葡萄酒质量对比数据分析报告

## 与葡萄酒质量的相关系数分析如下：

- **正相关变量：**
    - alcohol（酒精含量）：0.44，显著正相关
    - citric acid（柠檬酸）：0.086，轻微正相关
    - free sulfur dioxide（游离二氧化硫）：0.055，轻微正相关
    - sulphates（硫酸盐）：0.038，轻微正相关
    - pH：0.02，几乎无相关

- **负相关变量：**
    - density（密度）：-0.31，显著负相关
    - volatile acidity（挥发性酸）：-0.27，显著负相关
    - chlorides（氯化物）：-0.20，显著负相关
    - fixed acidity（固定酸度）：-0.08，轻微负相关
    - total sulfur dioxide（总二氧化硫）：-0.041，轻微负相关
    - residual sugar（残余糖分）：-0.037，几乎无相关
    
# 4. 散点图对比分析
# 接下来，我将随机抽取红白葡萄酒各200条数据，并绘制11个输入变量对葡萄酒质量的散点图进行对比分析。

import seaborn as sns

# 随机抽取红白葡萄酒各200条数据
red_sample = red_wine.sample(200, random_state=42)
white_sample = white_wine.sample(200, random_state=42)

# 合并数据并添加标识列
sample_data = pd.concat([red_sample, white_sample])
sample_data['Wine Type'] = sample_data['type'].map({'red': 'Red Wine', 'white': 'White Wine'})

# 绘制散点图矩阵，带回归线
plt.figure(figsize=(16, 16))
sns.pairplot(
    sample_data,
    x_vars=sample_data.columns[1:-2],
    y_vars=['quality'],
    hue='Wine Type',
    kind='reg',
    plot_kws={'scatter_kws': {'alpha': 0.5}, 'line_kws': {'linewidth': 1.5}}
)
plt.suptitle('Scatter Plots of Input Variables vs. Quality', y=1.02)
plt.show()

import pandas as pd

# 加载用户上传的文件
file_path = 'https://github.com/AndersonHJB/AndersonHJB.github.io/releases/download/V0.05/03-winequality-both.csv'
data = pd.read_csv(file_path)

# 查看数据集的基本信息
data.info()
data.head()
"""
1. 总观测数：6497条
2. 数据列：13列，其中包括：
    
    - type：葡萄酒类型（红酒或白葡萄酒）
    - fixed acidity（固定酸度）至 alcohol（酒精含量）：11个输入特征变量，均为数值型
    - quality（质量评分）：输出变量，整数型

3. 没有缺失值。
"""
"""
# 1. 数据集描述性分析：红白葡萄酒质量评分分布
"""
import matplotlib.pyplot as plt

# 按类型划分数据
red_wine = data[data['type'] == 'red']
white_wine = data[data['type'] == 'white']
# 绘制红葡萄酒和白葡萄酒质量评分的直方图
plt.figure(figsize=(12, 6))
plt.hist(red_wine['quality'], bins=range(3, 10), alpha=0.7, label='Red Wine', density=True, edgecolor='black')
plt.hist(white_wine['quality'], bins=range(3, 10), alpha=0.7, label='White Wine', density=True, edgecolor='black')
plt.xlabel('Quality Score')
plt.ylabel('Density')
plt.title('Quality Score Distribution for Red and White Wines')
plt.legend()
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()
"""
上图展示了红葡萄酒和白葡萄酒质量评分的分布：

- **红葡萄酒**：评分主要集中在5和6分，占比最高，分布较为集中，低评分（3-4）和高评分（7-8）的比例较低。
- **白葡萄酒**：评分也主要集中在5和6分，但分布更广，7分的比例也相对较高。

> 总体来看，两种酒的质量评分分布存在一定的相似性，但白葡萄酒的高分评分比例稍高于红葡萄酒。
"""
"""
# 2. 红白葡萄酒平均质量评分差异分析
"""
from scipy.stats import ttest_ind

# 计算红葡萄酒和白葡萄酒的平均质量评分
red_mean_quality = red_wine['quality'].mean()
white_mean_quality = white_wine['quality'].mean()

# 输出结果
print(f"红葡萄酒平均评分: {red_mean_quality:.2f}")
print(f"白葡萄酒平均评分: {white_mean_quality:.2f}")
"""
从平均值来看，白葡萄酒的评分略高于红葡萄酒。接下来我们将通过统计检验来判断这种差异是否具有显著性。 ​
"""
# 独立样本 t 检验
t_stat, p_value = ttest_ind(red_wine['quality'], white_wine['quality'])

print(f"t统计量: {t_stat:.2f}, p值: {p_value:.2e}")
"""
通过独立样本 t 检验得出以下结果：

- t统计量：-9.69
- p值：4.89e-22

由于 p 值远小于常用的显著性水平（如 0.05），我们可以拒绝原假设，说明红葡萄酒和白葡萄酒的平均质量评分之间的差异具有显著性。
"""
"""
# 3. 输入指标间相关性及与质量的关系分析
"""
# 计算相关系数矩阵
correlation_matrix = data.iloc[:, 1:].corr()  # 从 "fixed acidity" 开始到 "quality"

