Analisi dati · Notebook in italiano
Wine Enthusiast: prezzi, punteggi e recensioni
Dalla pulizia delle recensioni ai territori, ai vitigni e ai testi: l’analisi completa con DistilBERT e i suoi risultati storici.
129.971 recensioni originali · raccolta storica
Edizione revisionata il . I risultati sono già calcolati: puoi leggere tutto qui e aprire il codice di ogni passaggio.
Il percorso comprende tutte le 207 celle del notebook inglese verificato, con spiegazioni in italiano e 108 risultati conservati. Codice, etichette dei grafici e tabelle mantengono la lingua originale. Gli approfondimenti metodologici seguono in appendice.
In questa analisi
Dentro le recensioni di Wine Enthusiast: dati, vini e analisi dei testi
1. Introduzione
Questa edizione ripercorre l'intero notebook: pulizia, paesi e territori, degustatori, vitigni, prezzi, punteggi, parole delle recensioni e classificazione con DistilBERT. Le schede enologiche sono un contesto per leggere il campione storico, non statistiche aggiornate della produzione mondiale. Il testo inglese di ogni passaggio è conservato nei metadati del notebook scaricabile.
1.1 Il dataset
La raccolta contiene 129.971 recensioni di Wine Enthusiast. Ogni riga descrive una recensione, non necessariamente un vino distinto. Ecco le variabili utilizzate:
| Colonna | Esempio | Tipo | Significato |
|---|---|---|---|
record_id |
0 | int64 | Indice numerico aggiunto dopo il caricamento |
country |
US | object | Nome del paese, normalmente in inglese |
description |
Gutsy aromas of blackberry… | object | Testo libero della degustazione |
designation |
Reserve | object | Nome della selezione o della cuvée; molti valori mancanti |
points |
87 | int64 | Punteggio da 80 a 100 |
price |
15.0 | float64 | Prezzo in dollari statunitensi nella raccolta storica |
province |
California | object | Regione amministrativa o principale area vinicola |
region_1 |
Napa Valley | object | Sottozona o denominazione |
region_2 |
Napa | object | Macroarea, spesso assente |
taster_name |
Roger Voss | object | Nome di chi ha recensito il vino |
taster_twitter_handle |
@vossroger | object | Account Twitter dell'epoca, talvolta condiviso |
title |
Blackberry & Pinot Noir 2013 | object | Titolo completo della recensione |
variety |
Pinot Noir | object | Vitigno principale o tipologia di assemblaggio |
winery |
Robert Mondavi | object | Produttore o cantina |
L'analisi affianca ai dati una guida ai territori, ai vitigni, al sistema di valutazione e alle fasce di prezzo. I prezzi non sono quotazioni attuali; le recensioni pubblicate rappresentano una selezione editoriale, non un campione casuale di tutti i vini.
1.2 Le librerie
| Ambito | Pacchetti |
|---|---|
| Libreria standard | collections, re, typing, warnings |
| Calcolo e trattamento dei dati | numpy, pandas |
| Grafici | matplotlib, seaborn, plotly |
| Apprendimento automatico | scikit-learn, torch |
| Modelli linguistici | transformers |
| Elaborazione dei testi | nltk e stopwords |
| Nuvole di parole | wordcloud |
| Normalizzazione delle stringhe | unidecode |
1.3 Autore
Stefano Nocco. Puoi seguire il lavoro su Kaggle, LinkedIn e Instagram, oppure esplorare gli altri progetti su questo sito.
2. Caricamento e prima ispezione
Mostra il codice Python
import pandas as pd
from typing import Any, Optional
import warnings
warnings.filterwarnings('ignore')
import seaborn as sns
import matplotlib.pyplot as plt
Mostra il codice Python
FILEPATH: str = "/kaggle/input/wine-reviews/winemag-data-130k-v2.csv"
# Carica tutte le colonne, senza downcasting iniziale
df_raw: pd.DataFrame = pd.read_csv(
FILEPATH,
low_memory=False, # evita warning su tipi misti
na_values=["", "NA", "n/a"] # personalizza se serve
)
# Imposto come indice la colonna numerica iniziale
if "Unnamed: 0" in df_raw.columns:
df_raw.rename(columns={"Unnamed: 0": "record_id"}, inplace=True)
df_raw.set_index("record_id", inplace=True)
print(f"Dataset loaded:\n{df_raw.shape[0]} righe × {df_raw.shape[1]} colonne")
Dataset loaded: 129971 righe × 13 colonne
Mostra il codice Python
# First 5 rows
display(df_raw.head())
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||||||
| 0 | Italy | Aromas include tropical fruit, broom, brimston... | Vulkà Bianco | 87 | NaN | Sicily & Sardinia | Etna | NaN | Kerin O’Keefe | @kerinokeefe | Nicosia 2013 Vulkà Bianco (Etna) | White Blend | Nicosia |
| 1 | Portugal | This is ripe and fruity, a wine that is smooth... | Avidagos | 87 | 15.0 | Douro | NaN | NaN | Roger Voss | @vossroger | Quinta dos Avidagos 2011 Avidagos Red (Douro) | Portuguese Red | Quinta dos Avidagos |
| 2 | US | Tart and snappy, the flavors of lime flesh and... | NaN | 87 | 14.0 | Oregon | Willamette Valley | Willamette Valley | Paul Gregutt | @paulgwine | Rainstorm 2013 Pinot Gris (Willamette Valley) | Pinot Gris | Rainstorm |
| 3 | US | Pineapple rind, lemon pith and orange blossom ... | Reserve Late Harvest | 87 | 13.0 | Michigan | Lake Michigan Shore | NaN | Alexander Peartree | NaN | St. Julian 2013 Reserve Late Harvest Riesling ... | Riesling | St. Julian |
| 4 | US | Much like the regular bottling from 2012, this... | Vintner's Reserve Wild Child Block | 87 | 65.0 | Oregon | Willamette Valley | Willamette Valley | Paul Gregutt | @paulgwine | Sweet Cheeks 2012 Vintner's Reserve Wild Child... | Pinot Noir | Sweet Cheeks |
Mostra il codice Python
# Last 5 rows
display(df_raw.tail())
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||||||
| 129966 | Germany | Notes of honeysuckle and cantaloupe sweeten th... | Brauneberger Juffer-Sonnenuhr Spätlese | 90 | 28.0 | Mosel | NaN | NaN | Anna Lee C. Iijima | NaN | Dr. H. Thanisch (Erben Müller-Burggraef) 2013 ... | Riesling | Dr. H. Thanisch (Erben Müller-Burggraef) |
| 129967 | US | Citation is given as much as a decade of bottl... | NaN | 90 | 75.0 | Oregon | Oregon | Oregon Other | Paul Gregutt | @paulgwine | Citation 2004 Pinot Noir (Oregon) | Pinot Noir | Citation |
| 129968 | France | Well-drained gravel soil gives this wine its c... | Kritt | 90 | 30.0 | Alsace | Alsace | NaN | Roger Voss | @vossroger | Domaine Gresser 2013 Kritt Gewurztraminer (Als... | Gewürztraminer | Domaine Gresser |
| 129969 | France | A dry style of Pinot Gris, this is crisp with ... | NaN | 90 | 32.0 | Alsace | Alsace | NaN | Roger Voss | @vossroger | Domaine Marcel Deiss 2012 Pinot Gris (Alsace) | Pinot Gris | Domaine Marcel Deiss |
| 129970 | France | Big, rich and off-dry, this is powered by inte... | Lieu-dit Harth Cuvée Caroline | 90 | 21.0 | Alsace | Alsace | NaN | Roger Voss | @vossroger | Domaine Schoffit 2012 Lieu-dit Harth Cuvée Car... | Gewürztraminer | Domaine Schoffit |
Mostra il codice Python
# Datatypes & non-null values
df_raw.info(verbose=True)
<class 'pandas.core.frame.DataFrame'> Index: 129971 entries, 0 to 129970 Data columns (total 13 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 country 129908 non-null object 1 description 129971 non-null object 2 designation 92506 non-null object 3 points 129971 non-null int64 4 price 120975 non-null float64 5 province 129908 non-null object 6 region_1 108724 non-null object 7 region_2 50511 non-null object 8 taster_name 103727 non-null object 9 taster_twitter_handle 98758 non-null object 10 title 129971 non-null object 11 variety 129970 non-null object 12 winery 129971 non-null object dtypes: float64(1), int64(1), object(11) memory usage: 13.9+ MB
Mostra il codice Python
# Descriptive statistics (numerical and categorical)
df_raw.describe(include="all").T
| count | unique | top | freq | mean | std | min | 25% | 50% | 75% | max | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| country | 129908 | 43 | US | 54504 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| description | 129971 | 119955 | Seductively tart in lemon pith, cranberry and ... | 3 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| designation | 92506 | 37979 | Reserve | 2009 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| points | 129971.0 | NaN | NaN | NaN | 88.447138 | 3.03973 | 80.0 | 86.0 | 88.0 | 91.0 | 100.0 |
| price | 120975.0 | NaN | NaN | NaN | 35.363389 | 41.022218 | 4.0 | 17.0 | 25.0 | 42.0 | 3300.0 |
| province | 129908 | 425 | California | 36247 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| region_1 | 108724 | 1229 | Napa Valley | 4480 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| region_2 | 50511 | 17 | Central Coast | 11065 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| taster_name | 103727 | 19 | Roger Voss | 25514 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| taster_twitter_handle | 98758 | 15 | @vossroger | 25514 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| title | 129971 | 118840 | Gloria Ferrer NV Sonoma Brut Sparkling (Sonoma... | 11 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| variety | 129970 | 707 | Pinot Noir | 13272 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| winery | 129971 | 16757 | Wines & Winemakers | 222 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
Alcune descrizioni compaiono più volte. Questo suggerisce di verificare i duplicati, ma non basta a dimostrare che le righe siano identiche: distinguo quindi la duplicazione di una recensione completa dalla sola ripetizione del testo.
3. Pulizia dei dati
3.1 Rimuovere i duplicati
Mostra il codice Python
# Copio il dataset per mantenere l'originale inalterato
df_clean = df_raw.copy()
# Unicità dell'ID
assert df_clean.index.is_unique, "record_id non è univoco!"
# Range 'points'
assert df_clean["points"].between(0, 100).all(), "Valori di points fuori range atteso!"
# Quante righe sono duplicate su TUTTE le colonne?
# Summary before deduplication
shape_before = df_clean.shape
duplicate_rows = df_clean.duplicated().sum()
# Remove fully identical duplicate rows
df_clean = df_clean.drop_duplicates()
# Summary after deduplication
shape_after = df_clean.shape
duplicates_removed = duplicate_rows # number of rows dropped
print(f"Shape before deduplication : {shape_before}")
print(f"Number of fully identical duplicate rows: {duplicates_removed}")
print(f"Shape after deduplication : {shape_after}")
Shape before deduplication : (129971, 13) Number of fully identical duplicate rows: 9983 Shape after deduplication : (119988, 13)
Il controllo rimuove 9.983 righe duplicate. Ripeto il riepilogo descrittivo per osservare come cambia il dataset.
Mostra il codice Python
df_clean.describe(include="all").T
| count | unique | top | freq | mean | std | min | 25% | 50% | 75% | max | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| country | 119929 | 43 | US | 50457 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| description | 119988 | 119955 | This opens with subtle aromas of wild flower a... | 2 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| designation | 85443 | 37979 | Reserve | 1871 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| points | 119988.0 | NaN | NaN | NaN | 88.442236 | 3.092915 | 80.0 | 86.0 | 88.0 | 91.0 | 100.0 |
| price | 111593.0 | NaN | NaN | NaN | 35.620747 | 42.103728 | 4.0 | 17.0 | 25.0 | 42.0 | 3300.0 |
| province | 119929 | 425 | California | 33656 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| region_1 | 100428 | 1229 | Napa Valley | 4174 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| region_2 | 46769 | 17 | Central Coast | 10233 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| taster_name | 95071 | 19 | Roger Voss | 23560 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| taster_twitter_handle | 90542 | 15 | @vossroger | 23560 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| title | 119988 | 118840 | Gloria Ferrer NV Sonoma Brut Sparkling (Sonoma... | 9 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| variety | 119987 | 707 | Pinot Noir | 12278 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
| winery | 119988 | 16757 | Wines & Winemakers | 211 | NaN | NaN | NaN | NaN | NaN | NaN | NaN |
3.2 Descrizioni ripetute
Anche dopo la rimozione dei duplicati, il numero di descrizioni supera di 33 quello dei testi distinti. Potrebbero essere recensioni ripetute dello stesso vino oppure lo stesso testo associato a vini diversi. Controllo le righe coinvolte prima di eliminarle.
Mostra il codice Python
# Record where "description" is duplicated
dup_rows = df_clean[df_clean.duplicated(subset="description", keep=False)].copy()
dup_rows = dup_rows.sort_values('description')
Mostra il codice Python
dup_rows.head(6)
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||||||
| 71853 | France | 90–92. Barrel sample. This is a solid and dens... | Barrel Sample | 91 | NaN | Bordeaux | Moulis-en-Médoc | NaN | Roger Voss | @vossroger | Château Maucaillou 2012 Barrel Sample (Moulis... | Bordeaux-style Red Blend | Château Maucaillou |
| 71851 | France | 90–92. Barrel sample. This is a solid and dens... | Barrel Sample | 91 | NaN | Bordeaux | Margaux | NaN | Roger Voss | @vossroger | Château Pontac-Lynch 2012 Barrel Sample (Marg... | Bordeaux-style Red Blend | Château Pontac-Lynch |
| 105559 | France | 92–94. Barrel sample. With so much spicy fruit... | Barrel Sample | 93 | NaN | Bordeaux | Saint-Julien | NaN | Roger Voss | @vossroger | Château Gruaud Larose 2012 Barrel Sample (Sai... | Bordeaux-style Red Blend | Château Gruaud Larose |
| 105554 | France | 92–94. Barrel sample. With so much spicy fruit... | Barrel Sample | 93 | NaN | Bordeaux | Pauillac | NaN | Roger Voss | @vossroger | Château Grand-Puy-Lacoste 2012 Barrel Sample ... | Bordeaux-style Red Blend | Château Grand-Puy-Lacoste |
| 73905 | Italy | Almost too much of a good thing, Passo is a th... | Passo | 88 | 35.0 | Veneto | Rosso del Veronese | NaN | NaN | NaN | Stefano Accordini 2007 Passo Red (Rosso del Ve... | Red Blend | Stefano Accordini |
| 73890 | Italy | Almost too much of a good thing, Passo is a th... | Passo | 88 | 35.0 | Veneto | Rosso del Veronese | NaN | NaN | NaN | Stefano Accordini 2008 Passo Red (Rosso del Ve... | Red Blend | Stefano Accordini |
Le righe non sono completamente identiche: in alcuni casi cambiano vino, cantina e punteggio. Conservo questi record e verifico separatamente le colonne che identificano il prodotto. L'uguaglianza del solo testo non è una ragione sufficiente per cancellare una recensione.
Mostra il codice Python
key_cols = ["description", "title", "winery",
"designation", "points", "price"]
dup_rows_to_remove = df_clean[df_clean.duplicated(subset=key_cols, keep=False)].copy()
Mostra il codice Python
dup_rows_to_remove
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id |
Il controllo restituisce un insieme vuoto: non elimino altre righe. Anche l'ispezione manuale dell'analisi originale associa i testi ripetuti a vini, cantine o luoghi differenti.
Questo non esclude un problema successivo per il modello: descrizioni identiche distribuite fra addestramento e verifica possono rendere la valutazione troppo favorevole. Il modello storico conserva la sua procedura originale; questo limite va tenuto presente.
3.3 Valori mancanti
Mostra il codice Python
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from typing import Optional
def report_missing_values(
df: pd.DataFrame,
*,
top_n: Optional[int] = 10,
show_heatmap: bool = True,
figsize: tuple[int, int] = (12, 6),
) -> pd.Series:
"""
Analyze and visualize missing values in a DataFrame.
Parameters
----------
df : pd.DataFrame
The DataFrame to analyze.
top_n : int | None, default 10
Number of columns to show in the percentage ranking (None → all).
show_heatmap : bool, default True
If True, draws a heatmap of the missing cells.
figsize : tuple[int, int], default (12, 6)
Figure size for the heatmap.
Returns
-------
pd.Series
Series with the count of NaNs per column (only those with at least
one missing value), sorted in descending order.
"""
# 1. Conteggio dei NaN
missing_counts = df.isna().sum()
missing_counts = missing_counts[missing_counts > 0].sort_values(ascending=False)
print("Missing values per column:")
print(missing_counts, "\n")
# 2. Percentuali di NaN
missing_pct = (df.isna().mean() * 100).sort_values(ascending=False)
if top_n is not None:
display(missing_pct.head(top_n))
else:
display(missing_pct)
# 3. Heatmap opzionale
if show_heatmap:
plt.figure(figsize=figsize)
sns.heatmap(df.isna(), cbar=False, yticklabels=False)
plt.title("Map of missing values")
plt.show()
return missing_counts
Mostra il codice Python
missing_counts = report_missing_values(df_clean, top_n=None, show_heatmap=True)
Missing values per column: region_2 73219 designation 34545 taster_twitter_handle 29446 taster_name 24917 region_1 19560 price 8395 country 59 province 59 variety 1 dtype: int64
region_2 61.021936 designation 28.790379 taster_twitter_handle 24.540787 taster_name 20.766243 region_1 16.301630 price 6.996533 country 0.049172 province 0.049172 variety 0.000833 description 0.000000 points 0.000000 title 0.000000 winery 0.000000 dtype: float64
3.4 Esplorazione delle variabili
In questa fase della pulizia il riepilogo conta 43 paesi, 707 tipologie di vino e 19 nomi di degustatori. Sono i valori presenti prima delle successive integrazioni dei campi mancanti.
Preparo due funzioni: una produce una tabella con frequenze e distribuzione dei valori; l'altra li rappresenta graficamente. Leggere insieme conteggi e grafici aiuta a non confondere una categoria frequente nel campione con una categoria importante nell'intero mercato.
Mostra il codice Python
def summarize_feature(
df: pd.DataFrame,
column: str,
/,
*,
dropna: bool = False,
percent_decimals: int = 3
) -> pd.DataFrame:
"""
Return a summary table (value, count, percent) for a single categorical column.
Parameters
----------
df : pd.DataFrame
Source DataFrame.
column : str
Name of the column to summarise.
dropna : bool, default False
If True, exclude NaN from the counts.
percent_decimals : int, default 2
Number of decimal places for the percentage values.
Returns
-------
pd.DataFrame
A DataFrame with columns:
- 'value' : distinct values of the feature (as string)
- 'count' : absolute frequency
- 'percent' : relative frequency in %
Sorted in descending order by count.
"""
if column not in df.columns:
raise KeyError(f"Column '{column}' not found in DataFrame.")
total_rows: int = len(df)
vc = df[column].value_counts(dropna=dropna)
summary = (
pd.DataFrame(
{
"value": vc.index.astype(str),
"count": vc.values,
}
)
.assign(percent=lambda d: (d["count"] / total_rows * 100).round(percent_decimals))
.sort_values(by="count", ascending=False)
.reset_index(drop=True)
)
return summary
Mostra il codice Python
import pandas as pd
import plotly.express as px
from plotly.graph_objects import Figure
from typing import Optional
def plot_feature_distribution_interactive(
df: pd.DataFrame,
column: str,
/,
*,
top_n: Optional[int] = 20,
bins: int | None = None,
title_prefix: str = "Distribuzione di",
height: int = 500,
width: int = 900,
) -> Figure:
"""
Interactive distribution plot for a single feature using Plotly.
Numeric -> histogram (nbins=bins).
Category -> horizontal bar chart of most common categories.
Parameters
----------
df : pd.DataFrame
Source DataFrame.
column : str
Feature to plot.
top_n : int | None, default 20
For categorical features: number of most frequent categories shown.
If None, plot all categories (not recommended for high cardinality).
bins : int | None, default None
Number of bins for numeric histogram. If None, Plotly picks automatically.
title_prefix : str, default "Distribuzione di"
Prefix for the plot title.
height, width : int
Figure dimensions in pixels.
Returns
-------
plotly.graph_objects.Figure
"""
if column not in df.columns:
raise KeyError(f"Column '{column}' not found in DataFrame.")
# Numeric → histogram
if pd.api.types.is_numeric_dtype(df[column]):
fig = px.histogram(
df,
x=column,
nbins=bins,
title=f"{title_prefix} {column}",
)
fig.update_yaxes(title="Frequency")
else:
# Categorical → barplot (top_n)
vc = df[column].value_counts(dropna=False)
if top_n is not None:
vc = vc.head(top_n)
cat_df = vc.reset_index()
cat_df.columns = [column, "count"]
fig = px.bar(
cat_df[::-1], # reverse for descending order top-to-bottom
x="count",
y=column,
orientation="h",
title=f"{title_prefix} {column}",
)
fig.update_layout(height=height, width=width, bargap=0.1)
return fig
3.4.1 Paesi
Mostra il codice Python
summarize_feature(df_clean,"country")
| value | count | percent | |
|---|---|---|---|
| 0 | US | 50457 | 42.052 |
| 1 | France | 20353 | 16.963 |
| 2 | Italy | 17940 | 14.951 |
| 3 | Spain | 6116 | 5.097 |
| 4 | Portugal | 5256 | 4.380 |
| 5 | Chile | 4184 | 3.487 |
| 6 | Argentina | 3544 | 2.954 |
| 7 | Austria | 3034 | 2.529 |
| 8 | Australia | 2197 | 1.831 |
| 9 | Germany | 1992 | 1.660 |
| 10 | South Africa | 1301 | 1.084 |
| 11 | New Zealand | 1278 | 1.065 |
| 12 | Israel | 466 | 0.388 |
| 13 | Greece | 432 | 0.360 |
| 14 | Canada | 226 | 0.188 |
| 15 | Bulgaria | 132 | 0.110 |
| 16 | Hungary | 129 | 0.108 |
| 17 | Romania | 102 | 0.085 |
| 18 | Uruguay | 98 | 0.082 |
| 19 | Turkey | 81 | 0.068 |
| 20 | Slovenia | 77 | 0.064 |
| 21 | Georgia | 76 | 0.063 |
| 22 | Croatia | 70 | 0.058 |
| 23 | Mexico | 68 | 0.057 |
| 24 | England | 63 | 0.053 |
| 25 | nan | 59 | 0.049 |
| 26 | Moldova | 56 | 0.047 |
| 27 | Brazil | 49 | 0.041 |
| 28 | Lebanon | 32 | 0.027 |
| 29 | Morocco | 24 | 0.020 |
| 30 | Peru | 16 | 0.013 |
| 31 | Ukraine | 14 | 0.012 |
| 32 | Czech Republic | 11 | 0.009 |
| 33 | Macedonia | 11 | 0.009 |
| 34 | Cyprus | 10 | 0.008 |
| 35 | India | 8 | 0.007 |
| 36 | Serbia | 8 | 0.007 |
| 37 | Switzerland | 6 | 0.005 |
| 38 | Luxembourg | 5 | 0.004 |
| 39 | Bosnia and Herzegovina | 2 | 0.002 |
| 40 | Armenia | 2 | 0.002 |
| 41 | Slovakia | 1 | 0.001 |
| 42 | China | 1 | 0.001 |
| 43 | Egypt | 1 | 0.001 |
Recensioni senza paese
Ci sono 59 record senza paese. Li esamino prima di decidere come trattarli.
