понятным для интерпретации.

На основе построенной диаграммы можно увидеть, что активность покупателей распределена неравномерно. Минимальное количество покупок приходится на ночные часы, тогда как резкий рост начинается утром. Наиболее выраженные пики наблюдаются в первой половине дня и ближе к вечернему времени, что может быть связано с началом рабочего дня и перерывами. После вечернего пика количество покупок постепенно снижается.

Данный график выполняет изучающую и объясняющую функцию, так как он не только показывает количественные значения, но и помогает понять временные паттерны потребления кофе. Линейный формат позволяет легко считать общую динамику и делает визуализацию удобной для анализа повседневного поведения покупателей.

Перед построением столбчатой диаграммы я сначала подготовила данные о напитках. На этом этапе я привела названия кофе к единому виду и перевела их на русский язык. Это было необходимо, чтобы избежать дублирования позиций из-за различий в написании и сделать итоговую визуализацию более читаемой. Такая обработка данных относится к этапу очистки и нормализации и позволяет корректно применять дальнейшие методы анализа, в частности подсчёт частоты значений.

После подготовки данных я перешла к формированию набора для визуализации. Для этого я подсчитала, сколько раз каждый напиток встречается в данных, отобрала десять самых популярных позиций и отсортировала их по количеству покупок. Данный шаг основан на методах описательной статистики, а именно на подсчёте частоты и сравнении категориальных данных. Это позволяет выявить наиболее востребованные напитки без усложнения анализа.

На основе полученных данных была построена горизонтальная столбчатая диаграмма. Такой тип визуализации выбран, потому что он наглядно показывает различия между категориями и позволяет легко сравнить популярность напитков между собой. Горизонтальный формат делает диаграмму удобной для восприятия, так как названия напитков хорошо читаются, а разница в длине столбцов сразу бросается в глаза.

По диаграмме видно, что несколько напитков явно выделяются по количеству покупок, в то время как остальные позиции из топ-10 имеют более близкие значения. Это указывает на наличие устойчивых предпочтений у покупателей и позволяет сделать вывод о том, какие напитки формируют основу спроса. Данная визуализация выполняет объясняющую функцию, так как помогает быстро понять структуру предпочтений и служит наглядным итогом анализа категориальных данных.

После анализа временной динамики покупок я перешла к изучению стоимости кофе. Для этого была построена гистограмма, так как данный тип визуализации подходит для анализа распределения числовых данных и позволяет понять, в каких ценовых диапазонах совершается наибольшее количество покупок. В отличие от столбчатых диаграмм, гистограмма не сравнивает отдельные категории, а показывает общую структуру распределения значений.

Перед построением графика я использовала метод описательной статистики, основанный на группировке значений стоимости покупки по интервалам и подсчёте количества наблюдений в каждом из них. Такой подход помогает выявить характер распределения цен и оценить, сосредоточены ли покупки вокруг определённых значений или распределены более равномерно.

На полученной гистограмме видно, что большинство покупок сосредоточено в среднем ценовом диапазоне. Более дешёвые и более дорогие позиции встречаются заметно реже, что указывает на наличие устойчивого ценового сегмента, в котором совершается основная часть заказов. Это позволяет сделать вывод о том, что покупатели чаще выбирают напитки с умеренной стоимостью, избегая крайних значений.

Данная визуализация выполняет изучающую и объясняющую функцию, так как она помогает наглядно понять структуру цен и распределение покупок без углубления в сложные расчёты. Гистограмма дополняет предыдущие графики и позволяет рассмотреть данные с другой стороны, сосредоточившись не на времени или категориях, а на числовых характеристиках покупок.