Анализ данных и визуализации по теме: «Призеры архитектурных премий»

Проект представляет собой анализ и визуализацию данных архитектурных премий.

Для анализа были выбраны данные о победителях международных архитектурных премий: Pritzker Architecture Prize (с 1979 года) Architizer A+ Awards (с 2013 года) Golden Trezzini Awards (с 2018 года)

Источники данных: официальные сайты премий, открытые справочные ресурсы об архитектурных наградах.

Я увлекаюсь современной архитектурой и было интересно проследить за тенденциями - как изменялись роли стран в этой сфере.

Другим людям могут быть интересны эти сведения также, потому что архитектурные премии отражают несколько факторов:

• профессиональное признание архитекторов на мировом уровне;
• исторические и географические тренды в архитектуре;
• культурное влияние и формирование архитектурного канона.

Анализ этих данных позволяет:

• проследить географическое распределение победителей;
• выявить тенденции и изменения во времени; понять, какие страны и регионы оказывают наибольшее влияние в архитектуре.

Для визуализации данных были выбраны несколько типов графиков:

1. Столбчатые диаграммы: Для сравнения количества победителей по странам.

2. Линейные графики: Для анализа динамики лауреатов по десятилетиям. Показывают тренды во времени.

3. Круговые диаграммы: Для отображения доли ведущих стран в общем числе победителей.

4. Кумулятивные графики: Для оценки институционального роста премий и накопления лауреатов с течением времени.

код: import pandas as pd from google.colab import files

uploaded = files.upload() df = pd.read_csv(list(uploaded.keys())[0]) df.head()

df.info() df.describe(include='all')

Создаем колонку "Decade" для анализа по десятилетиям:

df['Decade'] = (df['Year'] // 10) * 10

Подсчет числа победителей по странам:

country_counts = df['Country'].value_counts()

Подсчет числа победителей по десятилетиям:

decade_counts = df.groupby('Decade').size()

Выбран минималистичный и читабельный стиль, чтобы визуализация выглядела как научная инфографика.

Использован seaborn с темой whitegrid для чистоты и контраста.

Палитра цветов — «viridis» и «coolwarm».

1. Exploratory (изучающий) подход:

• сравнение стран по количеству лауреатов.
• анализ динамики победителей по десятилетиям.
• оценка концентрации признания.

2. Explanatory (объясняющий) подход:

• выделение лидирующих стран и регионов.
• демонстрация роста культурного разнообразия с течением времени.
• объяснение институционального развития премий через кумулятивные графики.

1. Частотный анализ (value_counts) — подсчет победителей по странам.

2. Группировка и агрегация (groupby) — анализ по десятилетиям.

3. Временная агрегация — выявление трендов и изменений во времени.

4. Кумулятивная сумма (cumsum) — изучение накопительного эффекта премий.

5. Визуальный анализ — выявление закономерностей через графики и диаграммы.

country_counts = df['Country'].value_counts().head(10)

plt.figure(figsize=(10,5)) sns.barplot(x=country_counts.values, y=country_counts.index, palette="viridis") plt.title("Top 10 Countries by Number of Winners") plt.xlabel("Number of Winners") plt.ylabel("Country") plt.show()

df['Decade'] = (df['Year'] // 10) * 10 decade_counts = df.groupby('Decade').size()

plt.figure(figsize=(8,5)) sns.lineplot(x=decade_counts.index, y=decade_counts.values, marker='o') plt.title("Winners by Decade") plt.xlabel("Decade") plt.ylabel("Count") plt.show()