Mostra il codice Python
missingCountries = df_clean[df_clean['country'].isna()]
Mostra il codice Python
missingCountries
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||||||
| 913 | NaN | Amber in color, this wine has aromas of peach ... | Asureti Valley | 87 | 30.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Gotsa Family Wines 2014 Asureti Valley Chinuri | Chinuri | Gotsa Family Wines |
| 3131 | NaN | Soft, fruity and juicy, this is a pleasant, si... | Partager | 83 | NaN | NaN | NaN | NaN | Roger Voss | @vossroger | Barton & Guestier NV Partager Red | Red Blend | Barton & Guestier |
| 4243 | NaN | Violet-red in color, this semisweet wine has a... | Red Naturally Semi-Sweet | 88 | 18.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Kakhetia Traditional Winemaking 2012 Red Natur... | Ojaleshi | Kakhetia Traditional Winemaking |
| 9509 | NaN | This mouthwatering blend starts with a nose of... | Theopetra Malagouzia-Assyrtiko | 92 | 28.0 | NaN | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Tsililis 2015 Theopetra Malagouzia-Assyrtiko W... | White Blend | Tsililis |
| 9750 | NaN | This orange-style wine has a cloudy yellow-gol... | Orange Nikolaevo Vineyard | 89 | 28.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2015 Orange Nikolaevo Vineyard Chardo... | Chardonnay | Ross-idi |
| 11150 | NaN | A blend of 85% Melnik, 10% Grenache Noir and 5... | NaN | 89 | 20.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2013 Melnik | Melnik | Orbelus |
| 11348 | NaN | Light and fruity, this is a wine that has some... | Partager | 82 | NaN | NaN | NaN | NaN | Roger Voss | @vossroger | Barton & Guestier NV Partager White | White Blend | Barton & Guestier |
| 14030 | NaN | This Furmint, grown in marl soils, has aromas ... | Márga | 88 | 25.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | St. Donat 2013 Márga White | White Blend | St. Donat |
| 16000 | NaN | Jumpy, jammy aromas of foxy black fruits are s... | Valle de los Manantiales Vineyard | 86 | 40.0 | NaN | NaN | NaN | Michael Schachner | @wineschach | Familia Deicas 2015 Valle de los Manantiales V... | Tannat | Familia Deicas |
| 16749 | NaN | Winemaker: Bartho Eksteen. This wooded Sauvy s... | Cape Winemakers Guild Vloekskoot Wooded | 91 | NaN | NaN | NaN | NaN | Lauren Buzzeo | @laurbuzz | Bartho Eksteen 2016 Cape Winemakers Guild Vloe... | Sauvignon Blanc | Bartho Eksteen |
| 18075 | NaN | Delicate white flowers and a spin of lemon pee... | Askitikos | 90 | 17.0 | NaN | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Tsililis 2015 Askitikos Assyrtiko | Assyrtiko | Tsililis |
| 26485 | NaN | This wine has aromas of black berry, dried red... | NaN | 87 | 13.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2013 Shiraz | Shiraz | Stone Castle |
| 26486 | NaN | Aromas of green apple and white flowers prepar... | NaN | 87 | 14.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Teliani Valley 2015 Tsolikouri | Tsolikouri | Teliani Valley |
| 26489 | NaN | Balanced aromas of green herbs and citrus zest... | Aliwen Reserva | 87 | 12.0 | NaN | NaN | NaN | Michael Schachner | @wineschach | Undurraga 2016 Aliwen Reserva Sauvignon Blanc | Sauvignon Blanc | Undurraga |
| 27822 | NaN | This is a reasonably rich, concentrated exampl... | NaN | 86 | 19.0 | NaN | NaN | NaN | Joe Czerwinski | @JoeCz | Mt. Beautiful 2014 Pinot Gris | Pinot Gris | Mt. Beautiful |
| 36112 | NaN | An interesting blend of indigenous Bulgarian a... | Hrumki Melnik 55 Mourvèdre Marselan | 89 | 25.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2012 Hrumki Melnik 55 Mourvèdre Marsel... | Red Blend | Orbelus |
| 38240 | NaN | Subdued citrus and pear notes on the nose find... | Steirische Klassik | 89 | 24.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Steirische Klassik Grauburgunder | Grauburgunder | Neumeister |
| 38898 | NaN | Scents of clover, stem, green herb and red cur... | Wismer-Parke Vineyard | 89 | 34.0 | NaN | NaN | NaN | Paul Gregutt | @paulgwine | Bachelder 2014 Wismer-Parke Vineyard Pinot Noir | Pinot Noir | Bachelder |
| 44674 | NaN | Crisp apple freshness almost tips into full ci... | Steirische Klassik | 91 | 25.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Steirische Klassik Grauburgunder | Grauburgunder | Neumeister |
| 44850 | NaN | This blend of Gamay and Prokupe has aromas of ... | Amphora | 84 | 6.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2014 Amphora Red | Red Blend | Stone Castle |
| 44851 | NaN | This wine has aromas of honeysuckle and lemon ... | Royal | 84 | 6.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2015 Royal Riesling | Riesling | Stone Castle |
| 45247 | NaN | Just a whiff of citrus shows on the restrained... | Steirische Klassik | 89 | 25.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Steirische Klassik Sauvignon B... | Sauvignon Blanc | Neumeister |
| 45402 | NaN | Basic cherry aromas turn more earthy and soupy... | Reserva Estate Bottled | 85 | 12.0 | NaN | NaN | NaN | Michael Schachner | @wineschach | Chilcas 2015 Reserva Estate Bottled Pinot Noir | Pinot Noir | Chilcas |
| 46352 | NaN | A dark color and rich, jammy, baked aromas of ... | Catalina | 91 | 50.0 | NaN | NaN | NaN | Michael Schachner | @wineschach | Santa Ema 2014 Catalina Red | Red Blend | Santa Ema |
| 49425 | NaN | This blend is comprised of 55% Merlot, 21% Cab... | Getika Made With Organic Grapes | 88 | 28.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2011 Getika Made With Organic Grapes Red | Red Blend | Orbelus |
| 49426 | NaN | Enticing aromas of blueberry syrup open this b... | Getika Made With Organic Grapes | 88 | 28.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2012 Getika Made With Organic Grapes Red | Red Blend | Orbelus |
| 49427 | NaN | This dark-garnet wine has aromas of eucalyptus... | Hrumki Syrah Melnik 55 Mourvèdre Marselan | 88 | 19.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2013 Hrumki Syrah Melnik 55 Mourvèdre ... | Red Blend | Orbelus |
| 49510 | NaN | Aromas of cherry, blueberry and rose petal pre... | NaN | 91 | 34.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2013 Cabernet Sauvignon | Cabernet Sauvignon | Psagot |
| 54222 | NaN | Almost caramel in color, this wine offers arom... | Babaneuri Valley | 87 | 30.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Gotsa Family Wines 2013 Babaneuri Valley Mtsvane | Mtsvane | Gotsa Family Wines |
| 57612 | NaN | Winemaker: Gordon Newton Johnson. This is such... | Cape Winemakers Guild Windansea | 92 | NaN | NaN | NaN | NaN | Lauren Buzzeo | @laurbuzz | Newton Johnson 2016 Cape Winemakers Guild Wind... | Pinot Noir | Newton Johnson |
| 59670 | NaN | The heady florality of damask rose is joined b... | Steintal | 92 | 38.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Steintal Roter Traminer | Roter Traminer | Neumeister |
| 60678 | NaN | This wine was made for grilled meats, with its... | Dry | 86 | 17.0 | NaN | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Ktima Voyatzi 2015 Dry Rosé | Rosé | Ktima Voyatzi |
| 66524 | NaN | Amber to the eye, this wine features an entici... | Dry Unfiltered Rkatsiteli Mtsvane | 88 | 25.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Gotsa Family Wines 2015 Dry Unfiltered Rkatsit... | White Blend | Gotsa Family Wines |
| 68322 | NaN | This Bulgarian Chardonnay is fermented in egg-... | Nikolaevo | 89 | 20.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2015 Nikolaevo Chardonnay | Chardonnay | Ross-idi |
| 72581 | NaN | This dry Furmint from Hungary's Balaton region... | Estate | 89 | 21.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | St. Donat 2014 Estate Furmint | Furmint | St. Donat |
| 79270 | NaN | This 100% Vranac is garnet in color, with arom... | Premium | 86 | 11.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2014 Premium Vranac | Vranac | Stone Castle |
| 81955 | NaN | This white blend is comprised of 50% Chardonna... | Nikolaevo Unison Chardonnay-Gewürtztraminer | 89 | 16.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2014 Nikolaevo Unison Chardonnay-Gewü... | White Blend | Ross-idi |
| 81957 | NaN | This wine is made from grapes grown in the Lak... | Márga | 89 | 18.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | St. Donat 2015 Márga Furmint | Furmint | St. Donat |
| 85602 | NaN | There's a pleasant fruity richness to this win... | NaN | 88 | 36.0 | NaN | NaN | NaN | Lauren Buzzeo | @laurbuzz | Lismore 2014 Chardonnay | Chardonnay | Lismore |
| 85603 | NaN | Made from 100% Melnick this garnet-colored win... | Nobile | 88 | 23.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Logodaj 2013 Nobile Melnik | Melnik | Logodaj |
| 85821 | NaN | A neutral nose leads onto an apple-fresh palat... | Steirische Klassik | 90 | 22.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Steirische Klassik Morillon | Morillon | Neumeister |
| 90146 | NaN | Aromas of cut grass, lemongrass and honeysuckl... | Nikolaevo Vineyard | 89 | 16.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2015 Nikolaevo Vineyard Gewürztraminer | Gewürztraminer | Ross-idi |
| 90151 | NaN | This medium-straw-colored wine has aromas of c... | NaN | 89 | 25.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Somlói Vándor 2015 Furmint | Furmint | Somlói Vándor |
| 95176 | NaN | Aromatic hints of tomato leaf and pea shoots m... | Klausen | 91 | 38.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Klausen Sauvignon Blanc | Sauvignon Blanc | Neumeister |
| 97850 | NaN | Streaks of blossom, citrus and pear can be dis... | Gemischter Satz | 89 | 17.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Gemischter Satz White | Austrian white blend | Neumeister |
| 98094 | NaN | This organically produced wine is comprised of... | Made With Organic Grapes | 89 | 24.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2013 Made With Organic Grapes Melnik | Melnik | Orbelus |
| 100570 | NaN | Plum, black cherry and anise lead the nose of ... | Theopetra Estate | 87 | 37.0 | NaN | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Tsililis 2012 Theopetra Estate Red | Red Blend | Tsililis |
| 100722 | NaN | This Pinot Gris from Switzerland has aromas of... | Domaine de la Treille | 89 | 25.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Les Frères Dutruy 2014 Domaine de la Treille P... | Pinot Gris | Les Frères Dutruy |
| 105167 | NaN | A lively whiff of white blossom, Muscat grapes... | Steirische Klassik | 92 | 21.0 | NaN | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Steirische Klassik Gelber Musk... | Gelber Muskateller | Neumeister |
| 105715 | NaN | Aromas of blackberry, strawberry and chocolate... | Peak | 92 | 50.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2014 Peak Red | Rhône-style Red Blend | Psagot |
| 113520 | NaN | Aromas of crushed stone and graphite lead toas... | Reserve | 90 | 22.0 | NaN | NaN | NaN | Michael Schachner | @wineschach | El Capricho 2015 Reserve Tannat | Tannat | El Capricho |
| 119787 | NaN | This deep red-violet wine has a nose of blackb... | NaN | 90 | 30.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Amiran Vepkhvadze 2014 Otskhanuri Sapere | Otskhanuri Sapere | Amiran Vepkhvadze |
| 120248 | NaN | Dark ruby in the glass, this wine offers a bou... | M Series | 92 | 36.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2013 M Series Cabernet Franc | Cabernet Franc | Psagot |
| 120799 | NaN | Cigar box, cedar and red fruit aromas start th... | NaN | 90 | 27.0 | NaN | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Ktima Voyatzi 2014 Tsapournakos | Tsapournakos | Ktima Voyatzi |
| 124176 | NaN | This Swiss red blend is composed of four varie... | Les Romaines | 90 | 30.0 | NaN | NaN | NaN | Jeff Jenssen | @worldwineguys | Les Frères Dutruy 2014 Les Romaines Red | Red Blend | Les Frères Dutruy |
| 129407 | NaN | Dry spicy aromas of dusty plum and tomato add ... | Reserve | 89 | 22.0 | NaN | NaN | NaN | Michael Schachner | @wineschach | El Capricho 2015 Reserve Cabernet Sauvignon | Cabernet Sauvignon | El Capricho |
| 129408 | NaN | El Capricho is one of Uruguay's more consisten... | Reserve | 89 | 22.0 | NaN | NaN | NaN | Michael Schachner | @wineschach | El Capricho 2015 Reserve Tempranillo | Tempranillo | El Capricho |
| 129590 | NaN | A blend of 60% Syrah, 30% Cabernet Sauvignon a... | Shah | 90 | 30.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Büyülübağ 2012 Shah Red | Red Blend | Büyülübağ |
| 129900 | NaN | This wine offers a delightful bouquet of black... | NaN | 91 | 32.0 | NaN | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2014 Merlot | Merlot | Psagot |
Su oltre centomila recensioni sarebbe semplice eliminare 59 righe, ma potrei perdere paesi poco rappresentati e informazioni utili su prezzi e punteggi. Provo quindi a ricostruire il paese dalla cantina e controllo quante cantine distinte sono coinvolte.
Questa è un'integrazione manuale dell'analisi originale: sede della cantina e origine delle uve non sono sempre la stessa cosa. La mappatura va considerata un'ipotesi documentata, da verificare sulla singola etichetta quando il dettaglio geografico è decisivo.
Mostra il codice Python
summarize_feature(missingCountries, "winery")
| value | count | percent | |
|---|---|---|---|
| 0 | Neumeister | 8 | 13.559 |
| 1 | Orbelus | 6 | 10.169 |
| 2 | Stone Castle | 4 | 6.780 |
| 3 | Psagot | 4 | 6.780 |
| 4 | Ross-idi | 4 | 6.780 |
| 5 | El Capricho | 3 | 5.085 |
| 6 | Gotsa Family Wines | 3 | 5.085 |
| 7 | Tsililis | 3 | 5.085 |
| 8 | St. Donat | 3 | 5.085 |
| 9 | Ktima Voyatzi | 2 | 3.390 |
| 10 | Les Frères Dutruy | 2 | 3.390 |
| 11 | Barton & Guestier | 2 | 3.390 |
| 12 | Teliani Valley | 1 | 1.695 |
| 13 | Bartho Eksteen | 1 | 1.695 |
| 14 | Undurraga | 1 | 1.695 |
| 15 | Mt. Beautiful | 1 | 1.695 |
| 16 | Bachelder | 1 | 1.695 |
| 17 | Chilcas | 1 | 1.695 |
| 18 | Santa Ema | 1 | 1.695 |
| 19 | Amiran Vepkhvadze | 1 | 1.695 |
| 20 | Familia Deicas | 1 | 1.695 |
| 21 | Lismore | 1 | 1.695 |
| 22 | Logodaj | 1 | 1.695 |
| 23 | Somlói Vándor | 1 | 1.695 |
| 24 | Kakhetia Traditional Winemaking | 1 | 1.695 |
| 25 | Newton Johnson | 1 | 1.695 |
| 26 | Büyülübağ | 1 | 1.695 |
Le righe coinvolgono 26 cantine distinte. La tabella seguente conserva la mappatura utilizzata nel lavoro originale.
| # | Cantina | Paese | Provincia / regione (o equivalente) |
|---|---|---|---|
| 0 | Neumeister | Austria | Styria – Vulkanland Steiermark, comune of Straden |
| 1 | Orbelus | Bulgaria | Blagoevgrad Provincia – Melnik / Kresna zona |
| 2 | Stone Castle | Kosovo | Rahovec Comune (Gjakova District) |
| 3 | Psagot | Israele / Cisgiordania | Binyamin Regione, Jerusalem Mountains |
| 4 | Ross-idi | Bulgaria | Sliven Provincia |
| 5 | El Capricho | Uruguay | Durazno Dipartimento – Villa del Carmen |
| 6 | Gotsa Family Wines | Georgia | Kvemo Kartli – villaggio Kiketi (Tbilisi Comune) |
| 7 | Tsililis | Grecia | Trikala Regioneal Unit, Thessaly |
| 8 | St. Donat | Ungheria | Veszprém Contea – Csopak, Balatonfüred-Csopak |
| 9 | Ktima Voyatzi | Grecia | Velventos, Kozani Regioneal Unit, Western Macedonia |
| 10 | Les Frères Dutruy | Svizzera | Cantone di Vaud – La Côte / Terre Sainte |
| 11 | Barton & Guestier | Francia | Gironde Dipartimento, Nouvelle-Aquitaine – Blanquefort (Bordeaux) |
| 12 | Teliani Valley | Georgia | Kakheti Regione – Telavi zona |
| 13 | Bartho Eksteen | Sudafrica | Western Cape – Hemel-en-Aarde Valley, Hermanus |
| 14 | Undurraga | Cile | Santiago Metropolitan Regione, Talagante Provincia – Maipo Valley (Santa Ana) |
| 15 | Mt. Beautiful | Nuova Zelanda | North Canterbury – Hurunui District (Spotswood) |
| 16 | Bachelder | Canada | Ontario – Beamsville, Niagara Peninsula |
| 17 | Chilcas | Cile | Maule Regione – Maule Valley |
| 18 | Santa Ema | Cile | Santiago Metropolitan Regione – Maipo Valley (Isla de Maipo) |
| 19 | Amiran Vepkhvadze | Georgia | Imereti Regione – Zestafoni |
| 20 | Familia Deicas | Uruguay | Canelones Dipartimento – Juanicó (Las Violetas) |
| 21 | Lismore | Sudafrica | Western Cape – Greyton, Cape South Coast |
| 22 | Logodaj | Bulgaria | Blagoevgrad Provincia – Struma Valley, Gen. Todorov |
| 23 | Somlói Vándor | Ungheria | Veszprém Contea – Somló Hill (Nagy Somló) |
| 24 | Kakhetia Traditional Winemaking | Georgia | Guria Regione – villaggio Askana (sede storica); sede a Tbilisi |
| 25 | Newton Johnson | Sudafrica | Western Cape – Upper Hemel-en-Aarde, Hermanus |
| 26 | Büyülübağ | Turchia | Balıkesir Provincia – Avşa Isola, Mar di Marmara |
La ricerca comprende anche vini georgiani, bulgari e kosovari: mantenere queste righe permette di conservare paesi poco rappresentati. Uso la mappatura per completare il campo country dei 59 record.
Mostra il codice Python
import pandas as pd
from typing import Dict, Tuple
# --------------------------------------------------------------------
# Dizionario di mapping cantine → (country, province/region)
# --------------------------------------------------------------------
WINERY_MAP: Dict[str, Tuple[str, str]] = {
"Neumeister": ("Austria", "Styria – Vulkanland Steiermark, municipality of Straden"),
"Orbelus": ("Bulgaria", "Blagoevgrad Province – Melnik / Kresna area"),
"Stone Castle": ("Kosovo", "Rahovec Municipality (Gjakova District)"),
"Psagot": ("Israel", "Binyamin Region, Jerusalem Mountains"),
"Ross-idi": ("Bulgaria", "Sliven Province"),
"El Capricho": ("Uruguay", "Durazno Department – Villa del Carmen"),
"Gotsa Family Wines": ("Georgia", "Kvemo Kartli – village Kiketi (Tbilisi Municipality)"),
"Tsililis": ("Greece", "Trikala Regional Unit, Thessaly"),
"St. Donat": ("Hungary", "Veszprém County – Csopak, Balatonfüred-Csopak"),
"Ktima Voyatzi": ("Greece", "Velventos, Kozani Regional Unit, Western Macedonia"),
"Les Frères Dutruy": ("Switzerland", "Canton of Vaud – La Côte / Terre Sainte"),
"Barton & Guestier": ("France", "Blanquefort (Bordeaux)"),
"Teliani Valley": ("Georgia", "Kakheti Region – Telavi area"),
"Bartho Eksteen": ("South Africa", "Western Cape – Hemel-en-Aarde Valley, Hermanus"),
"Undurraga": ("Chile", "Santiago Metropolitan Region, Talagante Province – Maipo Valley (Santa Ana)"),
"Mt. Beautiful": ("New Zealand", "North Canterbury – Hurunui District (Spotswood)"),
"Bachelder": ("Canada", "Ontario – Beamsville, Niagara Peninsula"),
"Chilcas": ("Chile", "Maule Region – Maule Valley"),
"Santa Ema": ("Chile", "Santiago Metropolitan Region – Maipo Valley (Isla de Maipo)"),
"Amiran Vepkhvadze": ("Georgia", "Imereti Region – Zestafoni"),
"Familia Deicas": ("Uruguay", "Canelones Department – Juanicó (Las Violetas)"),
"Lismore": ("South Africa", "Western Cape – Greyton, Cape South Coast"),
"Logodaj": ("Bulgaria", "Blagoevgrad Province – Struma Valley, Gen. Todorov"),
"Somlói Vándor": ("Hungary", "Veszprém County – Somló Hill (Nagy Somló)"),
"Kakhetia Traditional Winemaking": ("Georgia", "Guria Region – village Askana (historic site); HQ in Tbilisi"),
"Newton Johnson": ("South Africa", "Western Cape – Upper Hemel-en-Aarde, Hermanus"),
"Büyülübağ": ("Turkey", "Balıkesir Province – Avşa Island, Sea of Marmara"),
}
# --------------------------------------------------------------------
# Funzione di mapping
# --------------------------------------------------------------------
def apply_winery_mapping(
df: pd.DataFrame,
mapping: Dict[str, Tuple[str, str]],
*,
winery_col: str = "winery",
country_col: str = "country",
province_col: str = "province",
inplace: bool = False,
) -> pd.DataFrame:
"""Fills `country` and `province` for records with missing values,
using a mapping cantina → (country, province).
Parameters
----------
df : pd.DataFrame
The DataFrame to be updated.
mapping : dict[str, tuple[str, str]]
Dictionary {winery: (country, province)}.
winery_col : str, default ‘winery’
Name of the column with the name of the winery.
country_col : str, default “country”
Column to populate with the country.
province_col : str, default ‘province’
Column to populate with the province/region.
inplace : bool, default False
If True, modifies `df` in-place and returns the same object.
If False, returns a *copy* with the changes.
Returns
-------
pd.DataFrame
DataFrame with the mapped values.
