Исследование ресторанов со звездами Michelin
Для анализа я выбрала данные о ресторанах, удостоенных звёзд Michelin, включая информацию о стране, количестве звёзд (1, 2 или 3) и типе кухни. Данные были собраны из открытых источников:
Официальный сайт Michelin Guide (данные по странам и городам с фильтрами). Открытые датасеты на платформах Kaggle.
Я хотела написать эту статью, потому что кухня — это то, что объединяет людей: в ней живут традиции, история и душа культуры. А рестораны Michelin — это места, где эту кухню знают по-настоящему: до мельчайших тонкостей, с уважением и мастерством.
И именно поэтому там её так приятно есть — не просто вкусно, а по-домашнему искренне, даже самое изысканное блюдо.
Первый график
Мне нужно было наглядно показать, какие страны доминируют по количеству звёздных заведений, а также как распределены звёзды внутри каждой страны.
Для этого я объединила три отдельных файла — по одному для каждого уровня звёзд. Затем я привела данные к единому стандарту: регионы (например, «London», «Hong Kong») были сопоставлены со странами («United Kingdom», «China»), чтобы сравнение было корректным.
В результате я получила сводную таблицу, где каждая строка — страна, а столбцы — количество ресторанов с 1, 2 и 3 звёздами. Я отобрала топ-10 стран по общему числу звёздных ресторанов и построила горизонтальную стекированную диаграмму, где длина столбца отражает общий масштаб, а цветовые сегменты — долю каждого уровня звёзд.
Второй график
Я провела анализ и на основе тепловой карты «Кухни × Регионы» выяснила, что кулинарная география Мишлен чётко отражает локальные традиции:
Кантонская кухня почти полностью сосредоточена в Гонконге и Макао, Корейская — исключительно в Сеуле, Тайская (включая южную) — только в Бангкоке, Современная (Creative/Contemporary) доминирует в США, Великобритании и Скандинавии.
Особенно показательно, что даже в элитных категориях (2★ и 3★) сохранилась привязка к культурному наследию — Мишлен не навязывает глобализацию, а отмечает высочайшее мастерство именно в тех кухнях, где оно аутентично и глубоко.
Третий график
Далее мне стало интересно влияет ли страна/материк на выбор кухни лучшего ресторана.
Среди ресторанов Мишлен наиболее востребованной является японская кухня — она доминирует на уровне 3 звёзд, особенно в США, Гонконге и Сеуле (рестораны вроде Sushi Saito, Kojima, The Araki).
На уровнях 2★ и 1★ лидируют кантонская, французская и современная/инновационная кухни, а также растёт влияние корейской и тайской гастрономии. Это говорит о глобальном признании не только классических традиций, но и высокотехнологичного, авторского подхода к национальным блюдам.
Также код делает так, что нажавши на точку, она показывает название, кухню, город и ценовую категорию.
Мишлен-гид не фаворитизирует только классическую французскую кухню, а поощряет высокий уровень искусства приготовления — вне зависимости от национальной традиции.
3 звезды Мишлен — не повсеместное явление, а концентрированная элитарная география, часто привязанная к столицам и мегаполисам.
Четвертый график
Мне хотелось больше погрузится в тему разнообразия кухонь, поэтому решила сделать наглядный график уже с процентами.
Я загрузила данные ресторанов Мишлен с 1, 2 и 3 звёздами, объединила их, стандартизировав названия кухонь (например, «Japanese Contemporary» → «Japanese»), выделила топ-7 самых распространённых кухонь и построила вложенный круговой график, где внешнее кольцо показывает долю каждой кухни, а внутреннее — распределение по звёздности внутри неё.
Японская и китайская кухни доминируют на высшем уровне (3★), в то время как французская и американская представлены шире в целом, но чаще получают 1★ и 2★. Это говорит о том, что Мишлен всё чаще отдаёт высшие награды не только классическим, но и традиционным азиатским кухням, где достигнуты исключительная техника и глубина вкуса.
Все данные, которые я собрала и проанализировала, помогли понять, какие кухни и страны считаются лучшими в мире высокой гастрономии — и почему. Этот проект научил меня работать с реальными данными, находить в них закономерности и превращать цифры в понятные, интересные выводы.
Ресурсы: Нейросеть Qwen.AI, модель Qwen3-Max Instruct: https://chat.qwen.ai — для решения ошибок кода и консультации по поводу возможностей тех или иных библиотек
