Анализ датасета Goodreads

Я давно пользуюсь Goodreads как обычный читатель: отмечаю прочитанные книги, сохраняю списки «хочу прочитать», смотрю рейтинги и отзывы перед тем, как выбрать следующую книгу. Со временем я заметила, что этот сервис формирует целую экосистему читательских предпочтений и оценок.

В рамках проекта мне стало интересно посмотреть на Goodreads как аналитик: что скрывается за тысячами оценок, отзывов и рейтингов? Какие книги получают самые высокие оценки, зависит ли рейтинг от количества отзывов, какие авторы и издатели представлены чаще всего?

Данные Goodreads особенно интересны тем, что они отражают реальные мнения читателей, а не экспертные или критические оценки. Это делает их живыми, немного субъективными, но при этом очень показательными для анализа массовых вкусов и трендов в литературе.

Для проекта я выбрала открытый датасет с платформы Kaggle, содержащий информацию о книгах Goodreads: рейтинги, количество оценок, авторов, издателей, языки и годы публикации. Эти данные хорошо подходят для исследовательского анализа и визуализации, поскольку позволяют выявлять закономерности, сравнивать категории и анализировать динамику во времени.

Поскольку объектом исследования является платформа Goodreads, было важно, чтобы графики визуально ассоциировались с самим сервисом и воспринимались как единое целое, а не как набор разрозненных диаграмм.

В качестве основы была выбрана фирменная цветовая палитра Goodreads, адаптированная под более яркую и живую подачу.

Для текстового оформления всех визуализаций был выбран антиквенный шрифт с засечками, используемый в дизайне Goodreads; антиква традиционно ассоциируется с печатными книгами и длинным чтением, что делает его особенно уместным в контексте анализа литературной платформы. Использование одного шрифта во всех графиках дополнительно усиливает ощущение стилистической целостности проекта.

Приоритет был отдан тем графикам, которые наилучшим образом соответствуют природе анализируемых данных.

Гистограммы используются для анализа распределений количественных показателей, таких как средний рейтинг книг, поскольку они позволяют наглядно увидеть форму распределения, наличие смещения и концентрацию значений.

Столбчатые диаграммы применяются для сравнения категориальных переменных — авторов, издателей и языков, — так как они обеспечивают хорошую читаемость и позволяют легко сопоставлять группы по количеству наблюдений.

Линейные графики используются для анализа временной динамики, например изменения количества книг и среднего рейтинга по годам, что позволяет выявлять долгосрочные тренды и колебания во времени.

Диаграмма рассеяния с логарифмической шкалой применяется для изучения связи между количеством отзывов и рейтингом, поскольку этот тип графика наиболее информативен для выявления корреляций и работы с сильно скошенными распределениями.

График показывает распределение средних рейтингов книг в датасете Goodreads. Основная масса значений сосредоточена в диапазоне от примерно 3.5 до 4.5, что указывает на общее преобладание положительных пользовательских оценок. Это типично для платформ с пользовательскими рейтингами, где книги с крайне низкими оценками встречаются реже.

На графике представлены авторы, наиболее часто встречающиеся в датасете по количеству опубликованных книг. Показатель отражает число произведений, привязанных к профилю автора, и включает как художественные, так и нехудожественные издания, а также переиздания и сборники. График позволяет сравнить авторов между собой и выявить наиболее продуктивных писателей с точки зрения объёма опубликованных работ

На графике представлена зависимость между количеством пользовательских отзывов и средним рейтингом книг. По оси количества отзывов используется логарифмическая шкала, что позволяет корректно отобразить данные с большим разбросом значений — от книг с единичными отзывами до крайне популярных изданий с сотнями тысяч оценок.

Основная масса точек формирует плотную горизонтальную полосу в диапазоне рейтингов примерно от 3.5 до 4.2. Это указывает на то, что независимо от уровня популярности книги её средний рейтинг, как правило, остаётся в этом интервале. Явной сильной корреляции между количеством отзывов и рейтингом не наблюдается: книги с большим числом отзывов не обязательно имеют более высокий рейтинг, однако их оценки выглядят более стабильными и менее разбросанными по сравнению с малопопулярными книгами.

Данный график демонстрирует издателей, наиболее широко по количеству книг. Лидирующие позиции занимают такие издатели, как Vintage и Penguin Books, что отражает их масштаб и активное присутствие на книжном рынке. Остальные издатели из топ-10 представлены более умеренным количеством книг, при этом разница между ними менее выражена.

На графике показана динамика количества книг в датасете по годам публикации начиная с 1950 года. В течение второй половины XX века количество книг остаётся относительно низким и растёт постепенно, без резких колебаний. Начиная с 1990-х годов наблюдается ускорение роста, которое особенно усиливается после 2000 года. Резкий пик в середине 2000-х годов отражает максимальную концентрацию книг в датасете за рассматриваемый период. После этого наблюдается столь же резкое снижение, что, вероятно с особенностями наполнения датасета и ограниченной представленностью более поздних лет. В целом график подчёркивает рост книжного рынка и увеличение объёма данных в эпоху цифровых платформ.