"""
target_df = df if inplace else df.copy()
# normalizziamo i nomi per confronti case-insensitive
norm_map = {k.lower().strip(): v for k, v in mapping.items()}
mask_missing = target_df[country_col].isna() & target_df[province_col].isna()
# iteriamo solo sulle righe interessate
for idx, winery in target_df.loc[mask_missing, winery_col].items():
if pd.isna(winery):
continue
key = str(winery).lower().strip()
if key in norm_map:
country, province = norm_map[key]
target_df.at[idx, country_col] = country
target_df.at[idx, province_col] = province
return target_df
Mostra il codice Python
# test della funzione sulla porzione di dati privi di paesi e province
missingCountries = apply_winery_mapping(missingCountries, WINERY_MAP, inplace=True)
Mostra il codice Python
missingCountries
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||||||
| 913 | Georgia | Amber in color, this wine has aromas of peach ... | Asureti Valley | 87 | 30.0 | Kvemo Kartli – village Kiketi (Tbilisi Municip... | NaN | NaN | Mike DeSimone | @worldwineguys | Gotsa Family Wines 2014 Asureti Valley Chinuri | Chinuri | Gotsa Family Wines |
| 3131 | France | Soft, fruity and juicy, this is a pleasant, si... | Partager | 83 | NaN | Blanquefort (Bordeaux) | NaN | NaN | Roger Voss | @vossroger | Barton & Guestier NV Partager Red | Red Blend | Barton & Guestier |
| 4243 | Georgia | Violet-red in color, this semisweet wine has a... | Red Naturally Semi-Sweet | 88 | 18.0 | Guria Region – village Askana (historic site);... | NaN | NaN | Mike DeSimone | @worldwineguys | Kakhetia Traditional Winemaking 2012 Red Natur... | Ojaleshi | Kakhetia Traditional Winemaking |
| 9509 | Greece | This mouthwatering blend starts with a nose of... | Theopetra Malagouzia-Assyrtiko | 92 | 28.0 | Trikala Regional Unit, Thessaly | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Tsililis 2015 Theopetra Malagouzia-Assyrtiko W... | White Blend | Tsililis |
| 9750 | Bulgaria | This orange-style wine has a cloudy yellow-gol... | Orange Nikolaevo Vineyard | 89 | 28.0 | Sliven Province | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2015 Orange Nikolaevo Vineyard Chardo... | Chardonnay | Ross-idi |
| 11150 | Bulgaria | A blend of 85% Melnik, 10% Grenache Noir and 5... | NaN | 89 | 20.0 | Blagoevgrad Province – Melnik / Kresna area | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2013 Melnik | Melnik | Orbelus |
| 11348 | France | Light and fruity, this is a wine that has some... | Partager | 82 | NaN | Blanquefort (Bordeaux) | NaN | NaN | Roger Voss | @vossroger | Barton & Guestier NV Partager White | White Blend | Barton & Guestier |
| 14030 | Hungary | This Furmint, grown in marl soils, has aromas ... | Márga | 88 | 25.0 | Veszprém County – Csopak, Balatonfüred-Csopak | NaN | NaN | Jeff Jenssen | @worldwineguys | St. Donat 2013 Márga White | White Blend | St. Donat |
| 16000 | Uruguay | Jumpy, jammy aromas of foxy black fruits are s... | Valle de los Manantiales Vineyard | 86 | 40.0 | Canelones Department – Juanicó (Las Violetas) | NaN | NaN | Michael Schachner | @wineschach | Familia Deicas 2015 Valle de los Manantiales V... | Tannat | Familia Deicas |
| 16749 | South Africa | Winemaker: Bartho Eksteen. This wooded Sauvy s... | Cape Winemakers Guild Vloekskoot Wooded | 91 | NaN | Western Cape – Hemel-en-Aarde Valley, Hermanus | NaN | NaN | Lauren Buzzeo | @laurbuzz | Bartho Eksteen 2016 Cape Winemakers Guild Vloe... | Sauvignon Blanc | Bartho Eksteen |
| 18075 | Greece | Delicate white flowers and a spin of lemon pee... | Askitikos | 90 | 17.0 | Trikala Regional Unit, Thessaly | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Tsililis 2015 Askitikos Assyrtiko | Assyrtiko | Tsililis |
| 26485 | Kosovo | This wine has aromas of black berry, dried red... | NaN | 87 | 13.0 | Rahovec Municipality (Gjakova District) | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2013 Shiraz | Shiraz | Stone Castle |
| 26486 | Georgia | Aromas of green apple and white flowers prepar... | NaN | 87 | 14.0 | Kakheti Region – Telavi area | NaN | NaN | Mike DeSimone | @worldwineguys | Teliani Valley 2015 Tsolikouri | Tsolikouri | Teliani Valley |
| 26489 | Chile | Balanced aromas of green herbs and citrus zest... | Aliwen Reserva | 87 | 12.0 | Santiago Metropolitan Region, Talagante Provin... | NaN | NaN | Michael Schachner | @wineschach | Undurraga 2016 Aliwen Reserva Sauvignon Blanc | Sauvignon Blanc | Undurraga |
| 27822 | New Zealand | This is a reasonably rich, concentrated exampl... | NaN | 86 | 19.0 | North Canterbury – Hurunui District (Spotswood) | NaN | NaN | Joe Czerwinski | @JoeCz | Mt. Beautiful 2014 Pinot Gris | Pinot Gris | Mt. Beautiful |
| 36112 | Bulgaria | An interesting blend of indigenous Bulgarian a... | Hrumki Melnik 55 Mourvèdre Marselan | 89 | 25.0 | Blagoevgrad Province – Melnik / Kresna area | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2012 Hrumki Melnik 55 Mourvèdre Marsel... | Red Blend | Orbelus |
| 38240 | Austria | Subdued citrus and pear notes on the nose find... | Steirische Klassik | 89 | 24.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Steirische Klassik Grauburgunder | Grauburgunder | Neumeister |
| 38898 | Canada | Scents of clover, stem, green herb and red cur... | Wismer-Parke Vineyard | 89 | 34.0 | Ontario – Beamsville, Niagara Peninsula | NaN | NaN | Paul Gregutt | @paulgwine | Bachelder 2014 Wismer-Parke Vineyard Pinot Noir | Pinot Noir | Bachelder |
| 44674 | Austria | Crisp apple freshness almost tips into full ci... | Steirische Klassik | 91 | 25.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Steirische Klassik Grauburgunder | Grauburgunder | Neumeister |
| 44850 | Kosovo | This blend of Gamay and Prokupe has aromas of ... | Amphora | 84 | 6.0 | Rahovec Municipality (Gjakova District) | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2014 Amphora Red | Red Blend | Stone Castle |
| 44851 | Kosovo | This wine has aromas of honeysuckle and lemon ... | Royal | 84 | 6.0 | Rahovec Municipality (Gjakova District) | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2015 Royal Riesling | Riesling | Stone Castle |
| 45247 | Austria | Just a whiff of citrus shows on the restrained... | Steirische Klassik | 89 | 25.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Steirische Klassik Sauvignon B... | Sauvignon Blanc | Neumeister |
| 45402 | Chile | Basic cherry aromas turn more earthy and soupy... | Reserva Estate Bottled | 85 | 12.0 | Maule Region – Maule Valley | NaN | NaN | Michael Schachner | @wineschach | Chilcas 2015 Reserva Estate Bottled Pinot Noir | Pinot Noir | Chilcas |
| 46352 | Chile | A dark color and rich, jammy, baked aromas of ... | Catalina | 91 | 50.0 | Santiago Metropolitan Region – Maipo Valley (I... | NaN | NaN | Michael Schachner | @wineschach | Santa Ema 2014 Catalina Red | Red Blend | Santa Ema |
| 49425 | Bulgaria | This blend is comprised of 55% Merlot, 21% Cab... | Getika Made With Organic Grapes | 88 | 28.0 | Blagoevgrad Province – Melnik / Kresna area | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2011 Getika Made With Organic Grapes Red | Red Blend | Orbelus |
| 49426 | Bulgaria | Enticing aromas of blueberry syrup open this b... | Getika Made With Organic Grapes | 88 | 28.0 | Blagoevgrad Province – Melnik / Kresna area | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2012 Getika Made With Organic Grapes Red | Red Blend | Orbelus |
| 49427 | Bulgaria | This dark-garnet wine has aromas of eucalyptus... | Hrumki Syrah Melnik 55 Mourvèdre Marselan | 88 | 19.0 | Blagoevgrad Province – Melnik / Kresna area | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2013 Hrumki Syrah Melnik 55 Mourvèdre ... | Red Blend | Orbelus |
| 49510 | Israel | Aromas of cherry, blueberry and rose petal pre... | NaN | 91 | 34.0 | Binyamin Region, Jerusalem Mountains | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2013 Cabernet Sauvignon | Cabernet Sauvignon | Psagot |
| 54222 | Georgia | Almost caramel in color, this wine offers arom... | Babaneuri Valley | 87 | 30.0 | Kvemo Kartli – village Kiketi (Tbilisi Municip... | NaN | NaN | Mike DeSimone | @worldwineguys | Gotsa Family Wines 2013 Babaneuri Valley Mtsvane | Mtsvane | Gotsa Family Wines |
| 57612 | South Africa | Winemaker: Gordon Newton Johnson. This is such... | Cape Winemakers Guild Windansea | 92 | NaN | Western Cape – Upper Hemel-en-Aarde, Hermanus | NaN | NaN | Lauren Buzzeo | @laurbuzz | Newton Johnson 2016 Cape Winemakers Guild Wind... | Pinot Noir | Newton Johnson |
| 59670 | Austria | The heady florality of damask rose is joined b... | Steintal | 92 | 38.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Steintal Roter Traminer | Roter Traminer | Neumeister |
| 60678 | Greece | This wine was made for grilled meats, with its... | Dry | 86 | 17.0 | Velventos, Kozani Regional Unit, Western Maced... | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Ktima Voyatzi 2015 Dry Rosé | Rosé | Ktima Voyatzi |
| 66524 | Georgia | Amber to the eye, this wine features an entici... | Dry Unfiltered Rkatsiteli Mtsvane | 88 | 25.0 | Kvemo Kartli – village Kiketi (Tbilisi Municip... | NaN | NaN | Mike DeSimone | @worldwineguys | Gotsa Family Wines 2015 Dry Unfiltered Rkatsit... | White Blend | Gotsa Family Wines |
| 68322 | Bulgaria | This Bulgarian Chardonnay is fermented in egg-... | Nikolaevo | 89 | 20.0 | Sliven Province | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2015 Nikolaevo Chardonnay | Chardonnay | Ross-idi |
| 72581 | Hungary | This dry Furmint from Hungary's Balaton region... | Estate | 89 | 21.0 | Veszprém County – Csopak, Balatonfüred-Csopak | NaN | NaN | Jeff Jenssen | @worldwineguys | St. Donat 2014 Estate Furmint | Furmint | St. Donat |
| 79270 | Kosovo | This 100% Vranac is garnet in color, with arom... | Premium | 86 | 11.0 | Rahovec Municipality (Gjakova District) | NaN | NaN | Jeff Jenssen | @worldwineguys | Stone Castle 2014 Premium Vranac | Vranac | Stone Castle |
| 81955 | Bulgaria | This white blend is comprised of 50% Chardonna... | Nikolaevo Unison Chardonnay-Gewürtztraminer | 89 | 16.0 | Sliven Province | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2014 Nikolaevo Unison Chardonnay-Gewü... | White Blend | Ross-idi |
| 81957 | Hungary | This wine is made from grapes grown in the Lak... | Márga | 89 | 18.0 | Veszprém County – Csopak, Balatonfüred-Csopak | NaN | NaN | Jeff Jenssen | @worldwineguys | St. Donat 2015 Márga Furmint | Furmint | St. Donat |
| 85602 | South Africa | There's a pleasant fruity richness to this win... | NaN | 88 | 36.0 | Western Cape – Greyton, Cape South Coast | NaN | NaN | Lauren Buzzeo | @laurbuzz | Lismore 2014 Chardonnay | Chardonnay | Lismore |
| 85603 | Bulgaria | Made from 100% Melnick this garnet-colored win... | Nobile | 88 | 23.0 | Blagoevgrad Province – Struma Valley, Gen. Tod... | NaN | NaN | Jeff Jenssen | @worldwineguys | Logodaj 2013 Nobile Melnik | Melnik | Logodaj |
| 85821 | Austria | A neutral nose leads onto an apple-fresh palat... | Steirische Klassik | 90 | 22.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Steirische Klassik Morillon | Morillon | Neumeister |
| 90146 | Bulgaria | Aromas of cut grass, lemongrass and honeysuckl... | Nikolaevo Vineyard | 89 | 16.0 | Sliven Province | NaN | NaN | Jeff Jenssen | @worldwineguys | Ross-idi 2015 Nikolaevo Vineyard Gewürztraminer | Gewürztraminer | Ross-idi |
| 90151 | Hungary | This medium-straw-colored wine has aromas of c... | NaN | 89 | 25.0 | Veszprém County – Somló Hill (Nagy Somló) | NaN | NaN | Jeff Jenssen | @worldwineguys | Somlói Vándor 2015 Furmint | Furmint | Somlói Vándor |
| 95176 | Austria | Aromatic hints of tomato leaf and pea shoots m... | Klausen | 91 | 38.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2015 Klausen Sauvignon Blanc | Sauvignon Blanc | Neumeister |
| 97850 | Austria | Streaks of blossom, citrus and pear can be dis... | Gemischter Satz | 89 | 17.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Gemischter Satz White | Austrian white blend | Neumeister |
| 98094 | Bulgaria | This organically produced wine is comprised of... | Made With Organic Grapes | 89 | 24.0 | Blagoevgrad Province – Melnik / Kresna area | NaN | NaN | Jeff Jenssen | @worldwineguys | Orbelus 2013 Made With Organic Grapes Melnik | Melnik | Orbelus |
| 100570 | Greece | Plum, black cherry and anise lead the nose of ... | Theopetra Estate | 87 | 37.0 | Trikala Regional Unit, Thessaly | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Tsililis 2012 Theopetra Estate Red | Red Blend | Tsililis |
| 100722 | Switzerland | This Pinot Gris from Switzerland has aromas of... | Domaine de la Treille | 89 | 25.0 | Canton of Vaud – La Côte / Terre Sainte | NaN | NaN | Jeff Jenssen | @worldwineguys | Les Frères Dutruy 2014 Domaine de la Treille P... | Pinot Gris | Les Frères Dutruy |
| 105167 | Austria | A lively whiff of white blossom, Muscat grapes... | Steirische Klassik | 92 | 21.0 | Styria – Vulkanland Steiermark, municipality o... | NaN | NaN | Anne Krebiehl MW | @AnneInVino | Neumeister 2016 Steirische Klassik Gelber Musk... | Gelber Muskateller | Neumeister |
| 105715 | Israel | Aromas of blackberry, strawberry and chocolate... | Peak | 92 | 50.0 | Binyamin Region, Jerusalem Mountains | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2014 Peak Red | Rhône-style Red Blend | Psagot |
| 113520 | Uruguay | Aromas of crushed stone and graphite lead toas... | Reserve | 90 | 22.0 | Durazno Department – Villa del Carmen | NaN | NaN | Michael Schachner | @wineschach | El Capricho 2015 Reserve Tannat | Tannat | El Capricho |
| 119787 | Georgia | This deep red-violet wine has a nose of blackb... | NaN | 90 | 30.0 | Imereti Region – Zestafoni | NaN | NaN | Mike DeSimone | @worldwineguys | Amiran Vepkhvadze 2014 Otskhanuri Sapere | Otskhanuri Sapere | Amiran Vepkhvadze |
| 120248 | Israel | Dark ruby in the glass, this wine offers a bou... | M Series | 92 | 36.0 | Binyamin Region, Jerusalem Mountains | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2013 M Series Cabernet Franc | Cabernet Franc | Psagot |
| 120799 | Greece | Cigar box, cedar and red fruit aromas start th... | NaN | 90 | 27.0 | Velventos, Kozani Regional Unit, Western Maced... | NaN | NaN | Susan Kostrzewa | @suskostrzewa | Ktima Voyatzi 2014 Tsapournakos | Tsapournakos | Ktima Voyatzi |
| 124176 | Switzerland | This Swiss red blend is composed of four varie... | Les Romaines | 90 | 30.0 | Canton of Vaud – La Côte / Terre Sainte | NaN | NaN | Jeff Jenssen | @worldwineguys | Les Frères Dutruy 2014 Les Romaines Red | Red Blend | Les Frères Dutruy |
| 129407 | Uruguay | Dry spicy aromas of dusty plum and tomato add ... | Reserve | 89 | 22.0 | Durazno Department – Villa del Carmen | NaN | NaN | Michael Schachner | @wineschach | El Capricho 2015 Reserve Cabernet Sauvignon | Cabernet Sauvignon | El Capricho |
| 129408 | Uruguay | El Capricho is one of Uruguay's more consisten... | Reserve | 89 | 22.0 | Durazno Department – Villa del Carmen | NaN | NaN | Michael Schachner | @wineschach | El Capricho 2015 Reserve Tempranillo | Tempranillo | El Capricho |
| 129590 | Turkey | A blend of 60% Syrah, 30% Cabernet Sauvignon a... | Shah | 90 | 30.0 | Balıkesir Province – Avşa Island, Sea of Marmara | NaN | NaN | Mike DeSimone | @worldwineguys | Büyülübağ 2012 Shah Red | Red Blend | Büyülübağ |
| 129900 | Israel | This wine offers a delightful bouquet of black... | NaN | 91 | 32.0 | Binyamin Region, Jerusalem Mountains | NaN | NaN | Mike DeSimone | @worldwineguys | Psagot 2014 Merlot | Merlot | Psagot |
Mostra il codice Python
df_clean = apply_winery_mapping(df_clean, WINERY_MAP, inplace=True)
Mostra il codice Python
# Verifico che il mapping sia corretto -> OK!
missing_counts = report_missing_values(df_clean, top_n=None, show_heatmap=True)
Missing values per column: region_2 73219 designation 34545 taster_twitter_handle 29446 taster_name 24917 region_1 19560 price 8395 variety 1 dtype: int64
region_2 61.021936 designation 28.790379 taster_twitter_handle 24.540787 taster_name 20.766243 region_1 16.301630 price 6.996533 variety 0.000833 country 0.000000 description 0.000000 points 0.000000 province 0.000000 title 0.000000 winery 0.000000 dtype: float64
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "country")
Puoi esplorare i valori e ingrandire le aree del grafico.
3.4.2 Province e regioni
Mostra il codice Python
summarize_feature(df_clean, "province")[0:30]
| value | count | percent | |
|---|---|---|---|
| 0 | California | 33656 | 28.049 |
| 1 | Washington | 7965 | 6.638 |
| 2 | Bordeaux | 5556 | 4.630 |
| 3 | Tuscany | 5391 | 4.493 |
| 4 | Oregon | 4929 | 4.108 |
| 5 | Burgundy | 3683 | 3.069 |
| 6 | Northern Spain | 3554 | 2.962 |
| 7 | Piedmont | 3441 | 2.868 |
| 8 | Mendoza Province | 3038 | 2.532 |
| 9 | Veneto | 2501 | 2.084 |
| 10 | New York | 2456 | 2.047 |
| 11 | Alsace | 2219 | 1.849 |
| 12 | Northeastern Italy | 1967 | 1.639 |
| 13 | Loire Valley | 1691 | 1.409 |
| 14 | Sicily & Sardinia | 1634 | 1.362 |
| 15 | Champagne | 1498 | 1.248 |
| 16 | Southwest France | 1385 | 1.154 |
| 17 | South Australia | 1271 | 1.059 |
| 18 | Southern Italy | 1254 | 1.045 |
| 19 | Provence | 1197 | 0.998 |
| 20 | Douro | 1179 | 0.983 |
| 21 | Central Italy | 1134 | 0.945 |
| 22 | Catalonia | 1053 | 0.878 |
| 23 | Rhône Valley | 985 | 0.821 |
| 24 | Mosel | 945 | 0.788 |
| 25 | Beaujolais | 944 | 0.787 |
| 26 | Alentejano | 862 | 0.718 |
| 27 | Colchagua Valley | 781 | 0.651 |
| 28 | Virginia | 725 | 0.604 |
| 29 | Marlborough | 717 | 0.598 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "province")
Puoi esplorare i valori e ingrandire le aree del grafico.
Territori e stili: Italia
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='Italy'], "province")[0:30]
| value | count | percent | |
|---|---|---|---|
| 0 | Tuscany | 5391 | 30.050 |
| 1 | Piedmont | 3441 | 19.181 |
| 2 | Veneto | 2501 | 13.941 |
| 3 | Northeastern Italy | 1967 | 10.964 |
| 4 | Sicily & Sardinia | 1634 | 9.108 |
| 5 | Southern Italy | 1254 | 6.990 |
| 6 | Central Italy | 1134 | 6.321 |
| 7 | Lombardy | 481 | 2.681 |
| 8 | Italy Other | 126 | 0.702 |
| 9 | Northwestern Italy | 11 | 0.061 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.country == 'Italy'], "province")
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='Italy'], "region_1")
| value | count | percent | |
|---|---|---|---|
| 0 | Barolo | 1493 | 8.322 |
| 1 | Brunello di Montalcino | 1337 | 7.453 |
| 2 | Toscana | 1115 | 6.215 |
| 3 | Chianti Classico | 966 | 5.385 |
| 4 | Sicilia | 843 | 4.699 |
| ... | ... | ... | ... |
| 377 | Gutturnio Classico Superiore | 1 | 0.006 |
| 378 | Cacc’e Mmitte di Lucera | 1 | 0.006 |
| 379 | Sovana | 1 | 0.006 |
| 380 | Delia Nivolelli | 1 | 0.006 |
| 381 | Paestum | 1 | 0.006 |
382 rows × 3 columns
L'Italia offre una grande varietà di vitigni autoctoni e stili. Piemonte e Toscana sono due riferimenti per i rossi, ma il campione comprende molte altre tradizioni. Queste schede aiutano a leggere i nomi delle regioni nelle tabelle.
| Territorio | Profilo enologico |
|---|---|
| Piemonte | Barolo e Barbaresco nascono dal Nebbiolo: tannini importanti, profumi di rosa e spezie, capacità di evolvere con l'affinamento. Barbera offre acidità e frutto; Dolcetto uno stile più immediato. Completano il quadro Moscato d'Asti e la tradizione del vermouth torinese. Langhe, Monferrato e Alto Piemonte esprimono territori diversi. |
| Toscana | Il Sangiovese è al centro di Chianti e Brunello di Montalcino, con ciliegia, viola, acidità e tannino. I Supertuscan, sviluppati a partire dagli anni Settanta, includono Cabernet Sauvignon e Merlot, talvolta insieme al Sangiovese: Sassicaia, Tignanello e Ornellaia sono esempi noti. La regione comprende anche Vernaccia di San Gimignano e Vin Santo. |
| Veneto | Corvina e Rondinella entrano nei vini della Valpolicella: Amarone da uve appassite, Recioto dolce e Ripasso rifermentato sulle vinacce. Fra i bianchi e gli spumanti troviamo Prosecco da Glera, Soave da Garganega e Pinot Grigio. I volumi elevati convivono con produzioni legate a singoli territori. |
| Altre regioni | Friuli e Trentino-Alto Adige offrono Friulano, Ribolla, Gewürztraminer, Müller-Thurgau, Teroldego, Schiava e Pinot Nero. In Lombardia troviamo Franciacorta e Nebbiolo della Valtellina. La Sicilia comprende Marsala, Nero d'Avola, i vini dell'Etna da Nerello Mascalese e Carricante e il Passito di Pantelleria. Puglia e Campania portano Primitivo, Negroamaro, Aglianico, Fiano e Greco. Completano il panorama Vermentino e Cannonau sardi e Lambrusco emiliano. |
Le descrizioni dei profumi indicano stili ricorrenti, non caratteristiche garantite di ogni bottiglia. Nel testo storico alcune produzioni erano elencate senza distinguere bene la loro regione: qui Pantelleria resta esplicitamente in Sicilia e Recioto di Soave in Veneto.
Territori e stili: Francia
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='France'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | Bordeaux | 5556 | 27.296 |
| 1 | Burgundy | 3683 | 18.094 |
| 2 | Alsace | 2219 | 10.901 |
| 3 | Loire Valley | 1691 | 8.308 |
| 4 | Champagne | 1498 | 7.359 |
| 5 | Southwest France | 1385 | 6.804 |
| 6 | Provence | 1197 | 5.881 |
| 7 | Rhône Valley | 985 | 4.839 |
| 8 | Beaujolais | 944 | 4.638 |
| 9 | France Other | 623 | 3.061 |
| 10 | Languedoc-Roussillon | 572 | 2.810 |
| 11 | Blanquefort (Bordeaux) | 2 | 0.010 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.country == 'France'], "province")
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='France'], "region_1")
| value | count | percent | |
|---|---|---|---|
| 0 | Alsace | 1973 | 9.693 |
| 1 | Champagne | 1498 | 7.359 |
| 2 | Côtes de Provence | 767 | 3.768 |
| 3 | Saint-Émilion | 533 | 2.619 |
| 4 | Chablis | 515 | 2.530 |
| ... | ... | ... | ... |
| 382 | Montlouis-sur-Loire | 1 | 0.005 |
| 383 | Coteaux du Lyonnais | 1 | 0.005 |
| 384 | Coteaux de Verdon | 1 | 0.005 |
| 385 | Côtes du Roussillon Villages Caramany | 1 | 0.005 |
| 386 | Apremont | 1 | 0.005 |
387 rows × 3 columns
La Francia comprende regioni che hanno influenzato profondamente il linguaggio del vino. Climi, vitigni e pratiche di affinamento spiegano parte delle differenze che incontriamo nelle recensioni.
| Territorio | Profilo enologico |
|---|---|
| Bordeaux | Nella Rive Gauche, Médoc e Graves, il Cabernet Sauvignon è centrale; nella Rive Droite, Saint-Émilion e Pomerol, prevale spesso il Merlot. I rossi possono combinare ribes nero, tabacco, grafite, struttura e longevità. Fra i nomi citati nell'originale figurano Lafite, Latour, Margaux, Haut-Brion e Mouton. Sauvignon e Sémillon producono bianchi secchi e i dolci botritizzati di Sauternes, fra cui Château d'Yquem. |
| Borgogna | Pinot Noir e Chardonnay esprimono cru e climat della Côte de Nuits e della Côte de Beaune: Romanée-Conti e Montrachet sono riferimenti celebri. Gevrey-Chambertin, Vosne-Romanée e Puligny-Montrachet aiutano a orientarsi fra le denominazioni. A nord Chablis offre Chardonnay tesi e minerali; il Beaujolais è legato al Gamay. |
| Champagne | Chardonnay, Pinot Noir e Meunier, con affinamento sui lieviti, producono spumanti con note di agrumi, pane e brioche. Le grandi maison citate comprendono Moët & Chandon, Veuve Clicquot, Dom Pérignon e Krug. Le menzioni Grand Cru e Premier Cru richiamano la classificazione dei villaggi. |
| Rodano | A nord la Syrah caratterizza Côte-Rôtie e Hermitage, con note pepate e talvolta cofermentazione con Viognier. A sud dominano assemblaggi di Grenache, Syrah e Mourvèdre, fra cui Châteauneuf-du-Pape. Compaiono anche bianchi da Viognier, Roussanne e Marsanne e rosati come Tavel. |
| Loira | Sauvignon Blanc di Sancerre e Pouilly-Fumé; Muscadet da Melon de Bourgogne a ovest; Chenin Blanc secco, dolce e spumante in Savennières, Coteaux du Layon, Quarts de Chaume, Saumur e Vouvray. Cabernet Franc e rosati completano il quadro di Chinon, Bourgueil e Anjou. |
| Alsazia | Riesling, Gewürztraminer, Pinot Gris e Muscat sono spesso indicati in etichetta. Profumi intensi, stili secchi o con residuo zuccherino, vendemmie tardive e Sélection de Grains Nobles. |
| Altre regioni | Provenza per i rosati; Cahors per il Malbec; Jurançon per i bianchi dolci; Languedoc-Roussillon per vini mediterranei e Pays d'Oc; Corsica per Vermentino e Nielluccio; Savoia e Giura per produzioni particolari, come il vin jaune. |
Territori e stili: Stati Uniti
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='US'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | California | 33656 | 66.702 |
| 1 | Washington | 7965 | 15.786 |
| 2 | Oregon | 4929 | 9.769 |
| 3 | New York | 2456 | 4.868 |
| 4 | Virginia | 725 | 1.437 |
| 5 | Idaho | 179 | 0.355 |
| 6 | Michigan | 105 | 0.208 |
| 7 | Texas | 90 | 0.178 |
| 8 | America | 84 | 0.166 |
| 9 | Colorado | 62 | 0.123 |
| 10 | New Mexico | 44 | 0.087 |
| 11 | Arizona | 39 | 0.077 |
| 12 | Missouri | 33 | 0.065 |
| 13 | North Carolina | 22 | 0.044 |
| 14 | Pennsylvania | 17 | 0.034 |
| 15 | Ohio | 10 | 0.020 |
| 16 | New Jersey | 8 | 0.016 |
| 17 | Washington-Oregon | 7 | 0.014 |
| 18 | Massachusetts | 6 | 0.012 |
| 19 | Illinois | 5 | 0.010 |
| 20 | Iowa | 4 | 0.008 |
| 21 | Connecticut | 3 | 0.006 |
| 22 | Nevada | 3 | 0.006 |
| 23 | Vermont | 2 | 0.004 |
| 24 | Kentucky | 1 | 0.002 |
| 25 | Rhode Island | 1 | 0.002 |
| 26 | Hawaii | 1 | 0.002 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.country == 'US'], "province", top_n=10)
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='US'], "region_1")
| value | count | percent | |
|---|---|---|---|
| 0 | Napa Valley | 4174 | 8.272 |
| 1 | Columbia Valley (WA) | 3795 | 7.521 |
| 2 | Russian River Valley | 2862 | 5.672 |
| 3 | California | 2468 | 4.891 |
| 4 | Paso Robles | 2155 | 4.271 |
| ... | ... | ... | ... |
| 260 | Sonoma-Napa-Lake | 1 | 0.002 |
| 261 | Lake-Sonoma-Napa | 1 | 0.002 |
| 262 | Niagara Escarpment | 1 | 0.002 |
| 263 | Massachusetts | 1 | 0.002 |
| 264 | Sonoma County-Santa Barbara County | 1 | 0.002 |
265 rows × 3 columns
La California ha un ruolo centrale nella viticoltura statunitense; Washington, Oregon, New York e altri stati offrono stili diversi. Il testo originale riportava anche quote produttive e conteggi di cantine o AVA: sono riferimenti dell'epoca, non un censimento aggiornato con questa revisione.
| Territorio | Profilo enologico |
|---|---|
| California | Napa Valley è associata a Cabernet Sauvignon strutturati, con etichette come Opus One e Screaming Eagle. Sonoma comprende Pinot Noir di Russian River e Carneros, Chardonnay, Zinfandel di Dry Creek e assemblaggi di Alexander Valley. Paso Robles, Santa Barbara, Sierra Foothills e Central Valley mostrano la varietà fra produzioni pregiate, vecchie vigne e grandi volumi. |
| Washington | Columbia Valley, Yakima Valley e Walla Walla, a est delle Cascades, hanno clima continentale asciutto. Cabernet, Merlot, Syrah, Riesling e Chardonnay combinano frutto concentrato e acidità. |
| Oregon | Willamette Valley è nota per Pinot Noir di clima fresco, con frutti rossi e note terrose; presenti anche Chardonnay e Pinot Gris. Umpqua e Rogue, più calde, ospitano varietà bordolesi e Syrah. |
| New York | I Finger Lakes sono legati a Riesling, Chardonnay e spumanti; Long Island a rossi di impostazione bordolese e Chardonnay. I laghi e l'oceano moderano il clima in modi differenti. |
| Altri stati | Virginia per Viognier, assemblaggi bordolesi e Norton; Texas per Tempranillo e Tannat; Arizona, Colorado e New Mexico per vigneti in quota; Idaho e Michigan per sperimentazioni con Riesling e Chardonnay. |
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='Spain'], "region_1")
| value | count | percent | |
|---|---|---|---|
| 0 | Rioja | 1349 | 22.057 |
| 1 | Ribera del Duero | 665 | 10.873 |
| 2 | Cava | 449 | 7.341 |
| 3 | Rías Baixas | 317 | 5.183 |
| 4 | Rueda | 273 | 4.464 |
| ... | ... | ... | ... |
| 77 | Finca Élez | 1 | 0.016 |
| 78 | Vino de la Tierra Ribera del Gállego-Cinco Villas | 1 | 0.016 |
| 79 | Vino de Calidad de Tierras de León | 1 | 0.016 |
| 80 | Sardon de Duero | 1 | 0.016 |
| 81 | Toledo | 1 | 0.016 |
82 rows × 3 columns
Territori e stili: Spagna
La Spagna combina rossi da affinamento, bianchi atlantici, spumanti e vini fortificati. La superficie vitata e il ruolo commerciale richiamati nell'originale sono contesto storico, non risultati di questo dataset.
| Territorio o stile | Profilo enologico |
|---|---|
| Rioja | Tempranillo, spesso con Garnacha, Graciano e Mazuelo. Le categorie Crianza, Reserva e Gran Reserva distinguono percorsi di affinamento; rovere, vaniglia, tabacco, cuoio e frutto evoluto caratterizzano molti esempi maturi. |
| Ribera del Duero | Tempranillo, detto Tinto Fino, in un clima continentale: concentrazione, mora, prugna, cacao e tannini. Vega Sicilia Único è l'esempio citato nel lavoro originale. |
| Priorat | Garnacha e Cariñena su suoli di ardesia, la llicorella: rossi intensi, strutturati, con frutto scuro e note minerali. |
| Altri rossi | Montsant; Garnacha di Campo de Borja e Calatayud; Monastrell di Jumilla e Yecla; Syrah di Ronda; Mencía di Bierzo e Ribeira Sacra. Gli stili vanno dalla pienezza mediterranea alla freschezza del nord-ovest. |
| Cava | Spumante metodo tradizionale, soprattutto catalano, da Macabeo, Xarel·lo, Parellada e talvolta Chardonnay o Pinot: mela, agrumi e lievito, con maggiore complessità nelle versioni affinate. |
| Sherry | Vini fortificati di Jerez, affinati anche con sistema solera: Fino e Manzanilla secchi sotto flor; Oloroso più ossidativo e corposo; Pedro Ximénez dolce con uva passa e melassa. |
Fra i bianchi freschi dell'area atlantica l'originale cita l'Albariño di Rías Baixas. La sede di Bierzo è in Castiglia e León: il richiamo alla Mencía non significa che tutte le denominazioni elencate siano galiziane.
