Können wir vorhersagen, wie ein Wein anhand seiner chemischen Eigenschaften beurteilt wird?

Zunächst ein kleiner Haftungsausschluss, bevor sich ein Chemiker oder Sommelier über die Lächerlichkeit oder Nutzlosigkeit dieses Artikels schimpft. Bedenken Sie, dass dies mein erstes Datenprojekt ist und meine Absicht nicht darin bestand, die Weinindustrie zu revolutionieren oder zu finden Ein Rohdiamant. Ich bin einfach auf einen nützlichen Datensatz gestoßen und wollte die Erstellung eines umfassenden Datenprojekts üben, um meine Herangehensweise an ein Problem und die Tools, mit denen ich es lösen kann, zu demonstrieren. Dennoch wäre jede konstruktive Kritik sehr willkommen.

Frage:

Können empirische Daten zur Vorhersage subjektiver Qualitäten genutzt werden? Wenn es um Geschmackspräferenzen geht, steht Wein vielleicht nur hinter der modernen Kunst an zweiter Stelle: Wenn man eine Flasche Chianti mit fünf verschiedenen Menschen teilt, wird man wahrscheinlich fünf verschiedene Meinungen darüber bekommen. Schon bevor man einen Schluck trinkt, schwärmt man zwangsläufig von seinem Aromenbouquet, das unweigerlich von einem anderen Mitverkoster in Frage gestellt wird.

Ist es trotzdem möglich, Wein aus chemischer Sicht zu analysieren, um festzustellen, ob er allgemein beliebt ist oder nicht? Und wenn ja, ist das bei Rotweinen einfacher als bei Weißweinen?

Datenaufbereitung:

Die Quelle dieser Daten stammt von einem Kaggle-Benutzer, der einen CSV-Dateidatensatz geteilt hat, der Attribute von fast 1.600 roten und über 4.500 weißen portugiesischen „Vinho Verde“-Sorten enthielt. Der Datensatz stammt aus einer Studie von Paolo Cortez aus dem Jahr 2009, einem Professor an der Universität Minho in Portugal. Alle Weine stammten aus Nordportugal und alle spezifischen Etiketten oder Preise wurden entfernt.

Der ursprüngliche Datensatz bestand aus 12 Spalten (11 waren physikalisch-chemische Eingaben und eine war eine sensorische Ausgabe), und von diesen 11 habe ich sechs zum Vergleich ausgewählt:

1. Zitronensäure
2. pH-Werte
3. Sulfite
4. Saure Flüchtigkeit
5. Alkoholgehalt
6. Chloride

Datenverarbeitung:

Der Datensatz musste nur sehr wenig bereinigt werden, da die Datensätze (einer für Rotweine und einer für Weißweine) keine Nullwerte oder Duplikate enthielten, obwohl der einzige Unterschied zwischen zwei Tabellen der Qualitätsbereich zwischen den beiden war. Die Qualitätswerte waren variable Ausgaben, die als sensorische Daten dargestellt wurden und für den Rotwein zwischen 3 und 8 (auf einer Skala von 0–10) lagen, während die Weißweine zwischen 3 und 9 lagen. Während des Datentransformationsprozesses wurden die Ganzzahlen in Zeichenfolgewerte umgewandelt um ihnen eine aussagekräftigere Bezeichnung zu geben, die der Tatsache entspricht, dass es sich um subjektive und nicht empirische Informationen handelt.

Die mit „überlegen“ gekennzeichneten Weißweine, von denen es nur 5 bzw. 0,11 % des gesamten Datensatzes gab, wurden dann entfernt, um mir einen besseren direkten Vergleich der beiden Weine zu ermöglichen.

Nachdem ich die Daten bereinigt hatte, importierte ich sie in RStudio, um zu sehen, wie die Qualitätsverteilung aus statistischer Sicht aussieht:

Der Mittelwert war bei den Weißweinen etwas höher und beide hatten einen Interquartilbereich von 1. Die Varianz (var) und Standardabweichung (sd) von Weißwein waren etwas höher, was Sinn macht, wenn man sich das Verteilungsdiagramm oben als große Mehrheit ansieht der Rotweine fielen in die Kategorien „ziemlich gut“ und „gut“, während die Weißweine einen höheren Prozentsatz „sehr gut“ und „ausgezeichnet“ aufwiesen.