# 与质量相关的变量排序
quality_correlation = correlation_matrix['quality'].sort_values(ascending=False)
# 输出相关系数矩阵和与质量相关的排序结果
quality_correlation
# 输出相关系数矩阵和与质量相关的排序结果
correlation_matrix
"""
## 与葡萄酒质量的相关系数分析如下：

- **正相关变量：**
    - alcohol（酒精含量）：0.44，显著正相关
    - citric acid（柠檬酸）：0.086，轻微正相关
    - free sulfur dioxide（游离二氧化硫）：0.055，轻微正相关
    - sulphates（硫酸盐）：0.038，轻微正相关
    - pH：0.02，几乎无相关

- **负相关变量：**
    - density（密度）：-0.31，显著负相关
    - volatile acidity（挥发性酸）：-0.27，显著负相关
    - chlorides（氯化物）：-0.20，显著负相关
    - fixed acidity（固定酸度）：-0.08，轻微负相关
    - total sulfur dioxide（总二氧化硫）：-0.041，轻微负相关
    - residual sugar（残余糖分）：-0.037，几乎无相关

"""
"""
# 4. 散点图对比分析
"""
"""
接下来，我将随机抽取红白葡萄酒各200条数据，并绘制11个输入变量对葡萄酒质量的散点图进行对比分析。
"""
import seaborn as sns

# 随机抽取红白葡萄酒各200条数据
red_sample = red_wine.sample(200, random_state=42)
white_sample = white_wine.sample(200, random_state=42)

# 合并数据并添加标识列
sample_data = pd.concat([red_sample, white_sample])
sample_data['Wine Type'] = sample_data['type'].map({'red': 'Red Wine', 'white': 'White Wine'})

# 绘制散点图矩阵，带回归线
plt.figure(figsize=(16, 16))
sns.pairplot(
    sample_data,
    x_vars=sample_data.columns[1:-2],
    y_vars=['quality'],
    hue='Wine Type',
    kind='reg',
    plot_kws={'scatter_kws': {'alpha': 0.5}, 'line_kws': {'linewidth': 1.5}}
)
plt.suptitle('Scatter Plots of Input Variables vs. Quality', y=1.02)
plt.show()
"""
上图展示了红白葡萄酒各200条样本中，11个输入变量与质量评分的关系。以下是初步分析：

- **酒精含量（alcohol）**：对两种葡萄酒的质量都有显著正向影响，高酒精含量往往对应较高的质量评分。

- **挥发性酸（volatile acidity）**：对红葡萄酒和白葡萄酒的质量均呈现负相关，挥发性酸越高，评分越低。

- **密度（density）**：两种葡萄酒都显示负相关，高密度对应较低的评分。

- 其他变量如**柠檬酸（citric acid）**和**硫酸盐（sulphates）**与质量评分的关系较弱，但可以观察到白葡萄酒在这些变量上的分布较红葡萄酒更广泛。
"""
"""
接下来，我将对自变量进行标准化后，分别对红葡萄酒和白葡萄酒的质量评分进行多元线性回归，并分析回归结果。
"""
"""
# 5. 多元线性回归分析
"""
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
from sklearn.metrics import r2_score
# 分别提取红白葡萄酒数据的特征和目标变量
X_red = red_wine.iloc[:, 1:-1]
y_red = red_wine['quality']
X_white = white_wine.iloc[:, 1:-1]
y_white = white_wine['quality']
# 标准化
scaler = StandardScaler()
X_red_scaled = scaler.fit_transform(X_red)
X_white_scaled = scaler.fit_transform(X_white)
# 多元线性回归
model_red = LinearRegression().fit(X_red_scaled, y_red)
model_white = LinearRegression().fit(X_white_scaled, y_white)
# 获取回归系数和模型的 R^2 分数
coefficients_red = model_red.coef_
r2_red = r2_score(y_red, model_red.predict(X_red_scaled))
coefficients_white = model_white.coef_
r2_white = r2_score(y_white, model_white.predict(X_white_scaled))
# 创建系数和变量名称的对应表
coefficients_df = pd.DataFrame({
    'Feature': X_red.columns,
    'Red Wine Coefficient': coefficients_red,
    'White Wine Coefficient': coefficients_white
})
# 输出结果
coefficients_df
print(f"\n红葡萄酒 R²: {r2_red:.3f}")
print(f"白葡萄酒 R²: {r2_white:.3f}")