Territori e stili: Portogallo
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='Portugal'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | Douro | 1179 | 22.432 |
| 1 | Alentejano | 862 | 16.400 |
| 2 | Tejo | 633 | 12.043 |
| 3 | Port | 565 | 10.750 |
| 4 | Lisboa | 460 | 8.752 |
| 5 | Vinho Verde | 382 | 7.268 |
| 6 | Dão | 317 | 6.031 |
| 7 | Alentejo | 169 | 3.215 |
| 8 | Bairrada | 156 | 2.968 |
| 9 | Península de Setúbal | 139 | 2.645 |
| 10 | Minho | 44 | 0.837 |
| 11 | Estremadura | 41 | 0.780 |
| 12 | Beira Interior | 33 | 0.628 |
| 13 | Portuguese Table Wine | 24 | 0.457 |
| 14 | Duriense | 23 | 0.438 |
| 15 | Bucelas | 21 | 0.400 |
| 16 | Palmela | 21 | 0.400 |
| 17 | Vinho Espumante de Qualidade | 20 | 0.381 |
| 18 | Setubal | 19 | 0.361 |
| 19 | Beiras | 16 | 0.304 |
| 20 | Ribatejano | 15 | 0.285 |
| 21 | Ribatejo | 13 | 0.247 |
| 22 | Madeira | 13 | 0.247 |
| 23 | Terras do Sado | 12 | 0.228 |
| 24 | Beira Atlantico | 12 | 0.228 |
| 25 | Trás-os-Montes | 12 | 0.228 |
| 26 | Algarve | 7 | 0.133 |
| 27 | Obidos | 7 | 0.133 |
| 28 | Moscatel de Setúbal | 7 | 0.133 |
| 29 | Moscatel do Douro | 6 | 0.114 |
| 30 | Alenquer | 6 | 0.114 |
| 31 | Vinho Espumante | 5 | 0.095 |
| 32 | Portugal | 4 | 0.076 |
| 33 | Terras do Dão | 3 | 0.057 |
| 34 | Vinho Licoroso | 3 | 0.057 |
| 35 | Colares | 2 | 0.038 |
| 36 | Távora-Varosa | 2 | 0.038 |
| 37 | Table wine | 1 | 0.019 |
| 38 | Vinho da Mesa | 1 | 0.019 |
| 39 | Alenteo | 1 | 0.019 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.country == 'Portugal'], "province")
Puoi esplorare i valori e ingrandire le aree del grafico.
Il Portogallo unisce numerosi vitigni locali, rossi secchi e vini fortificati. Porto e Madeira sono i riferimenti più noti; Douro, Dão, Bairrada, Alentejo e Minho esprimono identità diverse.
| Territorio o stile | Profilo enologico |
|---|---|
| Douro e Porto | Touriga Nacional, Touriga Franca, Tinta Roriz e Tinta Barroca entrano nel Porto e nei rossi secchi. Nel Porto la fortificazione interrompe la fermentazione: Ruby fruttato, Tawny affinato in legno con frutta secca e caramello, Vintage da un'annata. I rossi secchi possono essere concentrati, speziati e adatti all'affinamento. Taylor's, Graham's e Dow's sono marchi storici citati. |
| Dão e Bairrada | Dão: rossi equilibrati da Touriga Nacional o assemblaggi, viola, frutti di bosco e acidità. Bairrada: Baga tannica e acida, capace di lungo affinamento, e spumanti metodo classico. |
| Alentejo | Clima caldo e asciutto; Aragonez, Trincadeira, Alicante Bouschet e Castelão, talvolta con varietà internazionali. Stili morbidi e maturi, con prugna, cacao e spezie dolci. |
| Vinho Verde | Area del Minho, umida e atlantica. Alvarinho e Loureiro sono associati a bianchi freschi, agrumati e floreali, talvolta leggermente frizzanti. La descrizione dello stile leggero non esaurisce tutti i vini della denominazione. |
| Madeira | Vino fortificato dell'isola omonima, con riscaldamento controllato e acidità elevata. Sercial, Verdelho, Boal e Malvasia coprono stili dal secco al dolce, con caramello, frutta secca tostata e note iodate. |
Territori e stili: Cile
Mostra il codice Python
summarize_feature(df_clean[df_clean.country=='Chile'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | Colchagua Valley | 781 | 18.653 |
| 1 | Maipo Valley | 614 | 14.664 |
| 2 | Casablanca Valley | 568 | 13.566 |
| 3 | Maule Valley | 432 | 10.318 |
| 4 | Central Valley | 332 | 7.929 |
| 5 | Curicó Valley | 225 | 5.374 |
| 6 | Leyda Valley | 218 | 5.207 |
| 7 | Cachapoal Valley | 187 | 4.466 |
| 8 | Rapel Valley | 156 | 3.726 |
| 9 | Aconcagua Valley | 107 | 2.556 |
| 10 | Limarí Valley | 102 | 2.436 |
| 11 | San Antonio | 64 | 1.529 |
| 12 | Chile | 48 | 1.146 |
| 13 | Elqui Valley | 48 | 1.146 |
| 14 | Bío Bío Valley | 41 | 0.979 |
| 15 | Peumo | 34 | 0.812 |
| 16 | Lontué Valley | 27 | 0.645 |
| 17 | Aconcagua Costa | 26 | 0.621 |
| 18 | Marchigue | 21 | 0.502 |
| 19 | Loncomilla Valley | 18 | 0.430 |
| 20 | Lolol Valley | 18 | 0.430 |
| 21 | Puente Alto | 15 | 0.358 |
| 22 | Itata Valley | 13 | 0.310 |
| 23 | Apalta | 11 | 0.263 |
| 24 | Colchagua Costa | 11 | 0.263 |
| 25 | Cauquenes Valley | 8 | 0.191 |
| 26 | Molina | 8 | 0.191 |
| 27 | Buin | 7 | 0.167 |
| 28 | Pirque | 6 | 0.143 |
| 29 | Santa Cruz | 6 | 0.143 |
| 30 | Rio Claro | 5 | 0.119 |
| 31 | San Clemente | 4 | 0.096 |
| 32 | Casablanca & Leyda Valleys | 3 | 0.072 |
| 33 | Choapa Valley | 3 | 0.072 |
| 34 | Malleco | 3 | 0.072 |
| 35 | Curicó and Leyda Valleys | 2 | 0.048 |
| 36 | Leyda Valley-Maipo Valley | 2 | 0.048 |
| 37 | Requinoa | 2 | 0.048 |
| 38 | Maipo Valley-Colchagua Valley | 2 | 0.048 |
| 39 | Curicó and Maipo Valleys | 2 | 0.048 |
| 40 | Sagrada Familia | 2 | 0.048 |
| 41 | Santiago Metropolitan Region, Talagante Provin... | 1 | 0.024 |
| 42 | Casablanca-Curicó Valley | 1 | 0.024 |
| 43 | Coelemu | 1 | 0.024 |
| 44 | Maule Region – Maule Valley | 1 | 0.024 |
| 45 | Santiago Metropolitan Region – Maipo Valley (I... | 1 | 0.024 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.country == 'Chile'], "province")
Puoi esplorare i valori e ingrandire le aree del grafico.
Le valli fra Ande e Pacifico offrono differenze di temperatura e influenza oceanica. Nel racconto originale il Cile emerge per vini dal buon rapporto fra prezzo e valutazione; questa è una lettura del campione storico.
| Territorio o stile | Profilo enologico |
|---|---|
| Maipo | Nei pressi di Santiago: Cabernet Sauvignon strutturato, ribes nero, menta ed eucalipto; anche Merlot e Syrah. |
| Carménère | Vitigno bordolese divenuto simbolo cileno: colore intenso, peperone, spezie e tannini morbidi. |
| Casablanca, Leyda e San Antonio | Influenza fresca del Pacifico: Sauvignon Blanc agrumato e tropicale, Chardonnay di stili diversi e Pinot Noir nelle zone più fresche. |
| Colchagua e Cachapoal | Valli interne del Rapel: Carménère, Cabernet Sauvignon e Syrah con frutto maturo, spezie e struttura. |
| Aconcagua e Maule | Rossi concentrati da Cabernet, Syrah e assemblaggi; nel Maule anche vecchi vigneti di varietà tradizionali. |
| Curicó | Ampia presenza di vitigni internazionali e vini quotidiani. |
| Bío-Bío e Itata | Aree meridionali più fresche e piovose: País, bianchi aromatici, vecchie vigne e interesse per interventi contenuti in cantina. |
Territori e stili: Argentina
Mostra il codice Python
summarize_feature(df_clean[df_clean.country == 'Argentina'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | Mendoza Province | 3038 | 85.722 |
| 1 | Other | 506 | 14.278 |
Mostra il codice Python
summarize_feature(df_clean[df_clean.country == 'Argentina'], "region_1")
| value | count | percent | |
|---|---|---|---|
| 0 | Mendoza | 2152 | 60.722 |
| 1 | Uco Valley | 248 | 6.998 |
| 2 | Tupungato | 180 | 5.079 |
| 3 | Luján de Cuyo | 167 | 4.712 |
| 4 | Cafayate | 88 | 2.483 |
| 5 | Salta | 82 | 2.314 |
| 6 | Valle de Uco | 75 | 2.116 |
| 7 | San Juan | 70 | 1.975 |
| 8 | Patagonia | 65 | 1.834 |
| 9 | nan | 49 | 1.383 |
| 10 | Agrelo | 48 | 1.354 |
| 11 | La Consulta | 47 | 1.326 |
| 12 | Calchaquí Valley | 45 | 1.270 |
| 13 | Neuquén | 37 | 1.044 |
| 14 | Argentina | 35 | 0.988 |
| 15 | Perdriel | 25 | 0.705 |
| 16 | Maipú | 23 | 0.649 |
| 17 | Alto Valle del Río Negro | 21 | 0.593 |
| 18 | Río Negro Valley | 18 | 0.508 |
| 19 | Vista Flores | 16 | 0.451 |
| 20 | Tulum Valley | 14 | 0.395 |
| 21 | La Rioja | 11 | 0.310 |
| 22 | Famatina Valley | 10 | 0.282 |
| 23 | San Carlos | 4 | 0.113 |
| 24 | Buenos Aires | 3 | 0.085 |
| 25 | Zonda Valley | 3 | 0.085 |
| 26 | Pedernal Valley | 2 | 0.056 |
| 27 | San Rafael | 2 | 0.056 |
| 28 | Jujuy | 1 | 0.028 |
| 29 | Medrano | 1 | 0.028 |
| 30 | Altos de Mendoza | 1 | 0.028 |
| 31 | Catamarca | 1 | 0.028 |
La viticoltura argentina è fortemente legata alle Ande. L'altitudine modera il clima asciutto e favorisce escursioni termiche; il Malbec è il vitigno più riconoscibile nel racconto del dataset.
| Territorio o stile | Profilo enologico |
|---|---|
| Malbec | A Mendoza, Luján de Cuyo e Valle de Uco offre colore intenso, prugna, mora, viola e talvolta vaniglia o cioccolato da legno, con tannini morbidi. Catena Zapata e Achaval Ferrer sono gli esempi citati nell'originale. |
| Mendoza | Fulcro produttivo, con vigneti in quota, clima asciutto e suoli alluvionali; oltre al Malbec, Cabernet Sauvignon, Syrah e Merlot. Le percentuali produttive e il numero di cantine riportati nel testo inglese non sono stati ricalcolati nel 2026. |
| Altri vitigni | Bonarda argentina, ossia Douce Noir, Cabernet, Syrah e Merlot fra i rossi; Torrontés dai profumi floreali e di pesca, Chardonnay e Sauvignon Blanc fra i bianchi. |
| Salta e Cafayate | Vigneti anche oltre 1.700–2.000 metri; Torrontés aromatico, Malbec e Cabernet con freschezza legata all'altitudine. |
| Patagonia | Río Negro e Neuquén: clima più fresco, Pinot Noir, bianchi e rossi di impostazione bordolese. |
L'originale collega i rossi corposi alla cucina dell'asado e segnala bottiglie accessibili ben valutate, insieme a vini di fascia alta. Richiama inoltre la ricerca di maggiore freschezza attraverso vendemmie anticipate e meno legno, con esempi da Gualtallary e Altamira. Queste osservazioni non costituiscono un listino prezzi attuale.
Territori e stili: Australia
Mostra il codice Python
summarize_feature(df_clean[df_clean.country == 'Australia'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | South Australia | 1271 | 57.852 |
| 1 | Victoria | 303 | 13.792 |
| 2 | Western Australia | 274 | 12.472 |
| 3 | Australia Other | 231 | 10.514 |
| 4 | New South Wales | 82 | 3.732 |
| 5 | Tasmania | 36 | 1.639 |
Mostra il codice Python
summarize_feature(df_clean[df_clean.country == 'Australia'], "region_1")
| value | count | percent | |
|---|---|---|---|
| 0 | McLaren Vale | 321 | 14.611 |
| 1 | South Eastern Australia | 197 | 8.967 |
| 2 | South Australia | 166 | 7.556 |
| 3 | Barossa Valley | 162 | 7.374 |
| 4 | Margaret River | 159 | 7.237 |
| ... | ... | ... | ... |
| 71 | Clare Valley-Eden Valley | 1 | 0.046 |
| 72 | Southern Highlands | 1 | 0.046 |
| 73 | Geelong | 1 | 0.046 |
| 74 | Southern Flinders Ranges | 1 | 0.046 |
| 75 | Barossa-Adelaide Hills | 1 | 0.046 |
76 rows × 3 columns
L'Australia comprende produzioni commerciali su larga scala e vini ricercati. Le regioni vinicole sono concentrate soprattutto nel sud, con differenze rilevanti fra aree calde, coste e altipiani.
| Vitigno o stile | Profilo e territori |
|---|---|
| Shiraz | Barossa Valley e McLaren Vale: frutto nero maturo, pepe, cioccolato, liquirizia e struttura. Penfolds Grange e Henschke Hill of Grace sono esempi celebri. Yarra Valley e Canberra possono esprimere stili più freschi e pepati. Diffusi anche assemblaggi GSM, Grenache–Shiraz–Mourvèdre. |
| Cabernet Sauvignon | Coonawarra e Margaret River: ribes nero, note mentolate, concentrazione; frequenti assemblaggi con Merlot o Shiraz. |
| Chardonnay | Dallo stile ricco di legno e fermentazione malolattica associato agli anni Novanta a interpretazioni più fresche di Adelaide Hills, Mornington Peninsula e Tasmania; anche base per spumanti metodo classico. |
| Pinot Noir | Yarra Valley, Mornington e Tasmania: ciliegia, note terrose e acidità. Il confronto qualitativo con la Borgogna nel testo originale è un giudizio, non una conclusione misurata dal dataset. |
| Altre produzioni | Riesling secco di Clare ed Eden Valley; Sémillon di Hunter Valley, capace di sviluppare miele e tostatura; Grenache da vecchie vigne di McLaren Vale; Viognier e Marsanne del Victoria; vini fortificati e Liqueur Muscat di Rutherglen. |
Il lavoro originale richiama tecnologia, marketing e il successo internazionale di Jacob's Creek e Yellow Tail, accanto ai punteggi elevati e al collezionismo dei vini di punta. I confronti di convenienza con la Francia sono osservazioni storiche e dipendono dalle etichette selezionate.
Territori e stili: Germania, Austria e altri paesi
Mostra il codice Python
summarize_feature(df_clean[df_clean.country == 'Germany'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | Mosel | 945 | 47.440 |
| 1 | Rheingau | 293 | 14.709 |
| 2 | Rheinhessen | 259 | 13.002 |
| 3 | Pfalz | 175 | 8.785 |
| 4 | Mosel-Saar-Ruwer | 97 | 4.869 |
| 5 | Nahe | 79 | 3.966 |
| 6 | Baden | 60 | 3.012 |
| 7 | Franken | 37 | 1.857 |
| 8 | Württemberg | 20 | 1.004 |
| 9 | Germany | 11 | 0.552 |
| 10 | Ahr | 9 | 0.452 |
| 11 | Mittelrhein | 5 | 0.251 |
| 12 | Landwein Rhein | 2 | 0.100 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.country == 'Germany'], "province")
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
summarize_feature(df_clean[df_clean.country == 'Austria'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | Burgenland | 607 | 19.954 |
| 1 | Niederösterreich | 540 | 17.751 |
| 2 | Kamptal | 371 | 12.196 |
| 3 | Wachau | 329 | 10.815 |
| 4 | Kremstal | 306 | 10.059 |
| 5 | Thermenregion | 112 | 3.682 |
| 6 | Südsteiermark | 101 | 3.320 |
| 7 | Carnuntum | 91 | 2.991 |
| 8 | Weinviertel | 90 | 2.959 |
| 9 | Vienna | 66 | 2.170 |
| 10 | Österreichischer Sekt | 63 | 2.071 |
| 11 | Wagram | 61 | 2.005 |
| 12 | Wagram-Donauland | 52 | 1.709 |
| 13 | Leithaberg | 37 | 1.216 |
| 14 | Traisental | 37 | 1.216 |
| 15 | Südoststeiermark | 34 | 1.118 |
| 16 | Austria | 26 | 0.855 |
| 17 | Wiener Gemischter Satz | 23 | 0.756 |
| 18 | Mittelburgenland | 22 | 0.723 |
| 19 | Steiermark | 18 | 0.592 |
| 20 | Weinland Österreich | 16 | 0.526 |
| 21 | Eisenberg | 15 | 0.493 |
| 22 | Neusiedlersee | 11 | 0.362 |
| 23 | Styria – Vulkanland Steiermark, municipality o... | 8 | 0.263 |
| 24 | Österreichischer Perlwein | 4 | 0.131 |
| 25 | Südburgenland | 2 | 0.066 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.country == 'Austria'], "province")
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
summarize_feature(df_clean[df_clean.country == 'Argentina'], "province")
| value | count | percent | |
|---|---|---|---|
| 0 | Mendoza Province | 3038 | 85.722 |
| 1 | Other | 506 | 14.278 |
| Paese | Profilo enologico |
|---|---|
| Germania | Riesling di Mosella, Rheingau e Pfalz, dal secco ai dolci tardivi ed Eiswein: acidità elevata, fiori, lime, pietra focaia e possibilità di lungo affinamento. Kabinett, Spätlese e Auslese richiamano categorie legate alla maturità delle uve. Presenti anche Spätburgunder, ossia Pinot Noir, di Baden, Pfalz e Ahr, Müller-Thurgau, Silvaner e Pinot bianchi. |
| Austria | Grüner Veltliner di Wachau, Kamptal e Kremstal, con pepe bianco, mela e agrumi; Riesling secco; rossi Blaufränkisch e Zweigelt soprattutto in Burgenland. L'originale cita anche Smaragd e vini dolci Beerenauslese e Trockenbeerenauslese di Illmitz. |
| Nuova Zelanda | Sauvignon Blanc di Marlborough, con frutto della passione, lime e note vegetali; Cloudy Bay è l'esempio storico. Pinot Noir di Central Otago e Martinborough, Chardonnay e Syrah di Hawke's Bay completano il panorama. |
| Sudafrica | Pinotage, incrocio fra Pinot Noir e Cinsault; Cabernet e Syrah di Stellenbosch e Paarl; Chenin Blanc, detto Steen. Il racconto comprende vecchie vigne di Swartland e il dolce di Constantia da Muscat de Frontignan. |
| Grecia e Canada | Assyrtiko di Santorini e Xinomavro per la Grecia; Icewine da Riesling o Vidal in Ontario per il Canada. Pochi esempi nel campione richiedono cautela nei confronti. |
3.4.3 Degustatori
Mostra il codice Python
summarize_feature(df_clean,"taster_name")
| value | count | percent | |
|---|---|---|---|
| 0 | nan | 24917 | 20.766 |
| 1 | Roger Voss | 23560 | 19.635 |
| 2 | Michael Schachner | 14046 | 11.706 |
| 3 | Kerin O’Keefe | 9697 | 8.082 |
| 4 | Paul Gregutt | 8868 | 7.391 |
| 5 | Virginie Boone | 8708 | 7.257 |
| 6 | Matt Kettmann | 5730 | 4.775 |
| 7 | Joe Czerwinski | 4766 | 3.972 |
| 8 | Sean P. Sullivan | 4461 | 3.718 |
| 9 | Anna Lee C. Iijima | 4017 | 3.348 |
| 10 | Jim Gordon | 3766 | 3.139 |
| 11 | Anne Krebiehl MW | 3290 | 2.742 |
| 12 | Lauren Buzzeo | 1700 | 1.417 |
| 13 | Susan Kostrzewa | 1023 | 0.853 |
| 14 | Mike DeSimone | 461 | 0.384 |
| 15 | Jeff Jenssen | 436 | 0.363 |
| 16 | Alexander Peartree | 383 | 0.319 |
| 17 | Carrie Dykes | 129 | 0.108 |
| 18 | Fiona Adams | 24 | 0.020 |
| 19 | Christina Pickard | 6 | 0.005 |
Circa un quinto delle recensioni non riporta il nome del degustatore. Confronto il campo con quello dell'account Twitter per capire se possa aiutare a recuperare qualche nome.
Mostra il codice Python
summarize_feature(df_clean,"taster_twitter_handle")
| value | count | percent | |
|---|---|---|---|
| 0 | nan | 29446 | 24.541 |
| 1 | @vossroger | 23560 | 19.635 |
| 2 | @wineschach | 14046 | 11.706 |
| 3 | @kerinokeefe | 9697 | 8.082 |
| 4 | @paulgwine | 8868 | 7.391 |
| 5 | @vboone | 8708 | 7.257 |
| 6 | @mattkettmann | 5730 | 4.775 |
| 7 | @JoeCz | 4766 | 3.972 |
| 8 | @wawinereport | 4461 | 3.718 |
| 9 | @gordone_cellars | 3766 | 3.139 |
| 10 | @AnneInVino | 3290 | 2.742 |
| 11 | @laurbuzz | 1700 | 1.417 |
| 12 | @suskostrzewa | 1023 | 0.853 |
| 13 | @worldwineguys | 897 | 0.748 |
| 14 | @bkfiona | 24 | 0.020 |
| 15 | @winewchristina | 6 | 0.005 |
Nel riepilogo storico mancano 24.917 nomi e 29.446 account Twitter. I due campi non hanno dunque la stessa copertura. Verifico, fra gli altri, l'account condiviso @worldwineguys.
Mostra il codice Python
mask = df_clean["taster_name"].isna() & df_clean["taster_twitter_handle"].isna()
count = mask.sum()
print(str(count) + " righe con taster_name e taster_twitter_handle} entrambi NaN")
24917 righe con taster_name e taster_twitter_handle} entrambi NaN
Il controllo non fornisce corrispondenze utili per i nomi mancanti. L'account @worldwineguys è associato a Mike DeSimone e Jeff Jenssen. Uso l'etichetta leggibile No Taster Name per i valori assenti: è una categoria tecnica, non il nome di una persona.
Mostra il codice Python
# Rimpiazza i NaN
df_clean["taster_name"].fillna("No Taster Name", inplace=True)
Mostra il codice Python
summarize_feature(df_clean,"taster_name")
| value | count | percent | |
|---|---|---|---|
| 0 | No Taster Name | 24917 | 20.766 |
| 1 | Roger Voss | 23560 | 19.635 |
| 2 | Michael Schachner | 14046 | 11.706 |
| 3 | Kerin O’Keefe | 9697 | 8.082 |
| 4 | Paul Gregutt | 8868 | 7.391 |
| 5 | Virginie Boone | 8708 | 7.257 |
| 6 | Matt Kettmann | 5730 | 4.775 |
| 7 | Joe Czerwinski | 4766 | 3.972 |
| 8 | Sean P. Sullivan | 4461 | 3.718 |
| 9 | Anna Lee C. Iijima | 4017 | 3.348 |
| 10 | Jim Gordon | 3766 | 3.139 |
| 11 | Anne Krebiehl MW | 3290 | 2.742 |
| 12 | Lauren Buzzeo | 1700 | 1.417 |
| 13 | Susan Kostrzewa | 1023 | 0.853 |
| 14 | Mike DeSimone | 461 | 0.384 |
| 15 | Jeff Jenssen | 436 | 0.363 |
| 16 | Alexander Peartree | 383 | 0.319 |
| 17 | Carrie Dykes | 129 | 0.108 |
| 18 | Fiona Adams | 24 | 0.020 |
| 19 | Christina Pickard | 6 | 0.005 |
Mostra il codice Python
# Verifico che il mapping sia corretto -> OK!
missing_counts = report_missing_values(df_clean, top_n=None, show_heatmap=True)
Missing values per column: region_2 73219 designation 34545 taster_twitter_handle 29446 region_1 19560 price 8395 variety 1 dtype: int64
region_2 61.021936 designation 28.790379 taster_twitter_handle 24.540787 region_1 16.301630 price 6.996533 variety 0.000833 country 0.000000 description 0.000000 points 0.000000 province 0.000000 taster_name 0.000000 title 0.000000 winery 0.000000 dtype: float64
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "taster_name")
Puoi esplorare i valori e ingrandire le aree del grafico.
