Original size 1140x1600

Анализ данных о наблюдениях НЛО

PROTECT STATUS: not protected

Введение

Данные и их источник

Для анализа и визуализации я выбрал данные о наблюдениях НЛО. Эти данные были взяты из файла UFOs_coord.xlsx, который содержит информацию о различных наблюдениях НЛО, включая дату и время наблюдения, страну, город, штат, форму объекта, координаты (широту и долготу) и краткое описание наблюдения. Источник данных — National UFO Reporting Center (NUFORC), который с 1974 года занимается сбором и каталогизацией сообщений о наблюдениях НЛО.

Актуальность

Анализ данных о наблюдениях НЛО представляет особый интерес по нескольким причинам:

  1. Мистический и необъяснимый характер: НЛО и связанные с ними явления всегда привлекали внимание и вызывали интерес как у исследователей, так и у широкой публики. Изучение этих данных может помочь выявить определенные закономерности и тенденции в наблюдениях, что может пролить свет на природу этих явлений.

  2. Географическое распределение: Интересно узнать, в каких странах и регионах мира чаще всего фиксируются наблюдения НЛО. Это может помочь выявить области с повышенной активностью и, возможно, определить причины такого распределения.

  3. Временные паттерны: Анализ временных данных (по месяцам и дням недели) может показать, существуют ли определенные сезоны или дни, когда наблюдения НЛО происходят чаще. Это может быть полезно для понимания, связаны ли такие наблюдения с определенными климатическими условиями или социальными факторами.

  4. Формы объектов: Изучение форм наблюдаемых объектов может помочь в классификации и сравнении различных типов НЛО. Это может также способствовать лучшему пониманию их природы и происхождения.

Типы графиков и причины их выбора

Для визуализации данных я выбрал следующие типы графиков:

  1. Круговая диаграмма для распределения наблюдений по странам. Этот тип диаграммы наглядно показывает долю наблюдений в каждой стране, что позволяет легко сравнивать их между собой.

  2. Горизонтальная столбчатая диаграмма для распределения наблюдений по формам объектов. Столбчатые диаграммы удобны для сравнения количественных данных между различными категориями, в данном случае — формами НЛО.

  3. Карта для географической визуализации мест наблюдений с использованием Plotly. Карта позволяет наглядно представить географическое распределение наблюдений, что помогает выявить регионы с наибольшей активностью.

  4. Линейные графики для анализа распределения наблюдений по месяцам и дням недели. Линейные графики удобны для отображения временных рядов и позволяют легко увидеть изменения и тенденции в данных.

  5. Облако слов для анализа текстовых описаний наблюдений. Облако слов помогает визуализировать наиболее часто встречающиеся слова в текстовых данных, что позволяет выявить ключевые темы и термины, используемые в описаниях.

Этапы работы

Обработка данных

Для начала работы с данными о наблюдениях НЛО были выполнены следующие этапы обработки:

import pandas as pd

— Загрузка данных

file_path = 'UFOs_coord.xlsx' data = pd.read_excel (file_path)

— Добавление столбцов с месяцем и днем недели

data['Date / Time'] = pd.to_datetime (data['Date / Time'], format='%m/%d/%Y %H: %M', errors='coerce') data['Month'] = data['Date / Time'].dt.month data['DayOfWeek'] = data['Date / Time'].dt.day_name ()

Стилизация графиков

Для создания консистентной и стилизованной визуализации были применены следующие подходы:

import matplotlib.pyplot as plt

— Цветовая палитра

colors = { 'background': '#2c3e50', # Темно-синий цвет 'primary': '#1f5c4d', # Зеленовато-синий цвет 'secondary': '#f47a30', # Ярко-оранжевый цвет 'tertiary': '#fa9d28', # Светло-оранжевый цвет 'quaternary': '#ffcf55', # Желтовато-оранжевый цвет 'text': '#000000' # Черный цвет для текста }

— Настройка общего стиля графиков

plt.style.use ('seaborn-v0_8-darkgrid')

— Настройка стиля фона и текста

plt.rcParams['axes.facecolor'] = colors['background'] plt.rcParams['savefig.facecolor'] = 'white' # Устанавливаем белый цвет фона для сохраненных изображений plt.rcParams['figure.facecolor'] = 'white' # Устанавливаем белый цвет фона фигуры plt.rcParams['text.color'] = colors['text'] plt.rcParams['axes.labelcolor'] = colors['text'] plt.rcParams['xtick.color'] = colors['text'] plt.rcParams['ytick.color'] = colors['text'] plt.rcParams['grid.color'] = colors['background'] # Устанавливаем цвет сетки таким же как и цвет фона

Использование референсных картинок и источников вдохновения

Для стилизации и создания графиков были применены общие принципы дизайна и цветовые решения, а также референс в виде картинки из интернета.

Итоговые графики

Original size 551x481
Original size 908x534
Original size 1895x597
Original size 865x529
Original size 907x540
Original size 803x434
Анализ данных о наблюдениях НЛО
Григорий Кошелев провёл анализ данных о наблюдениях НЛО, используя информацию из файла UFOs_coord.xlsx. Проект включает визуализацию данных с помощью круговых диаграмм, карт и линейных графиков для изучения географического и временного распределения наблюдений.
Project description created with AI
Project created at 25.09.2024
More projects in artificial intelligence
Никита Шадрин провёл анализ игр на Android, используя данные из датасета и блокнота, доступных по ссылке. В работе был создан код для первой диаграммы с помощью нейросети Chat GPT по запросу на создание круговой диаграммы в Python.
Николь Стриж создала пошаговое руководство по построению графиков на Python с использованием данных о породах собак. Проект включает в себя четыре визуализации, выполненные с помощью библиотек Python и опубликованные в формате Jupyter-блокнота.
Дария Ковалевская создала анализ данных из датасета Индекса Лучшей Жизни 2024, включая визуализацию с помощью различных графиков. Проект включает интерактивный столбчатый график, созданный с использованием библиотеки plotly.express для отображения зависимости удовлетворенности жизнью по странам.
Максим Штенцов провёл анализ данных с веб-сайта MyAnimeList, используя датасет из 26 000 аниме из Kaggle. Проект включает графики, созданные с помощью Chat GPT 4o, и отражает изменения в темах и жанрах аниме за последние 24 года.
We use cookies to improve the operation of the HSE website and to enhance its usability. More detailed information on the use of cookies can be fou...
Show more