Зимняя Москва. Активности в парках
Концепция
Каждую зиму в Московских парках появляется множество развлечений и активностей. Планируя отдых в одном из многочисленных парков легко растеряться и запутаться. Данный анализ помог структурировать информацию для подбора самого комфортного варианта прогулки.
Визуализация данных
Используя библиотеку Pandas, поанализировала загруженные данные и привела координаты к числовому формату. df['Longitude_WGS84'] = pd.to_numeric (df['Longitude_WGS84'], errors='coerce') df['Latitude_WGS84'] = pd.to_numeric (df['Latitude_WGS84'], errors='coerce')
Составленные графики позволяют увидеть, где больше всего вариантов для прогулки и отдыха в парке.
Распределение объектов по районам Москвы
plt.figure () district_counts.plot (kind='line', color='skyblue') plt.title ('Количество объектов по районам') plt.xlabel ('Район') plt.ylabel ('Количество объектов') plt.xticks (rotation=90) plt.tight_layout () color='skyblue' plt.show ()
Распределение объектов по Административным округам Москвы
plt.figure () adm_counts.plot (kind='bar', color='skyblue') plt.title ('Количество объектов по административным округам') plt.xlabel ('Административный округ') plt.ylabel ('Количество объектов') plt.xticks (rotation=90) plt.tight_layout () color='skyblue' plt.show ()
Основываясь на этих данных, я решила узнать какое наибольшее колличество объектов может быть в одном районе и насколько равномерно они распределены по городу.
График анализирует распределение и плотность данных, в данном случае, количество районов, которые имеют наименьшее, среднее и наибольшее число парков. plt.figure () plt.hist (df['Longitude_WGS84'].dropna (), bins=10, color='skyblue') plt.title ('Распределение долгот') plt.xlabel ('Долгота') plt.ylabel ('Частота') plt.tight_layout () color='skyblue' plt.show ()
Помимо локации, были проанализированы и типы активностей, что помогло выявить наиболее популярный вариант.
Круговая диаграмма с распределением по типу активности
plt.figure () type_counts.plot (kind='pie', autopct='%1.1f%%') plt.title ('Распределение по типу объекта') plt.ylabel ('') plt.tight_layout () plt.show ()
В результате анализа, можно сделать выводы о самых популярных объектах в парках на протяжении зимнего периода, где сосредоточено большее количество парков и с какой плотностью.
Для генерации обложки и мудборда использовалась нейросеть: krea.ai v1 Промты: Обложка: [people skating on the skating rink in winter, there is a Christmas atmosphere around]. Мудборд: [winter, there is a Christmas atmosphere around]. Для работы с данными, из классификацией и редактированием использовался Chat-GPT 5. Для визуализации графиков использовалcz PyCharm.