L'analisi originale aggiunge una ricerca biografica sui degustatori. Conservo la tabella e i riferimenti, ma nazionalità, luogo di nascita e residenza non sono equivalenti: questa mappatura manuale non è una variabile certificata del dataset e non basta a spiegare differenze nei punteggi.
| # | Nome | Nazionalità riportata |
|---|---|---|
| 1 | Roger Voss | statunitense (decanter.com) |
| 2 | Michael Schachner | statunitense (wineenthusiast.com) |
| 3 | Kerin O’Keefe | statunitense (en.wikipedia.org) |
| 4 | Paul Gregutt | statunitense (en.wikipedia.org) |
| 5 | Virginie Boone | statunitense (nata a Parigi, vive in California) (wineenthusiast.com) |
| 6 | Matt Kettmann | statunitense (wineenthusiast.com) |
| 7 | Joe Czerwinski | statunitense (winejournal.robertparker.com) |
| 8 | Sean P. Sullivan | statunitense (wineenthusiast.com) |
| 9 | Anna Lee C. Iijima | nippo-americana (nippo-americana) (newwinereview.com) |
| 10 | Jim Gordon | statunitense (wineenthusiast.com) |
| 11 | Anne Krebiehl MW | tedesca (decanter.com) |
| 12 | Lauren Buzzeo | statunitense (foodandwine.com) |
| 13 | Susan Kostrzewa | statunitense (traversecity.com) |
| 14 | Mike DeSimone | statunitense (amazon.com) |
| 15 | Jeff Jenssen | statunitense (amazon.com) |
| 16 | Alexander Peartree | statunitense (muckrack.com) |
| 17 | Carrie Dykes | statunitense (wineenthusiast.com) |
| 18 | Fiona Adams | statunitense (wineenthusiast.com) |
| 19 | Christina Pickard | statunitense (instagram.com) |
Nota di lettura: la tabella conserva la ricerca biografica originale, che non è stata verificata come insieme di cittadinanze. Non usarla per attribuire automaticamente una nazionalità ai degustatori.
3.4.4 Vitigni e tipologie
C'è un solo valore mancante nella colonna variety. Esamino la recensione e il titolo prima di completarlo.
Mostra il codice Python
missingVariety = df_clean[df_clean['variety'].isna()]
Mostra il codice Python
missingVariety
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||||||
| 86909 | Chile | A chalky, dusty mouthfeel nicely balances this... | NaN | 88 | 17.0 | Maipo Valley | NaN | NaN | No Taster Name | NaN | Carmen 1999 (Maipo Valley) | NaN | Carmen |
Dopo la ricerca effettuata nel lavoro originale, la riga viene attribuita al Cabernet Sauvignon. È un'integrazione manuale del dato, distinta dalle informazioni già presenti nel CSV.
Mostra il codice Python
# use .at when updating a single scalar (faster than .loc)
record_id = 86909
new_variety = "Cabernet Sauvignon"
df_clean.at[record_id, "variety"] = new_variety
Mostra il codice Python
# Verifico che il mapping sia corretto -> OK!
missing_counts = report_missing_values(df_clean, top_n=None, show_heatmap=True)
Missing values per column: region_2 73219 designation 34545 taster_twitter_handle 29446 region_1 19560 price 8395 dtype: int64
region_2 61.021936 designation 28.790379 taster_twitter_handle 24.540787 region_1 16.301630 price 6.996533 country 0.000000 description 0.000000 points 0.000000 province 0.000000 taster_name 0.000000 title 0.000000 variety 0.000000 winery 0.000000 dtype: float64
I principali vitigni nel campione
Mostra il codice Python
summarize_feature(df_clean,"variety")[0:30]
| value | count | percent | |
|---|---|---|---|
| 0 | Pinot Noir | 12278 | 10.233 |
| 1 | Chardonnay | 10868 | 9.058 |
| 2 | Cabernet Sauvignon | 8841 | 7.368 |
| 3 | Red Blend | 8243 | 6.870 |
| 4 | Bordeaux-style Red Blend | 6471 | 5.393 |
| 5 | Riesling | 4773 | 3.978 |
| 6 | Sauvignon Blanc | 4575 | 3.813 |
| 7 | Syrah | 3828 | 3.190 |
| 8 | Rosé | 3220 | 2.684 |
| 9 | Merlot | 2896 | 2.414 |
| 10 | Nebbiolo | 2607 | 2.173 |
| 11 | Zinfandel | 2530 | 2.109 |
| 12 | Sangiovese | 2462 | 2.052 |
| 13 | Malbec | 2446 | 2.039 |
| 14 | Portuguese Red | 2282 | 1.902 |
| 15 | White Blend | 2179 | 1.816 |
| 16 | Sparkling Blend | 1971 | 1.643 |
| 17 | Tempranillo | 1671 | 1.393 |
| 18 | Rhône-style Red Blend | 1343 | 1.119 |
| 19 | Pinot Gris | 1324 | 1.103 |
| 20 | Champagne Blend | 1308 | 1.090 |
| 21 | Cabernet Franc | 1243 | 1.036 |
| 22 | Grüner Veltliner | 1201 | 1.001 |
| 23 | Portuguese White | 1057 | 0.881 |
| 24 | Bordeaux-style White Blend | 993 | 0.828 |
| 25 | Pinot Grigio | 980 | 0.817 |
| 26 | Gewürztraminer | 940 | 0.783 |
| 27 | Gamay | 926 | 0.772 |
| 28 | Viognier | 922 | 0.768 |
| 29 | Shiraz | 790 | 0.658 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "variety")
Puoi esplorare i valori e ingrandire le aree del grafico.
Fra le categorie più frequenti troviamo Pinot Noir, Chardonnay, Cabernet Sauvignon, Red Blend, Bordeaux-style Red Blend, Riesling, Sauvignon Blanc, Syrah/Shiraz, Rosé e Merlot; seguono Nebbiolo, Zinfandel, Sangiovese, Malbec e altri. La colonna mescola vitigni, assemblaggi e stili: un rosato non è un vitigno e un Red Blend può contenere più uve.
| Vitigno | Origine, profilo e diffusione |
|---|---|
| Pinot Noir | Originario della Borgogna, sensibile al territorio e alle condizioni di coltivazione. Colore generalmente poco intenso, lampone, ciliegia, rosa e spezie; con l'evoluzione possono comparire sottobosco, tartufo e cuoio. Corpo medio, acidità vivace e tannini fini. Oltre alla Francia: Oregon e California, Germania, Italia settentrionale e Nuova Zelanda. |
| Chardonnay | Uva bianca borgognona molto versatile: dagli agrumi e dalla freschezza di Chablis a stili più morbidi, tropicali, vanigliati o tostati quando interviene il legno. Acidità e struttura permettono sia bianchi da affinamento sia spumanti come Champagne e Franciacorta. Diffuso anche in California, Trentino-Alto Adige e Friuli. |
| Cabernet Sauvignon | Vitigno bordolese derivato dall'incrocio naturale fra Cabernet Franc e Sauvignon Blanc. Buccia spessa, tannini e colore intenso; ribes nero, cassis e talvolta peperone, con cedro, vaniglia e spezie dopo il legno. Vini strutturati e longevi, spesso in assemblaggio con Merlot e Cabernet Franc. Bordeaux, Napa, Maipo, Colchagua, Bolgheri e Coonawarra sono riferimenti del testo. |
| Merlot | Originario dell'area bordolese, usato in purezza o in assemblaggio per frutto e morbidezza. Prugna, ciliegia, lampone e sfumature erbacee o speziate; tannini generalmente più morbidi del Cabernet. Pomerol e Saint-Émilion sono riferimenti, insieme a molte interpretazioni italiane. La data d'arrivo in Italia indicata nel testo storico non è verificata in questa analisi. |
| Syrah / Shiraz | Associata al Rodano, con mora, mirtillo, prugna, pepe nero, tabacco e liquirizia, talvolta cioccolato o menta. Corpo, tannino e persistenza; i tannini possono ammorbidirsi con l'affinamento. Hermitage e Côte-Rôtie, assemblaggi del Rodano meridionale, Barossa Valley, Sicilia, Toscana e Paso Robles illustrano stili diversi. |
| Sauvignon Blanc | Diffuso dalla Loira e Bordeaux alla Nuova Zelanda, California, Sudafrica, Cile, Alto Adige e Friuli. Profumi vegetali come erba, foglia di pomodoro e peperone, insieme ad agrumi, frutto della passione e uva spina. Acidità vivace, corpo leggero o medio; spesso vinificato in acciaio, pur esistendo interpretazioni in legno. |
| Riesling | Legato a Reno e Mosella, mantiene acidità elevata anche in stili dolci, vendemmie tardive ed Eiswein. Fiori, mela, pesca, albicocca, agrumi e note minerali; con l'età può comparire il sentore di idrocarburo. Diffuso anche in Austria, Alsazia, Australia, Washington, Finger Lakes e alcune aree italiane. Può evolvere a lungo. |
| Nebbiolo | Vitigno piemontese di Barolo, Barbaresco e Roero; anche Spanna nell'Alto Piemonte e Chiavennasca in Valtellina. Colore granato, rosa, viola, piccoli frutti, spezie, liquirizia, note balsamiche e catrame. Tannino e acidità elevati sostengono l'affinamento. In Valtellina entra anche nello Sforzato da uve appassite. |
| Zinfandel / Primitivo | Vitigno di origine croata diffuso in Puglia e California. Frutto nero maturo, amarena, prugna e viola, spesso alcol elevato; il legno può aggiungere cannella, cacao e pepe. Comprende Primitivo di Manduria, rossi californiani robusti e il rosato abboccato White Zinfandel. Nei climi molto caldi la gestione dell'acidità conta. |
| Sangiovese | Vitigno centrale per Chianti Classico, Brunello e Vino Nobile. Ciliegia, prugna rossa, viola, erbe mediterranee e talvolta arancia o tabacco; acidità evidente e tannini vivaci. Presente anche in Romagna, Umbria, Sicilia e nel Nuovo Mondo, con cloni e interpretazioni differenti. |
| Malbec | Legato alla Francia sud-occidentale e divenuto simbolo argentino. Mendoza e Valle de Uco offrono colore profondo, prugna, mora, viola e spezie dolci, tannini morbidi e freschezza delle quote. A Cahors, dove è detto anche Côt, può risultare più austero. Coltivato inoltre in Cile, Stati Uniti e Sudafrica. |
| Gewürztraminer | Vitigno aromatico dalla buccia rosata, noto soprattutto per Alsazia e Alto Adige: litchi, rosa, zenzero, pepe bianco e frutta tropicale, talvolta miele e incenso. Corpo pieno, acidità contenuta e alcol spesso importante; versioni secche, vendemmie tardive e selezioni dolci. Diffuso anche in Germania, Nuova Zelanda e Stati Uniti. |
| Tempranillo | Il nome richiama la maturazione precoce. Centrale in Rioja e Ribera del Duero, presente anche a Toro e Navarra; in Portogallo Tinta Roriz o Aragonez. Fragola, ciliegia, prugna, tabacco e cuoio, con cocco o aneto in alcuni affinamenti in rovere americano. Struttura e tannino sostengono Crianza, Reserva e Gran Reserva; esistono interpretazioni anche in Texas, Oregon e Argentina. |
Sono descrizioni orientative: annata, luogo e vinificazione possono cambiare molto il profilo della stessa uva. Le superfici vitate menzionate nell'originale non sono stime aggiornate nel 2026.
3.4.5 Cantine
Mostra il codice Python
summarize_feature(df_clean, "winery")[0:30]
| value | count | percent | |
|---|---|---|---|
| 0 | Wines & Winemakers | 211 | 0.176 |
| 1 | Williams Selyem | 204 | 0.170 |
| 2 | Testarossa | 201 | 0.168 |
| 3 | DFJ Vinhos | 200 | 0.167 |
| 4 | Louis Latour | 192 | 0.160 |
| 5 | Georges Duboeuf | 186 | 0.155 |
| 6 | Chateau Ste. Michelle | 171 | 0.143 |
| 7 | Concha y Toro | 154 | 0.128 |
| 8 | Columbia Crest | 146 | 0.122 |
| 9 | Kendall-Jackson | 119 | 0.099 |
| 10 | Gary Farrell | 118 | 0.098 |
| 11 | Siduri | 113 | 0.094 |
| 12 | Lynmar | 113 | 0.094 |
| 13 | Albert Bichot | 109 | 0.091 |
| 14 | Santa Ema | 109 | 0.091 |
| 15 | Trapiche | 108 | 0.090 |
| 16 | Montes | 106 | 0.088 |
| 17 | Robert Mondavi | 106 | 0.088 |
| 18 | Undurraga | 105 | 0.088 |
| 19 | Jean-Luc and Paul Aegerter | 103 | 0.086 |
| 20 | Louis Jadot | 100 | 0.083 |
| 21 | Foxen | 99 | 0.083 |
| 22 | Chanson Père et Fils | 98 | 0.082 |
| 23 | V. Sattui | 98 | 0.082 |
| 24 | Casa Santos Lima | 97 | 0.081 |
| 25 | Iron Horse | 97 | 0.081 |
| 26 | Maryhill | 97 | 0.081 |
| 27 | Terre Rouge | 96 | 0.080 |
| 28 | Feudi di San Gregorio | 95 | 0.079 |
| 29 | Cameron Hughes | 94 | 0.078 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "winery")
Puoi esplorare i valori e ingrandire le aree del grafico.
3.4.6 Prezzi
Il prezzo riflette costi produttivi, affinamento, notorietà e scarsità, oltre al posizionamento commerciale. Un prezzo alto non garantisce un punteggio alto, e un vino accessibile può ricevere un'ottima valutazione. La variabile del dataset è espressa in dollari statunitensi, non in euro o sterline.
Mostra il codice Python
summarize_feature(df_clean,"price")[0:20]
| value | count | percent | |
|---|---|---|---|
| 0 | nan | 8395 | 6.997 |
| 1 | 20.0 | 6335 | 5.280 |
| 2 | 15.0 | 5557 | 4.631 |
| 3 | 25.0 | 5320 | 4.434 |
| 4 | 18.0 | 4507 | 3.756 |
| 5 | 30.0 | 4500 | 3.750 |
| 6 | 12.0 | 3646 | 3.039 |
| 7 | 40.0 | 3565 | 2.971 |
| 8 | 35.0 | 3482 | 2.902 |
| 9 | 13.0 | 3282 | 2.735 |
| 10 | 16.0 | 3263 | 2.719 |
| 11 | 10.0 | 3217 | 2.681 |
| 12 | 22.0 | 3094 | 2.579 |
| 13 | 50.0 | 3087 | 2.573 |
| 14 | 14.0 | 2940 | 2.450 |
| 15 | 45.0 | 2907 | 2.423 |
| 16 | 17.0 | 2796 | 2.330 |
| 17 | 28.0 | 2694 | 2.245 |
| 18 | 24.0 | 2584 | 2.154 |
| 19 | 19.0 | 2579 | 2.149 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "price")
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.price <= 200], "price", title_prefix='Distribuzione di <=200$')
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
plot_feature_distribution_interactive(df_clean[df_clean.price > 200], "price", title_prefix='Distribuzione di >200$')
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
df_clean[df_clean['price'].isna()]
| country | description | designation | points | price | province | region_1 | region_2 | taster_name | taster_twitter_handle | title | variety | winery | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||||||
| 0 | Italy | Aromas include tropical fruit, broom, brimston... | Vulkà Bianco | 87 | NaN | Sicily & Sardinia | Etna | NaN | Kerin O’Keefe | @kerinokeefe | Nicosia 2013 Vulkà Bianco (Etna) | White Blend | Nicosia |
| 13 | Italy | This is dominated by oak and oak-driven aromas... | Rosso | 87 | NaN | Sicily & Sardinia | Etna | NaN | Kerin O’Keefe | @kerinokeefe | Masseria Setteporte 2012 Rosso (Etna) | Nerello Mascalese | Masseria Setteporte |
| 30 | France | Red cherry fruit comes laced with light tannin... | Nouveau | 86 | NaN | Beaujolais | Beaujolais-Villages | NaN | Roger Voss | @vossroger | Domaine de la Madone 2012 Nouveau (Beaujolais... | Gamay | Domaine de la Madone |
| 31 | Italy | Merlot and Nero d'Avola form the base for this... | Calanìca Nero d'Avola-Merlot | 86 | NaN | Sicily & Sardinia | Sicilia | NaN | No Taster Name | NaN | Duca di Salaparuta 2010 Calanìca Nero d'Avola-... | Red Blend | Duca di Salaparuta |
| 32 | Italy | Part of the extended Calanìca series, this Gri... | Calanìca Grillo-Viognier | 86 | NaN | Sicily & Sardinia | Sicilia | NaN | No Taster Name | NaN | Duca di Salaparuta 2011 Calanìca Grillo-Viogni... | White Blend | Duca di Salaparuta |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 129844 | Italy | Doga delle Clavule is a neutral, mineral-drive... | Doga delle Clavule | 86 | NaN | Tuscany | Morellino di Scansano | NaN | No Taster Name | NaN | Caparzo 2006 Doga delle Clavule (Morellino di... | Sangiovese | Caparzo |
| 129860 | Portugal | This rich wine has a firm structure as well as... | Pacheca Superior | 90 | NaN | Douro | NaN | NaN | Roger Voss | @vossroger | Quinta da Pacheca 2013 Pacheca Superior Red (D... | Portuguese Red | Quinta da Pacheca |
| 129863 | Portugal | This mature wine that has 50% Touriga Nacional... | Reserva | 90 | NaN | Dão | NaN | NaN | Roger Voss | @vossroger | Seacampo 2011 Reserva Red (Dão) | Portuguese Red | Seacampo |
| 129893 | Italy | Aromas of passion fruit, hay and a vegetal not... | Corte Menini | 91 | NaN | Veneto | Soave Classico | NaN | Kerin O’Keefe | @kerinokeefe | Le Mandolare 2015 Corte Menini (Soave Classico) | Garganega | Le Mandolare |
| 129964 | France | Initially quite muted, this wine slowly develo... | Domaine Saint-Rémy Herrenweg | 90 | NaN | Alsace | Alsace | NaN | Roger Voss | @vossroger | Domaine Ehrhart 2013 Domaine Saint-Rémy Herren... | Gewürztraminer | Domaine Ehrhart |
8395 rows × 13 columns
3.4.7 Punteggi
Le recensioni usano una scala in centesimi, ma il campione osservato va da 80 a 100: non rappresenta l'intera scala né tutti i vini assaggiati. Il testo originale richiama la diffusione del sistema grazie a Robert Parker e le differenze fra le categorie delle riviste.
| Punteggio | Giudizio riportato per Wine Enthusiast |
|---|---|
| 98–100 | Classic: vertice qualitativo |
| 94–97 | Superb: risultato di grande livello |
| 90–93 | Excellent: vino molto raccomandato |
| 87–89 | Very Good: vino ben realizzato |
| 83–86 | Good: vino corretto e piacevole |
| 80–82 | Acceptable: vino semplice e accettabile |
| Meno di 80 | Non incluso nelle recensioni pubblicate della raccolta |
La valutazione sintetizza aspetto, profumi, gusto, struttura, equilibrio fra acidità, tannini, alcol e zuccheri, persistenza e armonia. Il testo accompagna il numero per descrivere ciò che una sola misura non può contenere. Le fasce di Wine Spectator richiamate nell'originale sono diverse: 95–100, 90–94, 85–89 e 80–84; non vanno sovrapposte automaticamente a quelle di Wine Enthusiast.
La soglia di 90 ha un significato editoriale e commerciale, ma non trasforma il punteggio in una misura fisica lineare: 100 non significa il doppio di 50. Anche degustazioni alla cieca riducono soltanto alcune possibili distorsioni. La selezione delle bottiglie recensite rimane un limite per le generalizzazioni.
Mostra il codice Python
summarize_feature(df_clean,"points")[0:30]
| value | count | percent | |
|---|---|---|---|
| 0 | 88 | 15291 | 12.744 |
| 1 | 87 | 15279 | 12.734 |
| 2 | 90 | 13893 | 11.579 |
| 3 | 86 | 11526 | 9.606 |
| 4 | 89 | 11147 | 9.290 |
| 5 | 91 | 10559 | 8.800 |
| 6 | 85 | 9067 | 7.557 |
| 7 | 92 | 8951 | 7.460 |
| 8 | 84 | 6225 | 5.188 |
| 9 | 93 | 6170 | 5.142 |
| 10 | 94 | 3625 | 3.021 |
| 11 | 83 | 2963 | 2.469 |
| 12 | 82 | 1814 | 1.512 |
| 13 | 95 | 1514 | 1.262 |
| 14 | 81 | 689 | 0.574 |
| 15 | 96 | 521 | 0.434 |
| 16 | 80 | 397 | 0.331 |
| 17 | 97 | 228 | 0.190 |
| 18 | 98 | 77 | 0.064 |
| 19 | 99 | 33 | 0.028 |
| 20 | 100 | 19 | 0.016 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "points")
Puoi esplorare i valori e ingrandire le aree del grafico.
3.4.8 Designazioni
Mostra il codice Python
summarize_feature(df_clean,"designation")
| value | count | percent | |
|---|---|---|---|
| 0 | nan | 34545 | 28.790 |
| 1 | Reserve | 1871 | 1.559 |
| 2 | Estate | 1223 | 1.019 |
| 3 | Reserva | 1176 | 0.980 |
| 4 | Riserva | 647 | 0.539 |
| ... | ... | ... | ... |
| 37975 | Caravan | 1 | 0.001 |
| 37976 | Late Harvest Lewis Estate Vineyard | 1 | 0.001 |
| 37977 | Nicole's Estate Bottled | 1 | 0.001 |
| 37978 | Réserve St. Martin Syrah | 1 | 0.001 |
| 37979 | Lieu-dit Harth Cuvée Caroline | 1 | 0.001 |
37980 rows × 3 columns
Raggruppare le designazioni in categorie
Il campo designation contiene circa 38.000 valori distinti. Il bucketing riunisce le etichette in una ventina di gruppi per rendere leggibili i confronti.
| Problema | Effetto | Soluzione adottata |
|---|---|---|
| Moltissimi valori distinti | Tabelle e grafici difficili da leggere | Categorie più ampie |
| Sinonimi e lingue diverse | Reserve, Reserva, Riserva e Réserve vengono contati separatamente | Etichetta comune Reserve |
| Nomi unici e cuvée rare | Molte categorie con pochissime osservazioni | Gruppo residuale Other |
| Circa il 29% di valori assenti | Perdita di informazione se si eliminano le righe | Gruppo Unknown |
È una semplificazione esplorativa: termini simili possono avere significati normativi diversi nei vari paesi. La normalizzazione testuale non rende equivalenti tutte le denominazioni.
Mostra il codice Python
%pip install -q --upgrade Unidecode
[2K [90m━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━[0m [32m235.8/235.8 kB[0m [31m4.6 MB/s[0m eta [36m0:00:00[0m [?25hNote: you may need to restart the kernel to use updated packages.
Mostra il codice Python
import re
import pandas as pd
from unidecode import unidecode # rende “Réserve” → “Reserve”
# ------------------------------------------------------------------
# Ordine di precedenza e relativi pattern
# ------------------------------------------------------------------
BUCKET_RULES = [
# -------------------- qualità / provenienza principali --------------------
("Estate", r"\bestate\b"), # Estate, Estate Bottled, Estate Grown
("Reserve", r"\breserve\b|reserva|riserva"), # Reserve, Réserve, Reserva, Riserva
("Grand_Reserve", r"gran\s+reserve|gran\s+reserva"), # Gran Reserva
("Grand_Selection", r"gran\s+selezione|grand\s+selection"), # Gran Selezione / Grand Selection
("Barrel", r"barrel\s+(sample|select)?"), # Barrel Sample / Select
("Single_Vineyard", r"single\s+vineyard"), # Single Vineyard
("Old_Vine", r"old\s+vine|vieilles\s+vignes"), # Old Vine / Vieilles Vignes
# -------------------- metodo spumante / stile -----------------------------
("Brut_Nature", r"brut\s+nature|nature\s+brut"), # Brut Nature
("Brut", r"\bbrut\b"), # Brut, Brut Rosé
("Extra_Dry", r"extra\s+dry"), # Extra Dry
("Rosé", r"ros[eé]"), # Rosé
("Blanc_de_Blancs", r"blanc\s+de\s+blancs"), # Blanc de Blancs
# -------------------- stile o invecchiamento ------------------------------
("Late_Harvest", r"late\s+harvest|late\s+bottled"), # Late Harvest, LBV
("Crianza", r"\bcrianza\b"), # Crianza
("Vintage", r"\bvintage\b"), # Vintage
("Classic", r"\bclassic\b|tradition"), # Classic/Tradition
("Select", r"\bselect\b"), # Generic "Select"
# -------------------- caratteristiche di produzione -----------------------
("Organic", r"organic|biologico|biodynamic"), # Organic / Biologico / Biodynamic
("Unoaked", r"\bunoaked\b"), # Unoaked
("Cuvee", r"cuvee|cuv[ée]e"), # Cuvée
# -------------------- extra --------------------------------- --------------
("Tenuta", r"\btenuta\b"),
("Contrada", r"\bcontrada\b"),
("Vigna", r"\bvigna\b|vineyard"), # cattura anche 'Vigna' IT
("Collection", r"collection|collezione"),
("Private", r"privat[ae]?"), # Privat, Privata
("Passito", r"passito"), # Vini dolci siciliani
("DOCG/DOC", r"\bdocg?\b|igt"), # denominazioni
("Rosso", r"\brosso\b"),
("Bianco", r"\bbianco\b"),
# -------------- NB: qualunque cosa non matchi va in "Other" --------------
]
def bucket_designation_specific(desig: str | float) -> str:
"""
Bucketize `designation` with strict English labels.
Precedence: Estate > Reserve > ... > Other.
