Vai al contenuto

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
3.3 Valori mancanti. Grafico 3 della cella 32 del notebook; valori e legenda sono quelli dell’analisi originale.
3.3 Valori mancanti. Grafico 3 della cella 32 del notebook; valori e legenda sono quelli dell’analisi originale.

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
Recensioni senza paese. Grafico 3 della cella 52 del notebook; valori e legenda sono quelli dell’analisi originale.
Recensioni senza paese. Grafico 3 della cella 52 del notebook; valori e legenda sono quelli dell’analisi originale.
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "country")

Puoi esplorare i valori e ingrandire le aree del grafico.

Recensioni senza paese. Grafico 1 della cella 53 del notebook; valori e legenda sono quelli dell’analisi originale.

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.

3.4.2 Province e regioni. Grafico 1 della cella 56 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

Territori e stili: Italia. Grafico 1 della cella 59 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

Territori e stili: Francia. Grafico 1 della cella 64 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

Territori e stili: Stati Uniti. Grafico 1 della cella 69 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

Territori e stili: Portogallo. Grafico 1 della cella 76 del notebook; valori e legenda sono quelli dell’analisi originale.

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.

Territori e stili: Cile. Grafico 1 della cella 80 del notebook; valori e legenda sono quelli dell’analisi originale.

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.

Territori e stili: Germania, Austria e altri paesi. Grafico 1 della cella 92 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

Territori e stili: Germania, Austria e altri paesi. Grafico 1 della cella 94 del notebook; valori e legenda sono quelli dell’analisi originale.
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
3.4.3 Degustatori. Grafico 3 della cella 106 del notebook; valori e legenda sono quelli dell’analisi originale.
3.4.3 Degustatori. Grafico 3 della cella 106 del notebook; valori e legenda sono quelli dell’analisi originale.
Mostra il codice Python
plot_feature_distribution_interactive(df_clean, "taster_name")

Puoi esplorare i valori e ingrandire le aree del grafico.

3.4.3 Degustatori. Grafico 1 della cella 107 del notebook; valori e legenda sono quelli dell’analisi originale.

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
3.4.4 Vitigni e tipologie. Grafico 3 della cella 116 del notebook; valori e legenda sono quelli dell’analisi originale.
3.4.4 Vitigni e tipologie. Grafico 3 della cella 116 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

I principali vitigni nel campione. Grafico 1 della cella 119 del notebook; valori e legenda sono quelli dell’analisi originale.

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.

3.4.5 Cantine. Grafico 1 della cella 123 del notebook; valori e legenda sono quelli dell’analisi originale.

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.

3.4.6 Prezzi. Grafico 1 della cella 127 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

3.4.6 Prezzi. Grafico 1 della cella 128 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

3.4.6 Prezzi. Grafico 1 della cella 129 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

3.4.7 Punteggi. Grafico 1 della cella 134 del notebook; valori e legenda sono quelli dell’analisi originale.

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 
   ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 235.8/235.8 kB 4.6 MB/s eta 0:00:00
[?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.

Raggruppare le designazioni in categorie. Grafico 1 della cella 142 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

Raggruppare le designazioni in categorie. Grafico 1 della cella 143 del notebook; valori e legenda sono quelli dell’analisi originale.
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 Fasce di prezzo e valutazioni. Grafico 1 della cella 149 del notebook; valori e legenda sono quelli dell’analisi originale.

4.1.1 Distribuzioni con i violin plot

Mostra il codice Python
violin.show()

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.1 Distribuzioni con i violin plot. Grafico 1 della cella 151 del notebook; valori e legenda sono quelli dell’analisi originale.

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.

4.1.2 Confronti geografici. Grafico 1 della cella 156 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 2 della cella 156 del notebook; valori e legenda sono quelli dell’analisi originale.
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.

4.1.2 Confronti geografici. Grafico 1 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 2 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 3 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 4 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 5 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 6 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 7 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 8 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 9 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

Puoi esplorare i valori e ingrandire le aree del grafico.

4.1.2 Confronti geografici. Grafico 10 della cella 159 del notebook; valori e legenda sono quelli dell’analisi originale.

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.

4.2.3 I vini italiani più apprezzati nel campione. Grafico 1 della cella 166 del notebook; valori e legenda sono quelli dell’analisi originale.
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()
4.3 Le parole delle recensioni. Grafico 1 della cella 180 del notebook; valori e legenda sono quelli dell’analisi originale.
4.3 Le parole delle recensioni. Grafico 1 della cella 180 del notebook; valori e legenda sono quelli dell’analisi originale.

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

Stefano Nocco — Sito · Kaggle · LinkedIn · Instagram.

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.

Versione originale con i risultati.

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', {}))
[19125/19125 27:57, Epoch 3/3]
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())
Distribuzione dei punteggi da 80 a 100 dopo la rimozione delle righe duplicate.
Distribuzione dei punteggi da 80 a 100 dopo la rimozione delle righe duplicate.
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
Mediana dei punteggi e intervallo dal primo al terzo quartile per fascia di prezzo; conteggi nella tabella.
Mediana dei punteggi e intervallo dal primo al terzo quartile per fascia di prezzo; conteggi nella tabella.

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
Matrice di confusione delle tre fasce di punteggio sul test con descrizioni separate dall'addestramento.
Matrice di confusione delle tre fasce di punteggio sul test con descrizioni separate dall'addestramento.

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.