Ab diesem Zeitpunkt war klar, dass ich über eine zuverlässige Datenverteilung verfügte und nun konnte der Analyseprozess beginnen.

Datenanalyse:

Mein erster Schritt bestand darin, mit PostgreSQL eine Datenbank zu erstellen, die aus einer Weiß- und einer Rotweintabelle bestand. Anschließend habe ich Abfragen durchgeführt, um den Durchschnitt jeder der sechs Kategorien zu ermitteln, und sie dann nach Qualität gruppiert. Indem ich die Ergebnisse in absteigender Reihenfolge nach Qualität ordnete, konnte ich erkennen, ob es einen Zusammenhang gab. Hier ist ein Beispiel einer Parallelabfrage, bei der ich die weißen und roten Tabellen verbunden habe, um die Korrelationen zu vergleichen:

Bei den Rotweinen lässt sich ein klarer Zusammenhang zwischen dem Zitronensäuregehalt und der Qualität erkennen, während die Ergebnisse bei den Weißweinen deutlich weniger zuverlässig waren.

An diesem Punkt könnte ich mit der Erstellung einer Dashboard-Visualisierung beginnen, die leicht zeigen könnte, wie sich die verschiedenen Merkmale auf die Qualität auswirken und ob Rotweine weiterhin konsistente Ergebnisse liefern würden oder nicht.

Datenübertragung:

Ich habe meine SQL-Abfrageergebnisse im CSV-Format gespeichert und diese neue Datenbank in Tableau hochgeladen. Von dort aus ging es lediglich darum, leicht lesbare Balkendiagramme zu erstellen, um die Geschichte dieser Daten zu erzählen.

Die obige Tabelle zeigt deutlich eine sehr konsistente Korrelation zwischen den Werten und der Qualität von Rotwein, wobei die hervorragende Sorte die höchsten bzw. niedrigsten Werte aufweist (das Gleiche gilt auch für die schlechte Qualität).

Bei den Weißweinen sprechen die Daten jedoch für eine andere Aussage. Einige Eigenschaften wie Chloride und Alkohol zeigen klare, wenn auch unvollständige Korrelationen, während Sulfite und pH-Wert viel weniger zuverlässig sind.

An diesem Punkt wollte ich sehen, ob es eine Möglichkeit gibt, die beiden Weine nebeneinander zu vergleichen, um zu sehen, ob der Unterschied deutlicher dargestellt werden kann. Anhand der SQL-Abfrageergebnisse, die ich dann in Excel hochgeladen habe, habe ich dann eine Skalierungsformel verwendet, um die Daten aus den verschiedenen Merkmalen zu normalisieren, und dann dieses neue Blatt in Tableau hochgeladen. Indem ich alles von 0 auf 1 skalierte, konnte ich eine Art Rangdiagramm erstellen, in dem die Qualität mit dem höchsten Wert eine 1 erhielt, die niedrigste eine 0, und je nach Differenz lagen die anderen vier Werte irgendwo dazwischen.

Nun ist in Bezug auf Rotwein klar geworden, dass die ausgezeichneten und schlechten Weine jeweils drei Werte von 0 und 1 hatten, während die anderen Qualitäten irgendwo in der Mitte lagen. Bei den Weißweinen hingegen war die Verteilung wesentlich gleichmäßiger, wobei jede Qualität mindestens einen, aber nicht mehr als zwei 0- oder 1-Werte aufwies.

Abschluss:

Die Datenanalyse aus diesem Projekt zeigt, dass man bereits vor dem Servieren einer Klasse nordportugiesischen Rotweins zuverlässig vorhersagen kann, welche Meinung die Menschen haben werden, die ihn trinken. Und obwohl ich sicherlich kein Sommelier oder Winzer bin, könnten diese Daten bei der Abgabe von Weinempfehlungen oder während des Weinherstellungsprozesses zur Feinabstimmung des Endprodukts verwendet werden.

Mir hat dieses Projekt sehr viel Spaß gemacht, da es mir die Möglichkeit gab, verschiedene Tools und Software zu nutzen, Daten zu analysieren und meine Fähigkeiten auf eine reale Situation anzuwenden. Vielen Dank fürs Lesen. Ich hoffe, dass Sie aus diesem Projekt etwas Aufschlussreiches gelernt haben.