"""
if pd.isna(desig) or not isinstance(desig, str):
return "Unknown"
text = unidecode(desig.lower()) # remove accents, lowercase
for bucket, pattern in BUCKET_RULES:
if re.search(pattern, text):
return bucket
return "Other" # fallback
# ------------------------------------------------------------------
# Applico la funzione
# ------------------------------------------------------------------
df_clean["designation_bucket"] = df_clean["designation"].apply(bucket_designation_specific)
# ------------------------------------------------------------------
# Distribuzione (%) dei nuovi bucket
# ------------------------------------------------------------------
bucket_dist = (
df_clean["designation_bucket"]
.value_counts(normalize=True)
.mul(100)
.round(2)
)
print(bucket_dist)
designation_bucket Other 40.00 Unknown 28.79 Reserve 8.52 Vigna 8.50 Estate 3.99 Brut 2.39 Cuvee 1.43 Rosé 0.93 Old_Vine 0.93 Barrel 0.78 Single_Vineyard 0.44 Classic 0.44 Crianza 0.43 Extra_Dry 0.32 Collection 0.30 Late_Harvest 0.27 Vintage 0.24 Organic 0.22 Select 0.17 Rosso 0.16 Unoaked 0.13 Bianco 0.13 Blanc_de_Blancs 0.11 Private 0.10 Grand_Selection 0.10 Brut_Nature 0.09 Tenuta 0.06 Passito 0.05 Contrada 0.02 DOCG/DOC 0.00 Name: proportion, dtype: float64
Mostra il codice Python
summarize_feature(df_clean,"designation_bucket")
| value | count | percent | |
|---|---|---|---|
| 0 | Other | 47995 | 40.000 |
| 1 | Unknown | 34545 | 28.790 |
| 2 | Reserve | 10218 | 8.516 |
| 3 | Vigna | 10203 | 8.503 |
| 4 | Estate | 4784 | 3.987 |
| 5 | Brut | 2866 | 2.389 |
| 6 | Cuvee | 1716 | 1.430 |
| 7 | Rosé | 1112 | 0.927 |
| 8 | Old_Vine | 1110 | 0.925 |
| 9 | Barrel | 930 | 0.775 |
| 10 | Single_Vineyard | 526 | 0.438 |
| 11 | Classic | 522 | 0.435 |
| 12 | Crianza | 511 | 0.426 |
| 13 | Extra_Dry | 378 | 0.315 |
| 14 | Collection | 362 | 0.302 |
| 15 | Late_Harvest | 324 | 0.270 |
| 16 | Vintage | 287 | 0.239 |
| 17 | Organic | 261 | 0.218 |
| 18 | Select | 208 | 0.173 |
| 19 | Rosso | 190 | 0.158 |
| 20 | Unoaked | 159 | 0.133 |
| 21 | Bianco | 153 | 0.128 |
| 22 | Blanc_de_Blancs | 128 | 0.107 |
| 23 | Private | 121 | 0.101 |
| 24 | Grand_Selection | 117 | 0.098 |
| 25 | Brut_Nature | 102 | 0.085 |
| 26 | Tenuta | 75 | 0.063 |
| 27 | Passito | 56 | 0.047 |
| 28 | Contrada | 25 | 0.021 |
| 29 | DOCG/DOC | 4 | 0.003 |
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "designation_bucket")
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
# ---------- 3. Prepare data for boxplot --------------------------
plot_df = df_clean[["designation_bucket", "points"]].dropna(subset=["points"])
# Optional: order buckets by median points
bucket_order = (
plot_df.groupby("designation_bucket")["points"]
.median()
.sort_values(ascending=False)
.index.tolist()
)
# ---------- 4. Create interactive boxplot ------------------------
fig = px.box(
plot_df,
x="designation_bucket",
y="points",
category_orders={"designation_bucket": bucket_order},
title="Wine Points Distribution by Designation Bucket",
labels={"designation_bucket": "Designation Bucket", "points": "Wine Points"},
points="all", # show individual points (jitter) for context
height=600,
width=1400,
)
fig.update_layout(xaxis_tickangle=-45)
fig
Puoi esplorare i valori e ingrandire le aree del grafico.
| Bucket (ordinati da sinistra) | Osservazioni chiave | Possibile interpretazione |
|---|---|---|
| Barrel | Mediana ≈ 91; quartili stretti (90-93); diversi outlier > 95 | Campioni di botte e selezioni “Barrel Select” tendono a essere valutati solo quando la qualità è alta: abbiamo punteggi mediamente superiori. |
| Vintage | Mediana ~ 90, Q3 oltre 92; molti outlier 95-98 | Le menzioni “Vintage” (o LBV nei Porto) indicano annate speciali che effettivamente spingono la valutazione. |
| Cuvee | Distribuzione simile a Vintage ma con più dispersione (IQR ampio: 87-92) | “Cuvée” è termine generico → qualità più variabile; alcuni blend spiccano, altri restano medi. |
| Estate | Mediana 89-90; coda superiore fino a 97 | Vinificazioni da uve di proprietà (“Estate-grown / bottled”) offrono una base solida, ma non garantiscono sempre l’eccellenza. |
| Late_Harvest | Mediana 89; coda alta > 95; coda bassa più corta | Vini dolci tardivi ottengono spesso buoni score, ma sono di nicchia → campione ridotto. |
| Brut | Profilo simile a Estate; coda superiore raggiunge 100 | Spumanti “Brut” spaziano da base a prestige cuvée; ampia varianza. |
| Other | Mediana 89-90; IQR largo | Bucket residuale: riflette lo spettro medio del data-set. |
| Single_Vineyard & Old_Vine | Mediane 90-91; range ristretto | Micro-parcel e viti vecchie mostrano costanza di qualità. |
| Classic / Reserve | Reserve mediana 89; presenza di outlier 95-100 | Non sempre “Reserve” corrisponde a punteggio elevato; term ine inflazionato rispetto a “Barrel” o “Vintage”. |
| Rosé | Mediana 88-89, IQR stretto; pochi punteggi altissimi | I rosé in genere ricevono giudizi buoni ma raramente eccezionali. |
| Unknown / Extra_Dry / Unoaked | Median e IQR più bassi (≈ 85-88) | Mancanza di designazione o termini neutri (“Extra Dry”, “Unoaked”) spesso segnalano linee entry-level. |
Nota di lettura: le interpretazioni sono ipotesi esplorative sulle categorie create dal codice, non effetti causali dimostrati delle menzioni in etichetta.
4. Analisi del dataset
4.1 Fasce di prezzo e valutazioni
Le fasce aiutano a leggere il mercato rappresentato nel campione. Il testo storico propone tre grandi livelli, con confini indicativi e valute mescolate; qui separo quella guida descrittiva dalle classi in USD effettivamente calcolate dal codice.
| Livello | Caratteristiche descritte nel lavoro originale |
|---|---|
| Fascia economica | Indicativamente sotto 10–15 unità monetarie nel testo storico: vini semplici, fruttati e da bere giovani, spesso prodotti in grandi volumi. Formati e costi produttivi incidono sul prezzo. Non è una soglia universale di qualità. |
| Fascia intermedia e premium | Indicativamente da 10–20 fino a 30–40: maggiore complessità o affinamento, denominazioni e produttori molto diversi. L'originale cita Chianti Classico Riserva, Barbera d'Alba, Cabernet di Napa e Riesling alsaziani come esempi di stili, non come prezzi attuali garantiti. |
| Fascia alta | Indicativamente da 50 in su: prestigio del vigneto, produzione limitata, affinamento e domanda. Bordeaux, Borgogna, Barolo, Brunello, Champagne, Supertuscan e vini di culto di Napa. Oltre 100–200 il collezionismo può pesare molto; raddoppiare il prezzo non significa raddoppiare la qualità. |
Il dataset registra prezzi storici in dollari: per i risultati numerici valgono le soglie esplicite delle tabelle e del codice, senza conversioni implicite in euro o sterline.
Mostra il codice Python
import pandas as pd
import numpy as np
import plotly.express as px
from plotly.graph_objects import Figure
from pandas.api.types import CategoricalDtype
from typing import Iterable, Tuple, Optional
def plot_price_quality(
df: pd.DataFrame,
*,
price_col: str = "price",
quality_col: str = "points",
hover_cols: Optional[Iterable[str]] = None,
price_bins: Optional[Iterable[float]] = None,
price_labels: Optional[Iterable[str]] = None,
log_x: bool = True,
violin_points: str = "all",
violin_top_n: Optional[int] = None,
height: int = 600,
width: int = 900,
) -> Tuple[Figure, Figure]:
"""
Plot the relationship between **price** and **quality** for a generic dataset.
Two interactive Plotly figures are returned:
1. **Scatter plot** – `price_col` on *x* and `quality_col` on *y*
- Includes an OLS trendline (use the hover tooltip to inspect R²).
- `log_x` can be set to *False* for a linear scale.
2. **Violin + box plot** – distribution of `quality_col` across custom **price bands**
- Bands are defined via `price_bins`/`price_labels`.
- Use `violin_top_n` to keep only the *n* most frequent bands.
Parameters
----------
df : pandas.DataFrame
Source data containing at least the columns specified by `price_col`
and `quality_col`.
price_col : str, default ``"price"``
Numeric column representing the product price.
quality_col : str, default ``"points"``
Numeric column representing quality (e.g. rating or score).
hover_cols : iterable of str | None, default None
Columns to appear in the Plotly hover tooltip.
*If None*, a minimal set is used:
``[price_col, quality_col, "title", "winery"]`` if present in `df`.
price_bins : iterable of float | None, default None
Lower edges (inclusive) of price bands.
*If None*, default edges ``[0, 15, 30, 60, 120, 250, 1000]`` are used.
price_labels : iterable of str | None, default None
Labels for the price bands. Must be *len(price_bins)-1*.
*If None*, labels are auto-generated (e.g. ``<15€``, ``15-30€``, …).
log_x : bool, default True
Apply logarithmic scale to the *x*-axis in the scatter plot.
violin_points : {"all", "outliers", False}, default ``"all"``
How raw points are displayed inside each violin.
Mirrors the Plotly ``px.violin`` *points* argument.
violin_top_n : int | None, default None
If set, keeps only the *n* most frequent price bands in the violin plot.
Useful when the number of bands is high.
height, width : int, default (600, 900)
Figure dimensions in pixels.
Returns
-------
(plotly.graph_objects.Figure, plotly.graph_objects.Figure)
Tuple containing *(scatter_fig, violin_fig)*.
Notes
-----
* Rows with missing values in `price_col` **or** `quality_col`
are dropped internally to avoid errors.
* If you plan to embed the charts in a dashboard (Dash, Streamlit, etc.),
simply omit the ``.show()`` and pass the figures directly.
Examples
--------
>>> scatter, violin = plot_price_quality(
... df,
... hover_cols=["winery", "variety"],
... log_x=False, # linear x-axis
... price_bins=[0, 20, 50, 100, 500],
... price_labels=["<20€", "20-50€", "50-100€", ">100€"],
... )
>>> scatter.show()
>>> violin.show()
"""
# 1️⃣ Drop NaN essenziali
data = df.dropna(subset=[price_col, quality_col]).copy()
# 2️⃣ Hover data
if hover_cols is None:
default_cols = [price_col, quality_col, "title", "winery"]
hover_cols = [c for c in default_cols if c in data.columns]
hover_data = data[hover_cols]
# 3️⃣ Scatter
scatter_fig = px.scatter(
data,
x=price_col,
y=quality_col,
hover_data=hover_data,
height=height,
width=width,
title=f"{price_col} vs {quality_col}",
)
if log_x:
scatter_fig.update_xaxes(type="log")
scatter_fig.update_yaxes(title=quality_col)
# 4️⃣ Price bands (con ordine preservato)
if price_bins is None:
price_bins = [0, 15, 30, 60, 120, 250, 1_000]
if price_labels is None:
price_labels = [
f"{price_bins[i]}-{price_bins[i + 1]}€"
for i in range(len(price_bins) - 1)
]
price_labels[0] = f"<{price_bins[1]}€"
price_labels[-1] = f">{price_bins[-2]}€"
# Categorical ordered per mantenere l’ordine
cat_type = CategoricalDtype(categories=price_labels, ordered=True)
data["price_band"] = pd.cut(
data[price_col],
bins=price_bins,
labels=price_labels,
right=False,
).astype(cat_type)
# Facoltativo: tieni solo le bande più popolose
if violin_top_n:
top_bands = (
data["price_band"].value_counts()
.index[:violin_top_n]
.tolist()
)
data = data[data["price_band"].isin(top_bands)]
# 5️⃣ Violin plot con ordine esplicito
violin_fig = px.violin(
data,
x="price_band",
y=quality_col,
box=True,
points=violin_points,
height=height,
width=width,
title=f"{quality_col} per fascia di {price_col}",
category_orders={"price_band": price_labels}, # <-- ordine garantito
)
return scatter_fig, violin_fig
Mostra il codice Python
scatter, violin = plot_price_quality(df_clean, log_x=False)
scatter.show()
Puoi esplorare i valori e ingrandire le aree del grafico.
4.1.1 Distribuzioni con i violin plot
Mostra il codice Python
violin.show()
Puoi esplorare i valori e ingrandire le aree del grafico.
Un violin plot mostra la distribuzione dei punteggi, non soltanto la media. Permette di vedere la sovrapposizione fra fasce: bottiglie con prezzi diversi possono ricevere lo stesso voto.
Il commento storico distingue l'equilibrio e la complessità attesi dai vini di punta, la correttezza dei vini quotidiani e il ruolo di costi territoriali e rarità. Non sono garanzie sulla singola bottiglia. Nel campione molti prezzi si collocano fra 10 e 40 dollari, mentre alcune etichette superano 1.000 dollari; i prezzi mancanti non devono essere interpretati come bottiglie gratuite.
| Fascia in USD | Punteggio medio indicativo riportato nell'analisi |
|---|---|
| Meno di 15 | Circa 86 |
| 15–30 | Circa 88 |
| 30–60 | Circa 90 |
| 60–120 | Circa 92 |
| 120–250 | Circa 93 |
| Oltre 250 | Circa 95 |
La tendenza è crescente, ma la relazione non è lineare e non dimostra che pagare di più causi un voto maggiore. Marchio, annata, luogo, selezione editoriale e rarità possono intervenire insieme. Il riferimento dell'originale a un'analisi Vinitaly 2025 non è una misura derivata da questo dataset; per confrontare il mercato attuale servirebbero quella fonte e prezzi aggiornati.
Mostra il codice Python
import pandas as pd
from typing import Optional, List
def summarize_country_price_points(
df: pd.DataFrame,
*,
country_col: str = "country",
price_col: str = "price",
points_col: str = "points",
sort_by: str = "price_mean",
ascending: bool = False,
decimals: int = 2,
dropna: Optional[List[str]] = None
) -> pd.DataFrame:
"""
Return a summary table with mean price and mean points per country.
Parameters
----------
df : pd.DataFrame
Source DataFrame.
country_col : str, default "country"
Column with country names.
price_col : str, default "price"
Numeric column with wine prices.
points_col : str, default "points"
Numeric column with wine ratings / points.
sort_by : {"price_mean", "points_mean"}, default "price_mean"
Column to sort the summary by (descending by default).
ascending : bool, default False
Sort ascending or descending.
decimals : int, default 2
Number of decimal places in the output.
dropna : list[str] | None, default None
Columns to consider when dropping NaN rows before grouping.
If None, rows with NaN in `price_col` or `points_col` are dropped.
Returns
-------
pd.DataFrame
Index : country names
Columns : price_mean, points_mean
"""
# Ensure numeric columns are numeric
df = df.copy()
df[price_col] = pd.to_numeric(df[price_col], errors="coerce")
df[points_col] = pd.to_numeric(df[points_col], errors="coerce")
# Drop rows with NaN in essential columns
if dropna is None:
dropna = [price_col, points_col]
data = df.dropna(subset=dropna)
# Group by country and compute means
summary = (
data.groupby(country_col, dropna=False)
.agg(
price_mean=(price_col, "mean"),
points_mean=(points_col, "mean"),
_count=("record_id" if "record_id" in data.columns else price_col, "count")
)
.round(decimals)
.rename(columns={"_count": "num_records"})
.sort_values(by=sort_by, ascending=ascending)
)
return summary
Mostra il codice Python
country_stats = summarize_country_price_points(df_clean)
country_stats
| price_mean | points_mean | num_records | |
|---|---|---|---|
| country | |||
| Switzerland | 61.50 | 88.75 | 8 |
| England | 52.68 | 91.76 | 59 |
| Germany | 43.46 | 89.88 | 1951 |
| France | 41.99 | 88.75 | 16286 |
| Hungary | 41.63 | 89.25 | 132 |
| Italy | 39.93 | 88.63 | 15506 |
| US | 36.70 | 88.56 | 50238 |
| Canada | 35.77 | 89.31 | 225 |
| Australia | 35.69 | 88.57 | 2169 |
| Israel | 31.82 | 88.50 | 457 |
| Austria | 31.32 | 90.22 | 2544 |
| Lebanon | 30.28 | 87.59 | 32 |
| Spain | 28.21 | 87.24 | 6049 |
| New Zealand | 26.83 | 88.30 | 1241 |
| Portugal | 26.55 | 88.33 | 4502 |
| Mexico | 26.47 | 85.16 | 68 |
| Uruguay | 26.33 | 86.74 | 102 |
| Slovenia | 25.54 | 88.07 | 70 |
| Croatia | 25.53 | 87.32 | 68 |
| Turkey | 25.01 | 88.10 | 82 |
| Serbia | 24.88 | 87.62 | 8 |
| Argentina | 24.58 | 86.65 | 3501 |
| Brazil | 24.50 | 84.61 | 44 |
| South Africa | 24.34 | 87.79 | 1196 |
| Luxembourg | 23.40 | 88.80 | 5 |
| Czech Republic | 22.36 | 87.09 | 11 |
| Greece | 22.28 | 87.26 | 432 |
| Chile | 20.85 | 86.46 | 4133 |
| Georgia | 19.75 | 87.61 | 80 |
| Morocco | 18.96 | 88.71 | 24 |
| Peru | 18.06 | 83.56 | 16 |
| China | 18.00 | 89.00 | 1 |
| Moldova | 16.73 | 87.14 | 56 |
| Cyprus | 16.50 | 87.10 | 10 |
| Slovakia | 16.00 | 87.00 | 1 |
| Macedonia | 15.64 | 86.82 | 11 |
| Bulgaria | 15.43 | 87.94 | 143 |
| Romania | 15.33 | 86.31 | 102 |
| Armenia | 14.50 | 87.50 | 2 |
| India | 13.75 | 90.25 | 8 |
| Bosnia and Herzegovina | 12.50 | 86.50 | 2 |
| Ukraine | 9.21 | 84.07 | 14 |
| Kosovo | 9.00 | 85.25 | 4 |
4.1.2 Confronti geografici
Mostra il codice Python
# Aggregazione per Paese
country = (df_clean.groupby("country")
.agg(count=("points", "size"),
avg_points=("points", "mean"),
avg_price=("price", "mean"))
.reset_index())
# media punti (scala RdYlGn_r: verde = top, rosso = basso)
fig_pts = px.choropleth(
country, locations="country", locationmode="country names",
color="avg_points",
hover_data={"avg_points":":.2f", "count":True},
color_continuous_scale="RdYlGn_r",
title="Average Wine Points by Country"
)
fig_pts.update_layout(geo=dict(showframe=False, showcoastlines=False))
fig_pts.show()
# Choropleth – prezzo medio (scala OrRd per contrasto sui costi)
fig_price = px.choropleth(
country, locations="country", locationmode="country names",
color="avg_price",
hover_data={"avg_price":":.2f", "count":True},
color_continuous_scale="OrRd",
title="Average Wine Price (USD) by Country"
)
fig_price.update_layout(geo=dict(showframe=False, showcoastlines=False))
fig_price.show()
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
import pandas as pd
import plotly.express as px
from plotly.graph_objects import Figure
from typing import Optional, List
def correlation_heatmap(
df: pd.DataFrame,
*,
numeric_only: bool = True,
cols: Optional[List[str]] = None,
method: str = "pearson",
title: str = "Correlation Heatmap",
height: int = 700,
width: int = 800,
) -> Figure:
"""
Build an interactive correlation heatmap using Plotly.
Parameters
----------
df : pd.DataFrame
Source DataFrame.
numeric_only : bool, default True
If True, considers only numeric columns.
If False, attempts to convert non-numeric columns where possible.
cols : list[str] | None, default None
Explicit list of columns to include. Overrides `numeric_only`.
method : {"pearson", "spearman", "kendall"}, default "pearson"
Correlation method used by `DataFrame.corr`.
title : str, default "Correlation Heatmap"
Plot title.
height, width : int
Figure dimensions in pixels.
Returns
-------
plotly.graph_objects.Figure
Interactive heatmap figure.
"""
# 1️⃣ Select columns
if cols is not None:
data = df[cols]
elif numeric_only:
data = df.select_dtypes(include="number")
else:
data = df
# 2️⃣ Compute correlation matrix
corr_matrix = data.corr(method=method).round(2)
# 3️⃣ Build Plotly heatmap
fig = px.imshow(
corr_matrix,
text_auto=True,
color_continuous_scale="RdBu_r",
title=title,
height=height,
width=width,
zmin=-1,
zmax=1,
aspect="auto",
)
fig.update_xaxes(side="top", tickangle=45)
fig.update_yaxes(autorange="reversed")
return fig
Mostra il codice Python
topCountries = summarize_feature(df_clean,"country")
top10countries = topCountries[0:10].value
top10countries.to_list()
['US', 'France', 'Italy', 'Spain', 'Portugal', 'Chile', 'Argentina', 'Austria', 'Australia', 'Germany']
Mostra il codice Python
# Heatmap di Correlazione Punti/Prezzo del Vino per i 10 paesi più recensiti
for country in top10countries:
fig_corr = correlation_heatmap(df_clean[df_clean.country == country], title = "Correlation Heatmap: "+ country)
fig_corr.show()
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
Puoi esplorare i valori e ingrandire le aree del grafico.
4.2 Vini e tipologie più apprezzati
Mostra il codice Python
# Columns to display
cols_show = ["title", "winery", "country", "province", "variety","designation_bucket" ,"points", "price", "taster_name"]
top_n = 20
top_wines = (
df_clean.loc[df_clean["points"].notna()]
.sort_values(by=["points", "price"], ascending=[False, False])
.loc[:, cols_show]
.head(top_n)
)
Mostra il codice Python
top_wines
| title | winery | country | province | variety | designation_bucket | points | price | taster_name | |
|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||
| 111753 | Château Lafite Rothschild 2010 Pauillac | Château Lafite Rothschild | France | Bordeaux | Bordeaux-style Red Blend | Unknown | 100 | 1500.0 | Roger Voss |
| 111755 | Château Cheval Blanc 2010 Saint-Émilion | Château Cheval Blanc | France | Bordeaux | Bordeaux-style Red Blend | Unknown | 100 | 1500.0 | Roger Voss |
| 122935 | Château Haut-Brion 2014 Pessac-Léognan | Château Haut-Brion | France | Bordeaux | Bordeaux-style White Blend | Unknown | 100 | 848.0 | Roger Voss |
| 114972 | Quinta do Noval 2011 Nacional Vintage (Port) | Quinta do Noval | Portugal | Port | Port | Vintage | 100 | 650.0 | Roger Voss |
| 89729 | Salon 2006 Le Mesnil Blanc de Blancs Brut Char... | Salon | France | Champagne | Chardonnay | Brut | 100 | 617.0 | Roger Voss |
| 45781 | Biondi Santi 2010 Riserva (Brunello di Montal... | Biondi Santi | Italy | Tuscany | Sangiovese | Reserve | 100 | 550.0 | Kerin O’Keefe |
| 39286 | Tenuta dell'Ornellaia 2007 Masseto Merlot (Tos... | Tenuta dell'Ornellaia | Italy | Tuscany | Merlot | Other | 100 | 460.0 | No Taster Name |
| 42197 | Casa Ferreirinha 2008 Barca-Velha Red (Douro) | Casa Ferreirinha | Portugal | Douro | Portuguese Red | Other | 100 | 450.0 | Roger Voss |
| 118058 | Verité 2007 La Muse Red (Sonoma County) | Verité | US | California | Bordeaux-style Red Blend | Other | 100 | 450.0 | No Taster Name |
| 111756 | Château Léoville Las Cases 2010 Saint-Julien | Château Léoville Las Cases | France | Bordeaux | Bordeaux-style Red Blend | Unknown | 100 | 359.0 | Roger Voss |
| 345 | Chambers Rosewood Vineyards NV Rare Muscat (Ru... | Chambers Rosewood Vineyards | Australia | Victoria | Muscat | Other | 100 | 350.0 | Joe Czerwinski |
| 111754 | Casanova di Neri 2007 Cerretalto (Brunello di... | Casanova di Neri | Italy | Tuscany | Sangiovese Grosso | Other | 100 | 270.0 | No Taster Name |
| 36528 | Krug 2002 Brut (Champagne) | Krug | France | Champagne | Champagne Blend | Brut | 100 | 259.0 | Roger Voss |
| 89728 | Louis Roederer 2008 Cristal Vintage Brut (Cha... | Louis Roederer | France | Champagne | Champagne Blend | Brut | 100 | 250.0 | Roger Voss |
| 7335 | Avignonesi 1995 Occhio di Pernice (Vin Santo ... | Avignonesi | Italy | Tuscany | Prugnolo Gentile | Other | 100 | 210.0 | No Taster Name |
| 45798 | Cardinale 2006 Cabernet Sauvignon (Napa Valley) | Cardinale | US | California | Cabernet Sauvignon | Unknown | 100 | 200.0 | No Taster Name |
| 58352 | Château Léoville Barton 2010 Saint-Julien | Château Léoville Barton | France | Bordeaux | Bordeaux-style Red Blend | Unknown | 100 | 150.0 | Roger Voss |
| 113929 | Charles Smith 2006 Royal City Syrah (Columbia ... | Charles Smith | US | Washington | Syrah | Other | 100 | 80.0 | Paul Gregutt |
| 123545 | Cayuse 2008 Bionic Frog Syrah (Walla Walla Val... | Cayuse | US | Washington | Syrah | Other | 100 | 80.0 | Paul Gregutt |
| 56953 | Penfolds 2010 Grange Shiraz (South Australia) | Penfolds | Australia | South Australia | Shiraz | Other | 99 | 850.0 | Joe Czerwinski |
4.2.1 Leggere i primi venti vini della graduatoria
La selezione riguarda le prime venti righe ordinate dal codice, non una classifica assoluta dei migliori vini al mondo. In caso di pari merito, l'ordinamento influisce sulla composizione del gruppo.
| Indicatore | Riepilogo del commento originale |
|---|---|
| Punteggi | Diciannove vini a 100 e Penfolds Grange 2010 a 99 |
| Prezzi storici in USD | Minimo 80, mediana circa 405, media circa 500, massimo 1.500 |
| Paesi | Francia 8, Italia 4, Stati Uniti 4, Portogallo 2, Australia 2 |
| Stili più presenti | Assemblaggi bordolesi, Champagne, Sangiovese/Brunello, Syrah/Shiraz, Porto e altri fortificati |
| Degustatori citati | Roger Voss, recensioni senza nome, Paul Gregutt, Joe Czerwinski e Kerin O'Keefe; la tabella calcolata resta il riferimento per i conteggi |
4.2.2 Che cosa racconta questa selezione
- Francia: l'originale evidenzia i Bordeaux 2010 di Lafite, Cheval Blanc, Haut-Brion, Léoville Las Cases e Léoville Barton, insieme agli Champagne Salon, Krug e Cristal. La formulazione storica confondeva Salon con un Bordeaux: Salon appartiene alla Champagne.
- Italia: quattro esempi toscani, Brunello Riserva di Biondi Santi, Cerretalto di Casanova di Neri, Masseto e Vin Santo Occhio di Pernice di Avignonesi. Sangiovese, Merlot e vino dolce mostrano stili diversi ai vertici della selezione.
- Stati Uniti: Vérité La Muse e Cardinale dalla California; Royal City e Bionic Frog da Washington. Il commento sottolinea i due Syrah da 80 dollari con voto massimo.
- Australia: Chambers Rare Muscat e Penfolds Grange 2010; quest'ultimo a 99 punti e circa 850 dollari nel campione.
- Portogallo: Porto Nacional Vintage di Quinta do Noval e Barca-Velha, un fortificato e un rosso secco del Douro.
Il testo storico suddivide i venti esempi in undici oltre 250 dollari, quattro nella fascia 150–250 e cinque fino a 150. Sono conteggi riferiti a questa specifica selezione. Le assenze citate — Riesling, vini spagnoli, rosati e altri bianchi secchi — non dimostrano qualità inferiore: dipendono dalla raccolta e dall'ordinamento.
Prezzo e voto possono crescere insieme, ma il voto si ferma a 100 mentre rarità e collezionismo possono continuare a far salire il prezzo. Le ipotesi su preferenze dei recensori e mercato statunitense richiederebbero verifiche dedicate; questa tabella, da sola, non le dimostra.
4.2.3 I vini italiani più apprezzati nel campione
Mostra il codice Python
ita_wines = df_clean.loc[df_clean['country'] == "Italy"]
top20_ita_wines = (
ita_wines.loc[ita_wines["points"].notna()]
.sort_values(by=["points", "price"], ascending=[False, False])
.loc[:, cols_show]
.head(top_n)
)
Mostra il codice Python
plot_feature_distribution_interactive(ita_wines, "points")
Puoi esplorare i valori e ingrandire le aree del grafico.
Mostra il codice Python
top20_ita_wines
| title | winery | country | province | variety | designation_bucket | points | price | taster_name | |
|---|---|---|---|---|---|---|---|---|---|
| record_id | |||||||||
| 45781 | Biondi Santi 2010 Riserva (Brunello di Montal... | Biondi Santi | Italy | Tuscany | Sangiovese | Reserve | 100 | 550.0 | Kerin O’Keefe |
| 39286 | Tenuta dell'Ornellaia 2007 Masseto Merlot (Tos... | Tenuta dell'Ornellaia | Italy | Tuscany | Merlot | Other | 100 | 460.0 | No Taster Name |
| 111754 | Casanova di Neri 2007 Cerretalto (Brunello di... | Casanova di Neri | Italy | Tuscany | Sangiovese Grosso | Other | 100 | 270.0 | No Taster Name |
| 7335 | Avignonesi 1995 Occhio di Pernice (Vin Santo ... | Avignonesi | Italy | Tuscany | Prugnolo Gentile | Other | 100 | 210.0 | No Taster Name |
| 44994 | Mascarello Giuseppe e Figlio 2008 Cà d'Morissi... | Mascarello Giuseppe e Figlio | Italy | Piedmont | Nebbiolo | Reserve | 99 | 595.0 | Kerin O’Keefe |
| 60880 | Gaja 2007 Sorì Tildìn Nebbiolo (Langhe) | Gaja | Italy | Piedmont | Nebbiolo | Other | 99 | 440.0 | No Taster Name |
| 60881 | Gaja 2007 Sorì San Lorenzo Nebbiolo (Langhe) | Gaja | Italy | Piedmont | Nebbiolo | Other | 99 | 440.0 | No Taster Name |
| 39287 | Le Macchiole 2007 Messorio Merlot (Toscana) | Le Macchiole | Italy | Tuscany | Merlot | Other | 99 | 320.0 | No Taster Name |
| 79104 | Tenuta dell'Ornellaia 2004 Masseto Merlot (Tos... | Tenuta dell'Ornellaia | Italy | Tuscany | Merlot | Other | 99 | 250.0 | No Taster Name |
| 82750 | Avignonesi 1997 Occhio di Pernice (Vin Santo ... | Avignonesi | Italy | Tuscany | Prugnolo Gentile | Other | 99 | 237.0 | No Taster Name |
| 35517 | Tenuta San Guido 2012 Sassicaia (Bolgheri Sas... | Tenuta San Guido | Italy | Tuscany | Red Blend | Other | 99 | 235.0 | Kerin O’Keefe |
| 122936 | Il Marroneto 2012 Madonna delle Grazie (Brune... | Il Marroneto | Italy | Tuscany | Sangiovese | Other | 99 | 200.0 | Kerin O’Keefe |
| 45573 | Mascarello Giuseppe e Figlio 2010 Monprivato ... | Mascarello Giuseppe e Figlio | Italy | Piedmont | Nebbiolo | Private | 99 | 175.0 | Kerin O’Keefe |
| 16773 | Giuseppe Rinaldi 2013 Brunate (Barolo) | Giuseppe Rinaldi | Italy | Piedmont | Nebbiolo | Other | 98 | 300.0 | Kerin O’Keefe |
| 60882 | Gaja 2006 Sperss Nebbiolo (Langhe) | Gaja | Italy | Piedmont | Nebbiolo | Other | 98 | 255.0 | No Taster Name |
| 26889 | Tenuta San Guido 2013 Bolgheri Sassicaia | Tenuta San Guido | Italy | Tuscany | Red Blend | Unknown | 98 | 235.0 | Kerin O’Keefe |
| 45782 | Conti Costanti 2010 Riserva (Brunello di Mont... | Conti Costanti | Italy | Tuscany | Sangiovese | Reserve | 98 | 190.0 | Kerin O’Keefe |
| 79105 | Tenuta dell'Ornellaia 2004 Ornellaia (Bolgher... | Tenuta dell'Ornellaia | Italy | Tuscany | Red Blend | Other | 98 | 175.0 | No Taster Name |
| 16772 | Massolino 2011 Vigna Rionda Riserva (Barolo) | Massolino | Italy | Piedmont | Nebbiolo | Reserve | 98 | 151.0 | Kerin O’Keefe |
| 45783 | Baricci 2010 Nello Riserva (Brunello di Monta... | Baricci | Italy | Tuscany | Sangiovese | Reserve | 98 | 120.0 | Kerin O’Keefe |
4.3 Le parole delle recensioni
Una nuvola di parole mostra i termini più frequenti nel testo: parole più grandi compaiono più spesso. Posizione e colore sono scelte del disegno e non rappresentano automaticamente somiglianza o importanza semantica.
| Utilizzo | Esempio |
|---|---|
| Individuare temi ricorrenti | Blackberry, tobacco, oak nelle degustazioni |
| Confrontare insiemi di testi | Recensioni di rossi e bianchi |
| Comunicare una prima esplorazione | Mostrare il lessico più frequente senza una lunga tabella |
La nuvola è una vista esplorativa: per confronti precisi servono anche frequenze numeriche e criteri di pulizia coerenti.
Mostra il codice Python
import nltk
from nltk.corpus import stopwords
import re
from collections import Counter
from wordcloud import WordCloud
import matplotlib.pyplot as plt
Mostra il codice Python
nltk.download("stopwords")
general_sw = set(stopwords.words("english"))
[nltk_data] Downloading package stopwords to /usr/share/nltk_data... [nltk_data] Unzipping corpora/stopwords.zip.
Mostra il codice Python
text_series = df_clean["description"].dropna().astype(str) # tutte le descrizioni non-NaN
full_corpus = " ".join(text_series).lower() # le unisce in un’unica stringa
tokens = re.findall(r"[a-z']{2,}", full_corpus) # keep words ≥2 letters
freq = Counter(tokens)
top50 = freq.most_common(50) # primi 50 termini più frequenti
Mostra il codice Python
display(top50)
[('and', 321487),
('the', 204768),
('of', 159533),
('with', 111482),
('this', 105027),
('is', 89586),
('wine', 72431),
('flavors', 58060),
('in', 57915),
('to', 51918),
('it', 51889),
('fruit', 46035),
('on', 41970),
('aromas', 36267),
('palate', 35053),
('that', 34145),
('finish', 32150),
('acidity', 32144),
('from', 30067),
('but', 29067),
('tannins', 28466),
('drink', 27886),
("it's", 27872),
('cherry', 26931),
('black', 26660),
('ripe', 25123),
('are', 23852),
('has', 22886),
('for', 20232),
('red', 19980),
('by', 19004),
('spice', 17737),
('notes', 17479),
('an', 16930),
('as', 16901),
('its', 16689),
('oak', 16417),
('rich', 16229),
('fresh', 16047),
('dry', 15951),
('now', 15798),
('berry', 15632),
('nose', 15519),
('full', 14718),
('plum', 13732),
('soft', 12652),
('sweet', 12625),
('fruits', 12489),
('well', 12383),
('apple', 12379)]
Mostra il codice Python
domain_sw = {
"wine", "wines", "flavor", "flavors", "aroma", "aromas", "palate",
"nose", "finish", "drink", "drinking", "vintage", "aged", "aging",
"varietal", "variety", "notes", "note", "tannins", "grape", "grapes",
"fruit", "fruits", "juicy", "flavour", "flavours", "taste" # GB spelling
}
Le liste standard di NLTK rimuovono articoli, preposizioni e altri termini molto comuni. Nel lessico del vino servono anche esclusioni specifiche:
| Termini | Perché rimuoverli dalla nuvola |
|---|---|
| wine, wines | Compaiono quasi ovunque e distinguono poco le recensioni |
| flavour, aroma, palate, finish e plurali | Indicano parti della descrizione, non un profumo specifico |
| drink, drinking, vintage | Richiamano consumo o metadati più che sensazioni |
Senza queste esclusioni, parole generiche possono nascondere termini come mora, grafite e tabacco. La scelta delle stopword modifica ciò che appare nel grafico e va resa esplicita.
Mostra il codice Python
wine_generic_sw = {
# verbs
"show", "shows", "showing", "offer", "offers", "offering",
"give", "gives", "giving", "taste", "tastes", "tasteful",
"come", "comes", "coming", "seem", "seems", "like",
# fillers
"also", "along", "well", "yet", "almost", "still", "even"
}
Dopo la prima visualizzazione noto ancora termini generici. Definisco wine_generic_sw per rimuoverli e confronto il risultato della nuova pulizia.
Mostra il codice Python
years = {str(y) for y in range(1900, 2030)}
digits = {str(d) for d in range(0, 10)}
numeric_sw = years | digits
Mostra il codice Python
all_stopwords = general_sw | domain_sw | numeric_sw | wine_generic_sw
clean_tokens = [t for t in tokens if t not in all_stopwords]
clean_corpus = " ".join(clean_tokens)
Mostra il codice Python
wc = WordCloud(
width=1200,
height=600,
background_color="white",
stopwords=all_stopwords,
max_words=150,
colormap="Dark2",
).generate(clean_corpus)
plt.figure(figsize=(14, 7))
plt.imshow(wc, interpolation="bilinear")
plt.axis("off")
plt.title("Wine Descriptions Word-Cloud", size=10)
plt.show()
5. Analisi dei testi con DistilBERT
5.1 Che cosa si intende per sentiment analysis
La sentiment analysis assegna al testo un'etichetta che rappresenta un giudizio o un atteggiamento, spesso positivo, neutro o negativo. Può essere usata per recensioni di prodotti, opinioni su campagne e marchi o testi finanziari.
Qui le etichette non provengono da persone che hanno annotato il tono delle frasi: sono ricavate dal punteggio del vino. L'esperimento è quindi, più precisamente, una classificazione della fascia di voto dalla descrizione. Un vino definito «negativo» da queste soglie ha comunque ricevuto almeno 80 punti.
5.2 Obiettivo ed etichette
Uso description come testo di ingresso e points per costruire la classe da prevedere. L'obiettivo originale è ricavare un giudizio sintetico dalla nota di degustazione senza leggere direttamente il voto.
| Punteggio | Etichetta storica | Identificatore |
|---|---|---|
| Almeno 90 | Positive | 2 |
| Da 85 a 89 | Neutral | 1 |
| Fino a 84 | Negative | 0 |
Le classi non hanno la stessa numerosità. Le soglie sono una scelta dell'esperimento e non una definizione universale del sentimento espresso dal testo.
5.3 Preparazione dei dati
Mostra il codice Python
# ─────────────────────────────────────────────────────────────
# Seleziono solo le colonne utili
# ─────────────────────────────────────────────────────────────
cols = ["description", "points"]
data_sent = df_clean[cols].copy() # shallow copy per non toccare df_clean
# ─────────────────────────────────────────────────────────────
# Funzione di mapping punteggio → etichetta sentiment
# 0 = negative (≤ 84 punti)
# 1 = neutral (85–89 punti)
# 2 = positive (≥ 90 punti)
# ─────────────────────────────────────────────────────────────
def map_points(p: float) -> int:
return 2 if p >= 90 else 0 if p <= 84 else 1
# ─────────────────────────────────────────────────────────────
# Rimozione righe senza descrizione o punti
# ─────────────────────────────────────────────────────────────
data_sent = data_sent.dropna(subset=["description", "points"])
# ─────────────────────────────────────────────────────────────
# Applicazione del mapping per creare la colonna numerica 'label'
# ─────────────────────────────────────────────────────────────
data_sent["label"] = data_sent["points"].apply(map_points)
# ─────────────────────────────────────────────────────────────
# Conta gli esempi per classe per controllare lo sbilanciamento
# ─────────────────────────────────────────────────────────────
print(data_sent["label"].value_counts())
label 1 62310 2 45590 0 12088 Name: count, dtype: int64
5.4 Insiemi di addestramento e verifica
Le classi sono sbilanciate. Il procedimento originale interviene sulla loro rappresentazione e sui pesi della funzione di perdita. I risultati vanno letti per singola classe: una buona accuratezza complessiva può nascondere prestazioni peggiori sulla classe meno frequente.
Mostra il codice Python
from sklearn.model_selection import train_test_split
# Fisso il seme random per riproducibilità assoluta
seed = 42
# ─────────────────────────────────────────────────────────────
# train_test_split
# ─────────────────────────────────────────────────────────────
train_df, test_df = train_test_split(
data_sent[["description", "label"]], # ⇢ feature + target
test_size=0.15, # ⇢ 15 % del dataset va nel set di test
stratify=data_sent["label"], # ⇢ mantiene la stessa distribuzione classi
random_state=seed, # ⇢ shuffle deterministico (ripetibile)
)
Mostra il codice Python
print("Train set: ", train_df.shape)
print("Test set : ", test_df.shape)
Train set: (101989, 2) Test set : (17999, 2)
Mostra il codice Python
import torch
from torch.utils.data import Dataset
# ─────────────────────────────────────────────────────────────
# Custom PyTorch Dataset for text-classification
# ─────────────────────────────────────────────────────────────
class TextClsDataset(Dataset):
def __init__(self, texts, labels):
# Cache plain strings in a list (fast __getitem__)
self.texts = list(texts)
# Convert label Series / list to a LongTensor
# • hasattr(..., "values") → works for pandas Series
# • torch.as_tensor(...) → zero-copy if already ndarray
self.labels = torch.as_tensor(
labels.values if hasattr(labels, "values") else labels,
dtype=torch.long
)
def __len__(self):
# PyTorch needs __len__ to know dataset size
return len(self.texts)
def __getitem__(self, idx):
# Each sample is returned as a dict
# Trainer / collate_fn will handle tokenization later
return {
"text": self.texts[idx],
"labels": self.labels[idx]
}
# ─────────────────────────────────────────────────────────────
# Instantiate train / test datasets
# ─────────────────────────────────────────────────────────────
train_ds = TextClsDataset(train_df["description"], train_df["label"])
test_ds = TextClsDataset(test_df["description"], test_df["label"])
5.5 Scelta e costruzione del modello
| Scelta | Motivo nell'esperimento |
|---|---|
DistilBERT, distilbert-base-uncased |
Modello più compatto della famiglia BERT, con minore richiesta di memoria |
| Classificatore a tre uscite | Una per ciascuna fascia; i nuovi pesi inizializzati da zero producono un avviso atteso |
| Perdita pesata | Pesi inversi alla frequenza per dare maggior rilievo alla classe meno numerosa |
BERT, presentato nel 2018, usa i Transformer per rappresentare una parola nel contesto di quelle che la precedono e la seguono. L'attenzione mette in relazione i token; il preaddestramento permette poi di adattare il modello a un compito specifico.
| Concetto | Significato |
|---|---|
| Contesto bidirezionale | La rappresentazione considera entrambi i lati della parola |
| Self-attention | Il modello apprende relazioni fra parti della sequenza |
| Preaddestramento di BERT | Fra i compiti originali: ricostruire parole mascherate e distinguere coppie di frasi consecutive |
| Fine-tuning | Ulteriore addestramento sul compito e sui dati etichettati dell'esperimento |
Questa spiegazione distingue BERT da DistilBERT, che usa anche la distillazione per ottenere un modello più piccolo. Il richiamo dell'originale a GPT-3 e GPT-4 è contesto storico: non sono modelli utilizzati qui né semplici versioni successive di BERT.
Mostra il codice Python
# ─────────────────────────────────────────────────────────────
# Imports
# ─────────────────────────────────────────────────────────────
import torch
import torch.nn.functional as F
from torch.utils.data import DataLoader
from transformers import (
AutoTokenizer, AutoModelForSequenceClassification,
DataCollatorWithPadding, TrainingArguments, Trainer
)
from sklearn.utils.class_weight import compute_class_weight
from sklearn.metrics import accuracy_score, f1_score, classification_report
import numpy as np
# ─────────────────────────────────────────────────────────────
# Tokenizer
# ─────────────────────────────────────────────────────────────
MODEL_NAME = "distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
data_collator = DataCollatorWithPadding(tokenizer, return_tensors="pt")
# ─────────────────────────────────────────────────────────────
# Class-weights (da calcolare PRIMA di creare il modello)
# • compute_class_weight richiede un np.ndarray
# • il tensore `w` verrà poi registrato nel modello
# ─────────────────────────────────────────────────────────────
labels_arr = train_df["label"].to_numpy()
class_ids = np.unique(labels_arr)
weights_np = compute_class_weight(class_weight="balanced", classes=class_ids, y=labels_arr)
w = torch.tensor(weights_np, dtype=torch.float)
# ─────────────────────────────────────────────────────────────
# Model
# ─────────────────────────────────────────────────────────────
num_labels = 3
model = AutoModelForSequenceClassification.from_pretrained(
MODEL_NAME, num_labels=num_labels
)
# Sposta `w` sullo stesso device del modello e registralo come buffer
w = w.to(model.device)
model.register_buffer("class_weight", w)
# ─────────────────────────────────────────────────────────────
# Metriche
# ─────────────────────────────────────────────────────────────
def compute_metrics(eval_pred):
logits, labels = eval_pred
preds = np.argmax(logits, axis=-1)
return {
"accuracy": accuracy_score(labels, preds),
"f1_macro": f1_score(labels, preds, average="macro"),
}
# ─────────────────────────────────────────────────────────────
# TrainingArguments
# ─────────────────────────────────────────────────────────────
args = TrainingArguments(
output_dir="sentiment_model",
eval_strategy="epoch",
save_strategy="epoch",
num_train_epochs=3,
per_device_train_batch_size=16,
per_device_eval_batch_size=16,
learning_rate=2e-5,
weight_decay=0.01,
warmup_ratio=0.1,
fp16=torch.cuda.is_available(),
logging_steps=100,
report_to="none",
remove_unused_columns=False,
load_best_model_at_end=True,
)
# ─────────────────────────────────────────────────────────────
# Collate function (tokenizza “on-the-fly”)
# ─────────────────────────────────────────────────────────────
def collate_fn(batch):
texts = [item["text"] for item in batch]
labels = torch.stack([item["labels"] for item in batch])
enc = tokenizer(texts, padding=True, truncation=True,
max_length=128, return_tensors="pt")
enc["labels"] = labels
return enc
# ─────────────────────────────────────────────────────────────
# Custom weighted loss
# • usa i pesi registrati nel buffer `class_weight`
# • accetta **kwargs per compatibilità con Trainer
# ─────────────────────────────────────────────────────────────
def custom_loss(model, inputs, return_outputs=False, **kwargs):
labels = inputs.pop("labels")
outputs = model(**inputs)
loss = F.cross_entropy(outputs.logits, labels, weight=model.class_weight)
return (loss, outputs) if return_outputs else loss
# ─────────────────────────────────────────────────────────────
# Trainer
# ─────────────────────────────────────────────────────────────
trainer = Trainer(
model=model,
args=args,
train_dataset=train_ds,
eval_dataset=test_ds,
tokenizer=tokenizer,
data_collator=collate_fn,
compute_metrics=compute_metrics,
)
# Assegna la nuova loss ponderata
trainer.compute_loss = custom_loss
5.6 Addestramento e valutazione
Mostra il codice Python
# ─────────────────────────────────────────────────────────────
# Train & evaluate
# ─────────────────────────────────────────────────────────────
trainer.train()
metrics = trainer.evaluate()
print(metrics)
# (Opzionale) rapporto dettagliato
preds = np.argmax(trainer.predict(test_ds).predictions, axis=-1)
print(classification_report(test_df["label"], preds, digits=3))
5.7 Risultati e limiti
Nell'esecuzione storica, DistilBERT riconosce il 78,14% delle etichette nella valutazione finale stampata. Il valore F1 macro è 0,7549. Le metriche complete e la cronologia delle tre epoche sono conservate nell'appendice dei risultati originali.
Precisazione rispetto al commento originale: la terza epoca riporta accuratezza 0,7894 e F1 macro 0,7600, ma la valutazione finale usa il checkpoint selezionato con la perdita più bassa, raggiunta alla seconda epoca. Il vecchio testo mescolava questi numeri e riportava metriche per classe diverse dal report salvato. Qui la tabella segue quel report, senza modificarlo.
| Metrica complessiva | Valore storico arrotondato |
|---|---|
| Accuratezza | 0,7814 |
| F1 macro | 0,7549 |
| Classe | Precisione | Richiamo | F1 |
|---|---|---|---|
| Negative | 0,572 | 0,795 | 0,665 |
| Neutral | 0,815 | 0,750 | 0,781 |
| Positive | 0,816 | 0,821 | 0,818 |
Il modello recupera circa otto esempi «Negative» su dieci, ma la precisione di questa classe è inferiore alle altre: una parte consistente degli esempi che assegna alla fascia bassa appartiene invece a fasce differenti.
Questi numeri misurano l'accordo con fasce ricavate dal voto, non la qualità oggettiva del vino o una capacità universale di capire il sentimento. Descrizioni ripetute fra insiemi, selezione editoriale, squilibrio delle classi e scelta delle soglie limitano la generalizzazione. La revisione del 2026 non ha riaddestrato DistilBERT: conserva i risultati del lavoro originale, senza sostituirli con quelli di un altro modello.
Grazie per la lettura
Mostra il codice Python
Risultati storici di DistilBERT conservati — 8 ottobre 2026
Le 202 celle originali sono tutte presenti, comprese esplorazione geografica, grafici interattivi, nuvole di parole e codice completo di preparazione, addestramento e valutazione con DistilBERT. L'analisi esplorativa è stata rieseguita.
Le due celle del modello hanno il tag Jupyter skip-execution. Kaggle svuota gli output salvati all'avvio di una nuova esecuzione: qui sotto sono quindi riprodotti tutti i messaggi originali di preparazione, la cronologia dell'addestramento e il rapporto di classificazione della versione 3. Sono risultati storici, non un nuovo addestramento o una nuova valutazione.
Per ripetere l'addestramento occorre rimuovere il tag dalle due celle originali e predisporre un ambiente con GPU e dipendenze compatibili. La data della revisione non rende attuale il dataset storico di Wine Enthusiast.
Output originale della preparazione di DistilBERT
Mostra il codice Python
# Reproduce archived output without retraining or changing the historical results.
import json
import sys
from IPython.display import display
restored_outputs = json.loads('[{"name": "stderr", "output_type": "stream", "text": ["2025-06-22 19:02:45.513025: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:477] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered\\n", "WARNING: All log messages before absl::InitializeLog() is called are written to STDERR\\n", "E0000 00:00:1750618965.709844 19 cuda_dnn.cc:8310] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered\\n", "E0000 00:00:1750618965.766398 19 cuda_blas.cc:1418] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered\\n"]}, {"data": {"application/vnd.jupyter.widget-view+json": {"model_id": "66beaab32aac4fdf962718f1da35e16f", "version_major": 2, "version_minor": 0}, "text/plain": ["tokenizer_config.json: 0%| | 0.00/48.0 [00:00<?, ?B/s]"]}, "metadata": {}, "output_type": "display_data"}, {"data": {"application/vnd.jupyter.widget-view+json": {"model_id": "ee49f224868a4fb2baea9e48930602f8", "version_major": 2, "version_minor": 0}, "text/plain": ["config.json: 0%| | 0.00/483 [00:00<?, ?B/s]"]}, "metadata": {}, "output_type": "display_data"}, {"data": {"application/vnd.jupyter.widget-view+json": {"model_id": "f2f908ed12c645f28d17f064c3154b15", "version_major": 2, "version_minor": 0}, "text/plain": ["vocab.txt: 0%| | 0.00/232k [00:00<?, ?B/s]"]}, "metadata": {}, "output_type": "display_data"}, {"data": {"application/vnd.jupyter.widget-view+json": {"model_id": "a945d862bd7f40f3bef4d95f85b3b73d", "version_major": 2, "version_minor": 0}, "text/plain": ["tokenizer.json: 0%| | 0.00/466k [00:00<?, ?B/s]"]}, "metadata": {}, "output_type": "display_data"}, {"data": {"application/vnd.jupyter.widget-view+json": {"model_id": "bdfda75f019e451998ec21156398b640", "version_major": 2, "version_minor": 0}, "text/plain": ["model.safetensors: 0%| | 0.00/268M [00:00<?, ?B/s]"]}, "metadata": {}, "output_type": "display_data"}, {"name": "stderr", "output_type": "stream", "text": ["Some weights of DistilBertForSequenceClassification were not initialized from the model checkpoint at distilbert-base-uncased and are newly initialized: [\'classifier.bias\', \'classifier.weight\', \'pre_classifier.bias\', \'pre_classifier.weight\']\\n", "You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.\\n"]}]')
for historical_output in restored_outputs:
if historical_output['output_type'] == 'stream':
historical_stream = sys.stderr if historical_output['name'] == 'stderr' else sys.stdout
historical_stream.write(''.join(historical_output['text']))
historical_stream.flush()
else:
historical_bundle = {mime: ''.join(value) if isinstance(value, list) else value
for mime, value in historical_output['data'].items()}
display(historical_bundle, raw=True, metadata=historical_output.get('metadata', {}))
2025-06-22 19:02:45.513025: E external/local_xla/xla/stream_executor/cuda/cuda_fft.cc:477] Unable to register cuFFT factory: Attempting to register factory for plugin cuFFT when one has already been registered WARNING: All log messages before absl::InitializeLog() is called are written to STDERR E0000 00:00:1750618965.709844 19 cuda_dnn.cc:8310] Unable to register cuDNN factory: Attempting to register factory for plugin cuDNN when one has already been registered E0000 00:00:1750618965.766398 19 cuda_blas.cc:1418] Unable to register cuBLAS factory: Attempting to register factory for plugin cuBLAS when one has already been registered
tokenizer_config.json: 0%| | 0.00/48.0 [00:00<?, ?B/s]
config.json: 0%| | 0.00/483 [00:00<?, ?B/s]
vocab.txt: 0%| | 0.00/232k [00:00<?, ?B/s]
tokenizer.json: 0%| | 0.00/466k [00:00<?, ?B/s]
model.safetensors: 0%| | 0.00/268M [00:00<?, ?B/s]
Some weights of DistilBertForSequenceClassification were not initialized from the model checkpoint at distilbert-base-uncased and are newly initialized: ['classifier.bias', 'classifier.weight', 'pre_classifier.bias', 'pre_classifier.weight'] You should probably TRAIN this model on a down-stream task to be able to use it for predictions and inference.
Cronologia e valutazione originali di DistilBERT
Mostra il codice Python
# Reproduce archived output without retraining or changing the historical results.
import json
import sys
from IPython.display import display
restored_outputs = json.loads('[{"data": {"text/html": ["\\n", " <div>\\n", " \\n", " <progress value=\'19125\' max=\'19125\' style=\'width:300px; height:20px; vertical-align: middle;\'></progress>\\n", " [19125/19125 27:57, Epoch 3/3]\\n", " </div>\\n", " <table border=\\"1\\" class=\\"dataframe\\">\\n", " <thead>\\n", " <tr style=\\"text-align: left;\\">\\n", " <th>Epoch</th>\\n", " <th>Training Loss</th>\\n", " <th>Validation Loss</th>\\n", " <th>Accuracy</th>\\n", " <th>F1 Macro</th>\\n", " </tr>\\n", " </thead>\\n", " <tbody>\\n", " <tr>\\n", " <td>1</td>\\n", " <td>0.549800</td>\\n", " <td>0.517321</td>\\n", " <td>0.763487</td>\\n", " <td>0.738372</td>\\n", " </tr>\\n", " <tr>\\n", " <td>2</td>\\n", " <td>0.476600</td>\\n", " <td>0.508973</td>\\n", " <td>0.781432</td>\\n", " <td>0.754894</td>\\n", " </tr>\\n", " <tr>\\n", " <td>3</td>\\n", " <td>0.375800</td>\\n", " <td>0.573634</td>\\n", " <td>0.789377</td>\\n", " <td>0.759990</td>\\n", " </tr>\\n", " </tbody>\\n", "</table><p>"], "text/plain": ["<IPython.core.display.HTML object>"]}, "metadata": {}, "output_type": "display_data"}, {"data": {"text/html": [], "text/plain": ["<IPython.core.display.HTML object>"]}, "metadata": {}, "output_type": "display_data"}, {"name": "stdout", "output_type": "stream", "text": ["{\'eval_loss\': 0.5089733600616455, \'eval_accuracy\': 0.7814323017945441, \'eval_f1_macro\': 0.7548939666129382, \'eval_runtime\': 28.1243, \'eval_samples_per_second\': 639.981, \'eval_steps_per_second\': 40.001, \'epoch\': 3.0}\\n", " precision recall f1-score support\\n", "\\n", " 0 0.572 0.795 0.665 1813\\n", " 1 0.815 0.750 0.781 9347\\n", " 2 0.816 0.821 0.818 6839\\n", "\\n", " accuracy 0.781 17999\\n", " macro avg 0.734 0.789 0.755 17999\\n", "weighted avg 0.791 0.781 0.784 17999\\n", "\\n"]}]')
for historical_output in restored_outputs:
if historical_output['output_type'] == 'stream':
historical_stream = sys.stderr if historical_output['name'] == 'stderr' else sys.stdout
historical_stream.write(''.join(historical_output['text']))
historical_stream.flush()
else:
historical_bundle = {mime: ''.join(value) if isinstance(value, list) else value
for mime, value in historical_output['data'].items()}
display(historical_bundle, raw=True, metadata=historical_output.get('metadata', {}))
| Epoch | Training Loss | Validation Loss | Accuracy | F1 Macro |
|---|---|---|---|---|
| 1 | 0.549800 | 0.517321 | 0.763487 | 0.738372 |
| 2 | 0.476600 | 0.508973 | 0.781432 | 0.754894 |
| 3 | 0.375800 | 0.573634 | 0.789377 | 0.759990 |
<IPython.core.display.HTML object>
{'eval_loss': 0.5089733600616455, 'eval_accuracy': 0.7814323017945441, 'eval_f1_macro': 0.7548939666129382, 'eval_runtime': 28.1243, 'eval_samples_per_second': 639.981, 'eval_steps_per_second': 40.001, 'epoch': 3.0}
precision recall f1-score support
0 0.572 0.795 0.665 1813
1 0.815 0.750 0.781 9347
2 0.816 0.821 0.818 6839
accuracy 0.781 17999
macro avg 0.734 0.789 0.755 17999
weighted avg 0.791 0.781 0.784 17999
Approfondimenti metodologici
Questa analisi complementare conserva gli approfondimenti già pubblicati sul sito. Ha un notebook indipendente: usa il download dedicato per ripeterla. Le celle precedenti corrispondono invece al lavoro completo pubblicato su Kaggle.
Tre domande per una raccolta di recensioni
Come sono distribuiti i punteggi? Come si associano ai prezzi registrati? Quanto aiutano le descrizioni a riconoscere una fascia di punteggio? La fonte è la raccolta storica Wine Reviews di Zack Thoutt: 129.971 recensioni di Wine Enthusiast, non un campione casuale dei vini in vendita oggi.
Questa revisione conserva i dati originali, chiarisce i mancanti e rifà l'esperimento sui testi. Il bersaglio è una fascia ricavata dal voto del recensore: lo chiamo classificazione delle fasce di punteggio, perché non abbiamo etichette indipendenti di sentiment. I testi restano in inglese, la lingua in cui sono stati scritti.
Come riprodurre l'analisi
Questa è l'edizione italiana revisionata l'8 ottobre 2026. Il notebook inglese usa lo stesso codice e gli stessi dati. Eseguire le celle dall'alto verso il basso in Jupyter, con Python 3.11 o successivo. Ambiente verificato: NumPy 2.2.6, pandas 2.2.3, Matplotlib 3.10.3 e scikit-learn 1.7.2. Per installarlo: pip install numpy==2.2.6 pandas==2.2.3 matplotlib==3.10.3 scikit-learn==1.7.2 ipykernel.
Installare le librerie prima di avviare Jupyter. Su Kaggle uso l'ambiente della piattaforma senza sostituire pacchetti già caricati: la prima cella stampa le versioni effettive, che possono differire da quelle locali indicate sopra. I risultati delle due edizioni sono verificati separatamente.
Il primo caricamento richiede Internet; in seguito i file vengono letti dalla cartella dati. Su Kaggle vengono cercati prima nei dataset collegati. L'impronta SHA256 controlla che il file sia quello dell'analisi: se la fonte cambia, l'esecuzione si ferma invece di produrre risultati diversi senza avvisare. I nomi originali delle colonne restano nel codice; titoli, grafici e lettura dei risultati sono in italiano.
Mostra il codice Python
LANG = "it"
from pathlib import Path
from io import BytesIO
import gzip
import hashlib
import os
import platform
import zipfile
from urllib.request import Request, urlopen
import importlib.metadata
# Use the running environment. Kaggle can preload NumPy before the first cell;
# replacing it with pip here would mix loaded binaries and newly installed files.
# For a pinned local environment, install requirements before starting Jupyter.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from IPython.display import display
SEED = 42
def label(it, en):
return it if LANG == "it" else en
plt.rcParams.update({"figure.figsize": (10, 4.5), "figure.dpi": 130,
"axes.spines.top": False, "axes.spines.right": False,
"axes.prop_cycle": plt.cycler(color=["#b54d35", "#24576b", "#947320", "#627e45"])})
pd.set_option("display.max_columns", 12)
pd.set_option("display.max_rows", 18)
pd.set_option("display.float_format", lambda x: f"{x:,.3f}")
CACHE = Path(os.environ.get("ANALISI_DATI_DIR", "dati"))
CACHE.mkdir(parents=True, exist_ok=True)
def read_data(name, url, sha256):
# Prefer attached Kaggle inputs or a verified local copy.
candidates = [CACHE / name]
if Path("/kaggle/input").exists():
candidates += sorted(Path("/kaggle/input").rglob(name))
raw = None
for path in candidates:
if path.is_file() and hashlib.sha256(path.read_bytes()).hexdigest() == sha256:
raw = path.read_bytes()
break
if raw is None:
request = Request(url, headers={"User-Agent": "StefanoNocco-DataAnalysis/1.0"})
with urlopen(request, timeout=90) as response:
raw = response.read()
if zipfile.is_zipfile(BytesIO(raw)):
with zipfile.ZipFile(BytesIO(raw)) as archive:
matches = [p for p in archive.namelist() if Path(p).name == name]
if len(matches) != 1:
raise ValueError(f"Expected exactly one file: {name}")
raw = archive.read(matches[0])
elif raw[:2] == b"\x1f\x8b":
raw = gzip.decompress(raw)
if hashlib.sha256(raw).hexdigest() != sha256:
raise ValueError(f"Source changed: {name}. Review data and update the recorded hash.")
(CACHE / name).write_bytes(raw)
return pd.read_csv(BytesIO(raw))
print(label("Versione Python:", "Python version:"), platform.python_version())
for package in ["numpy", "pandas", "matplotlib", "scikit-learn", "scipy"]:
print(package, importlib.metadata.version(package))
Versione Python: 3.11.14 numpy 2.2.6 pandas 2.2.3 matplotlib 3.10.3 scikit-learn 1.7.2 scipy 1.15.3
Mostra il codice Python
raw = read_data("winemag-data-130k-v2.csv",
"https://www.kaggle.com/api/v1/datasets/download/zynicide/wine-reviews",
"52af2643c8ac29f010f0cc629dfbdda1c74aa0f332d11762af9ef3de4e567ac9")
raw = raw.drop(columns=[col for col in raw if col.startswith("Unnamed:")])
df = raw.drop_duplicates().copy()
assert df["points"].between(80, 100).all()
print(label("Recensioni originali:", "Original reviews:"), len(raw))
print(label("Duplicati completi eliminati:", "Exact duplicates removed:"), len(raw) - len(df))
print(label("Recensioni utilizzate:", "Reviews retained:"), len(df))
display(df[["price", "country", "province", "variety", "taster_name", "description"]].isna().sum().rename(
label("Valori mancanti", "Missing values")).to_frame())
Recensioni originali: 129971 Duplicati completi eliminati: 9983 Recensioni utilizzate: 119988
| Valori mancanti | |
|---|---|
| price | 8395 |
| country | 59 |
| province | 59 |
| variety | 1 |
| taster_name | 24917 |
| description | 0 |
Pulizia: togliere un duplicato non significa inventare un dato
L'indice esportato nel CSV non è una caratteristica del vino: lo escludo prima di cercare righe duplicate. Una descrizione ripetuta, invece, può comparire con altri campi diversi e richiede un controllo distinto nell'esperimento sui testi.
Conservo prezzi e paesi mancanti. Escludo i prezzi assenti soltanto dai confronti che richiedono il prezzo, e non assegno un paese a una cantina in base al solo nome. I prezzi sono quelli della raccolta, espressi in USD nominali: non sono quotazioni aggiornate né corretti per inflazione.
Mostra il codice Python
score_counts = df["points"].value_counts().sort_index()
ax = score_counts.plot.bar()
ax.set(xlabel=label("Punteggio", "Score"), ylabel=label("Recensioni", "Reviews"),
title=label("Distribuzione dei voti dopo la deduplicazione", "Score distribution after deduplication"))
plt.tight_layout(); plt.show()
display(df["points"].describe().to_frame())
| points | |
|---|---|
| count | 119,988.000 |
| mean | 88.442 |
| std | 3.093 |
| min | 80.000 |
| 25% | 86.000 |
| 50% | 88.000 |
| 75% | 91.000 |
| max | 100.000 |
Prezzo e punteggio: associazione, non garanzia
Divido i prezzi in fasce, includendo un'ultima fascia aperta per non perdere quelli più elevati. Per ogni gruppo mostro numerosità, mediana e quartili: la media da sola nasconderebbe sia la dispersione sia la diversa dimensione dei gruppi.
La correlazione di Spearman confronta l'ordine dei prezzi con quello dei punteggi. Una relazione positiva non prova che pagare di più causi una qualità maggiore: selezione dei vini recensiti, produttori, annate e degustatori contribuiscono al risultato.
Mostra il codice Python
priced = df.dropna(subset=["price"]).copy()
assert priced["price"].gt(0).all()
bands = [0, 15, 30, 60, 120, 250, np.inf]
names = ["<15", "15–29", "30–59", "60–119", "120–249", "≥250"]
priced["price_band"] = pd.cut(priced["price"], bins=bands, labels=names, right=False)
by_price = priced.groupby("price_band", observed=True)["points"].agg(
n="size", median="median", q1=lambda s: s.quantile(.25), q3=lambda s: s.quantile(.75))
display(by_price)
print(label("Correlazione di Spearman prezzo–punteggio:", "Spearman price–score correlation:"),
round(priced[["price", "points"]].corr(method="spearman").iloc[0, 1], 3))
fig, ax = plt.subplots()
ax.errorbar(np.arange(len(by_price)), by_price["median"],
yerr=[by_price["median"] - by_price["q1"], by_price["q3"] - by_price["median"]], fmt="o", capsize=5)
ax.set_xticks(np.arange(len(by_price)), by_price.index)
ax.set(xlabel=label("Fascia di prezzo (USD)", "Price band (USD)"), ylabel=label("Punteggio", "Score"), ylim=(79, 101),
title=label("Mediana e intervallo fra quartili", "Median and interquartile range"))
plt.tight_layout(); plt.show()
| n | median | q1 | q3 | |
|---|---|---|---|---|
| price_band | ||||
| <15 | 17710 | 86.000 | 84.000 | 87.000 |
| 15–29 | 45369 | 88.000 | 86.000 | 89.000 |
| 30–59 | 33972 | 90.000 | 88.000 | 92.000 |
| 60–119 | 11989 | 92.000 | 90.000 | 93.000 |
| 120–249 | 2061 | 93.000 | 91.000 | 94.000 |
| ≥250 | 492 | 95.000 | 94.000 | 96.000 |
Correlazione di Spearman prezzo–punteggio: 0.612
Paesi, varietà, cantine e il caso italiano
Le recensioni sono distribuite in modo diseguale. Confronto i paesi con almeno 100 recensioni e mostro quanto manca il prezzo in ciascuno. La soglia evita gruppi minuscoli, ma non rende la raccolta rappresentativa della produzione nazionale.
Per varietà e cantine mostro le più presenti, senza chiamarle “migliori”. Le voci con “blend” rappresentano assemblaggi, non singoli vitigni. La fonte raggruppa Sicilia e Sardegna nella stessa provincia: per isolare la Sardegna uso un elenco esplicito di denominazioni in region_1, verificabile nel codice e nell'archivio regionale dei vini. I record senza una denominazione riconoscibile rimangono esclusi.
Mostra il codice Python
countries = df.groupby("country").agg(n=("points", "size"), median_score=("points", "median"),
median_price=("price", "median"), missing_price_pct=("price", lambda s: s.isna().mean() * 100))
display(countries[countries["n"].ge(100)].sort_values("n", ascending=False).head(12).round(1))
display(df["variety"].value_counts().head(10).rename(label("Recensioni per varietà", "Reviews by variety")).to_frame())
display(df["winery"].value_counts().head(8).rename(label("Recensioni per cantina", "Reviews by winery")).to_frame())
italy = df[df["country"].eq("Italy")]
sardinian_regions = ["Isola dei Nuraghi", "Vermentino di Sardegna", "Cannonau di Sardegna",
"Carignano del Sulcis", "Vermentino di Gallura", "Monica di Sardegna", "Sardinia",
"Valli di Porto Pino", "Alghero", "Nuragus di Cagliari", "Nasco di Cagliari", "Colli del Limbara"]
sardinia = italy[italy["region_1"].isin(sardinian_regions)]
assert len(sardinia) > 0
display(pd.DataFrame({"Italy": italy[["points", "price"]].median(),
"Sardinia": sardinia[["points", "price"]].median()}))
print(label("Recensioni Sardegna:", "Sardinian reviews:"), len(sardinia))
| n | median_score | median_price | missing_price_pct | |
|---|---|---|---|---|
| country | ||||
| US | 50457 | 88.000 | 30.000 | 0.400 |
| France | 20353 | 89.000 | 25.000 | 20.000 |
| Italy | 17940 | 88.000 | 28.000 | 13.600 |
| Spain | 6116 | 87.000 | 18.000 | 1.100 |
| Portugal | 5256 | 88.000 | 17.000 | 14.300 |
| Chile | 4184 | 86.000 | 15.000 | 1.300 |
| Argentina | 3544 | 86.000 | 17.000 | 1.200 |
| Austria | 3034 | 90.000 | 25.000 | 16.400 |
| Australia | 2197 | 89.000 | 21.000 | 1.300 |
| Germany | 1992 | 90.000 | 27.000 | 2.100 |
| South Africa | 1301 | 88.000 | 18.000 | 8.100 |
| New Zealand | 1278 | 88.000 | 20.000 | 3.000 |
| Recensioni per varietà | |
|---|---|
| variety | |
| Pinot Noir | 12278 |
| Chardonnay | 10868 |
| Cabernet Sauvignon | 8840 |
| Red Blend | 8243 |
| Bordeaux-style Red Blend | 6471 |
| Riesling | 4773 |
| Sauvignon Blanc | 4575 |
| Syrah | 3828 |
| Rosé | 3220 |
| Merlot | 2896 |
| Recensioni per cantina | |
|---|---|
| winery | |
| Wines & Winemakers | 211 |
| Williams Selyem | 204 |
| Testarossa | 201 |
| DFJ Vinhos | 200 |
| Louis Latour | 192 |
| Georges Duboeuf | 186 |
| Chateau Ste. Michelle | 171 |
| Concha y Toro | 154 |
| Italy | Sardinia | |
|---|---|---|
| points | 88.000 | 89.000 |
| price | 28.000 | 25.000 |
Recensioni Sardegna: 185
Dal testo alla fascia di voto
Conservo le fasce del progetto originale: 80–84, 85–89, 90–100. Le etichette “negativo”, “neutro” e “positivo” suggerivano un significato che i dati non garantiscono: una recensione da 84 punti non equivale automaticamente a un giudizio negativo sul linguaggio.
Le classi sono sbilanciate, quindi affianco all'accuratezza F1 macro e richiamo per classe. La baseline predice sempre la fascia più frequente. Il modello vede soltanto la descrizione, senza prezzo, voto, paese o nome del recensore.
Mostra il codice Python
text_data = df.dropna(subset=["description"]).copy()
text_data = text_data[text_data["description"].str.strip().ne("")]
text_data["band"] = pd.cut(text_data["points"], [79, 84, 89, 100], labels=["80–84", "85–89", "90–100"])
text_data["group"] = text_data["description"].str.normalize("NFKC").str.lower().str.replace(r"\s+", " ", regex=True).str.strip()
display(text_data["band"].value_counts().sort_index().rename(label("Recensioni", "Reviews")).to_frame())
print(label("Testi ripetuti oltre il primo:", "Repeated descriptions beyond the first:"), text_data["group"].duplicated().sum())
| Recensioni | |
|---|---|
| band | |
| 80–84 | 12088 |
| 85–89 | 62310 |
| 90–100 | 45590 |
Testi ripetuti oltre il primo: 34
Separare i testi ripetuti prima di addestrare
Se la stessa descrizione finisce sia nell'addestramento sia nel test, il modello può riconoscere un testo già visto. Normalizzo maiuscole e spazi e uso StratifiedGroupKFold: tutte le copie dello stesso testo rimangono nello stesso gruppo. Prendo una sola suddivisione, circa 80% per l'addestramento e 20% per il test, fissata dal seme 42.
È un miglioramento mirato, non una garanzia di indipendenza totale: recensioni simili, annate dello stesso vino e gli stessi produttori possono rimanere nei due insiemi. Il risultato riguarda recensioni di questa raccolta, non la capacità di generalizzare a nuove cantine o a nuove lingue.
Mostra il codice Python
from sklearn.model_selection import StratifiedGroupKFold
from sklearn.pipeline import make_pipeline
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.dummy import DummyClassifier
from sklearn.metrics import accuracy_score, balanced_accuracy_score, f1_score, classification_report, ConfusionMatrixDisplay
splitter = StratifiedGroupKFold(n_splits=5, shuffle=True, random_state=SEED)
train, test = next(splitter.split(text_data["description"], text_data["band"], groups=text_data["group"]))
assert not set(text_data.iloc[train]["group"]) & set(text_data.iloc[test]["group"])
X_train, X_test = text_data.iloc[train]["description"], text_data.iloc[test]["description"]
y_train, y_test = text_data.iloc[train]["band"].astype(str), text_data.iloc[test]["band"].astype(str)
display(pd.DataFrame({"train": y_train.value_counts(), "test": y_test.value_counts()}).sort_index())
| train | test | |
|---|---|---|
| band | ||
| 80–84 | 9665 | 2423 |
| 85–89 | 49885 | 12425 |
| 90–100 | 36439 | 9151 |
Un modello semplice e controllabile
TF-IDF assegna peso a parole e coppie di parole frequenti in una recensione ma meno diffuse nell'intera raccolta. Il vocabolario e i pesi vengono appresi soltanto sui testi di addestramento, dentro la pipeline. Il classificatore lineare usa pesi di classe bilanciati; non cerco nuovi parametri dopo aver osservato il test.
Non applico SMOTE ai testi prima della separazione. La baseline rende visibile quanto si ottiene senza leggere nemmeno una parola. La matrice di confusione mostra se gli errori riguardano soprattutto fasce vicine, e il report espone anche la classe meno rappresentata. Salvo metriche e report anche in dati/wine-classification-metrics.json, per confrontare esecuzioni in ambienti diversi senza ricopiare i numeri dai grafici.
Mostra il codice Python
model = make_pipeline(TfidfVectorizer(ngram_range=(1, 2), min_df=5, max_df=.95,
max_features=60000, sublinear_tf=True, strip_accents="unicode"),
LinearSVC(C=1, class_weight="balanced", random_state=SEED, max_iter=5000))
model.fit(X_train, y_train)
predicted = model.predict(X_test)
baseline = DummyClassifier(strategy="most_frequent").fit(np.zeros((len(train), 1)), y_train)
base_predicted = baseline.predict(np.zeros((len(test), 1)))
metrics = pd.DataFrame([{ "model": name, "accuracy": accuracy_score(y_test, pred),
"balanced_accuracy": balanced_accuracy_score(y_test, pred), "macro_f1": f1_score(y_test, pred, average="macro")}
for name, pred in [("Baseline", base_predicted), ("TF-IDF + LinearSVC", predicted)]]).set_index("model")
display(metrics.round(4))
report = pd.DataFrame(classification_report(y_test, predicted, output_dict=True, zero_division=0)).T
display(report.loc[["80–84", "85–89", "90–100"]].round(3))
import json
(CACHE / "wine-classification-metrics.json").write_text(json.dumps({
"metrics": metrics.to_dict(orient="index"), "report": report.to_dict(orient="index"),
"test_indices_sha256": hashlib.sha256(test.astype("<i8").tobytes()).hexdigest(),
"predictions_sha256": hashlib.sha256("\n".join(predicted).encode()).hexdigest()
}, ensure_ascii=False, indent=2), encoding="utf-8")
fig, ax = plt.subplots(figsize=(5, 4))
ConfusionMatrixDisplay.from_predictions(y_test, predicted, labels=["80–84", "85–89", "90–100"],
ax=ax, colorbar=False, cmap="Blues")
ax.set(xlabel=label("Fascia prevista", "Predicted band"), ylabel=label("Fascia reale", "True band"))
plt.tight_layout(); plt.show()
| accuracy | balanced_accuracy | macro_f1 | |
|---|---|---|---|
| model | |||
| Baseline | 0.518 | 0.333 | 0.227 |
| TF-IDF + LinearSVC | 0.750 | 0.708 | 0.709 |
| precision | recall | f1-score | support | |
|---|---|---|---|---|
| 80–84 | 0.600 | 0.578 | 0.588 | 2,423.000 |
| 85–89 | 0.768 | 0.750 | 0.759 | 12,425.000 |
| 90–100 | 0.765 | 0.797 | 0.780 | 9,151.000 |
Che cosa usa il modello
Le parole con i coefficienti più alti indicano associazioni con ciascuna fascia nel modello lineare, tenendo conto del vocabolario appreso. Non sono una definizione universale del gusto e non dimostrano che aggiungere una parola faccia salire il voto.
Questa lettura completa l'esplorazione delle parole del lavoro originale: la frequenza di un termine e la sua utilità per distinguere una fascia sono due cose diverse. Stili dei degustatori e convenzioni editoriali possono essere parte del segnale.
Mostra il codice Python
vectorizer, classifier = model.steps[0][1], model.steps[1][1]
vocabulary = vectorizer.get_feature_names_out()
display(pd.DataFrame({band: vocabulary[np.argsort(weights)[-10:][::-1]]
for band, weights in zip(classifier.classes_, classifier.coef_)}))
| 80–84 | 85–89 | 90–100 | |
|---|---|---|---|
| 0 | lambrusco | best buy | beautiful |
| 1 | cheeseburger | moderately long | complex |
| 2 | harsh | it pleasant | 2025 |
| 3 | bland | ripasso | 2022 |
| 4 | thin | 88 90 | gorgeous |
| 5 | watery | toasted bread | delicious |
| 6 | own good | drink soon | impressive |
| 7 | its notes | dimensional palate | 91 |
| 8 | semisour | straightforward | 2030 |
| 9 | simple | lean but | 2024 |
Conclusioni e fonti
Nella verifica con descrizioni separate il modello ottiene circa 75,0% di accuratezza e F1 macro 0,709; la baseline arriva al 51,8% di accuratezza ma soltanto a 0,227 di F1 macro. Il richiamo della fascia 80–84 è circa 57,8%: il risultato complessivo nasconde una difficoltà maggiore proprio nel gruppo meno numeroso. La correlazione di Spearman fra prezzo e voto è circa 0,612 sui prezzi disponibili.
Prezzi e punteggi hanno un'associazione nella raccolta, con sovrapposizioni fra le fasce. I testi contengono informazioni utili per classificare i voti, ma il confronto con la baseline e le metriche per classe sono più informativi della sola accuratezza.
La revisione distingue sentiment e punteggio, rende espliciti i mancanti e limita la contaminazione da testi identici. Non aggiorna i prezzi al mercato odierno e non presenta il test come una prova su vini o recensori indipendenti dalla raccolta.
- Wine Reviews, Zack Thoutt: dati Wine Enthusiast; consultare la scheda per condizioni di riuso. Il notebook scarica il file dalla fonte, senza incorporare il corpus.
- Validazione stratificata per gruppi.