Analisi dati · Python
Wine Enthusiast: prezzi, punteggi e recensioni
Ho analizzato quasi 130.000 recensioni di vino per esplorare il rapporto tra prezzi e punteggi. Sono partito dalla pulizia dei dati e sono arrivato ai testi delle degustazioni, con un esperimento di intelligenza artificiale: riconoscere la fascia di valutazione di un vino leggendo la sua recensione.
Codice e dati
Il notebook dell’analisi
129.971 recensioni originali · raccolta storica
Analizzo prezzi, punteggi e testi delle recensioni. L’esperimento con DistilBERT riporta i risultati dell’addestramento originale. Un secondo esperimento separa i dati mantenendo le descrizioni identiche nello stesso gruppo.
L'edizione completa in italiano
La revisione dell'8 ottobre 2026 conserva l'intero percorso: pulizia, paesi e regioni, vitigni, degustatori, designazioni, prezzi, punteggi, nuvole di parole e DistilBERT. Nel lettore trovi anche i grafici interattivi e le tabelle del notebook pubblicato su Kaggle.
La raccolta resta quella storica di 129.971 recensioni. L'esplorazione è stata rieseguita; per DistilBERT sono conservati il codice, la cronologia delle tre epoche e il report originali, senza presentarli come un nuovo addestramento. In appendice trovi un esperimento complementare, distinto, che mantiene le descrizioni identiche nello stesso insieme durante la separazione dei dati.
Le domande di partenza
I vini più costosi ricevono anche i punteggi più alti? Quanto cambiano le valutazioni all'interno della stessa fascia di prezzo? E quanto del giudizio numerico si ritrova nelle parole usate per descrivere un vino?
Per esplorare queste domande ho usato Wine Reviews, una raccolta di recensioni di Wine Enthusiast disponibile su Kaggle. Ogni riga contiene una descrizione, un punteggio e informazioni come prezzo, cantina, provenienza e varietà.
Prima dei grafici, la pulizia
Il file iniziale contiene 129.971 righe. Ho rimosso 9.983 duplicati completi, conservando 119.988 recensioni. Ho poi controllato i testi ripetuti: una descrizione identica non indica necessariamente la stessa recensione, se cambiano il vino, la cantina o altri campi.
Ho esaminato anche i valori mancanti. Per alcune recensioni senza paese di provenienza sono risalito alle informazioni attraverso il nome della cantina. I prezzi mancanti, invece, restano tali: quelle righe non entrano nel confronto fra prezzo e punteggio, ma rimangono disponibili per le altre analisi.
Come sono distribuiti i punteggi
I punteggi presenti vanno da 80 a 100 e le valutazioni più frequenti sono 87 e 88. Il dataset non rappresenta tutti i vini in commercio: raccoglie quelli recensiti dalla rivista. Questa selezione conta quando si interpretano i risultati o si prepara un modello.
Il rapporto tra prezzo e punteggio
Nel campione, la mediana sale da 86 punti per i prezzi inferiori a 15 dollari a 95 punti per quelli da 250 dollari in su. Le fasce, però, si sovrappongono: il prezzo non determina il punteggio della singola recensione.
Ho mantenuto visibile anche il numero di recensioni per fascia. L'ultima ne contiene 492, mentre quella tra 15 e 29 dollari ne raccoglie 45.369. È una differenza da tenere presente prima di mettere a confronto le sintesi.
Dalle valutazioni alle parole
Le descrizioni aggiungono informazioni che una tabella di prezzi e punteggi non contiene. Nel notebook ho analizzato le parole ricorrenti, escludendo termini molto comuni e poco distintivi, come “wine” e “aroma”, per osservare meglio il lessico delle degustazioni.
Un modello che legge le recensioni
Ho poi impostato un esperimento con DistilBERT, un modello linguistico già addestrato, adattandolo a un compito preciso: leggere la descrizione e assegnarla a una di tre fasce ricavate dal punteggio, 80–84, 85–89 e 90–100.
Le tre classi hanno dimensioni diverse. Nella preparazione del modello ho mantenuto le loro proporzioni nella suddivisione dei dati e assegnato più peso agli errori sulle classi meno numerose durante l'addestramento.
Le etichette sono una scelta dell'esperimento: derivano dai punti assegnati dalla rivista, non da una seconda lettura indipendente delle recensioni. “Negative” indica quindi la fascia più bassa del campione, non necessariamente una recensione negativa nel senso comune.
I risultati dell'esperimento
Nel report finale salvato, il modello assegna la fascia corretta al 78,14% delle 17.999 recensioni riservate alla valutazione. Il valore F1 macro è 0,755: questa misura dà lo stesso peso a ciascuna delle tre classi, anche se hanno dimensioni diverse. Il 78,9% e lo 0,760 riportati in precedenza appartenevano all'ultima epoca, mentre la valutazione finale usa il checkpoint selezionato alla seconda epoca.
Sono risultati della valutazione interna, usata anche per scegliere il modello durante l'addestramento. Per misurare quanto funzionerebbe su nuove recensioni servirebbe un insieme di dati separato, mai usato nelle scelte del modello.
Il lavoro nel notebook
Il progetto riunisce controlli sui dati, visualizzazioni e preparazione di un modello sui testi. Nel notebook sono consultabili anche i confronti per paese, varietà e cantina, insieme alle scelte di pulizia e al codice dell'esperimento.
Strumenti utilizzati: Python, pandas, Plotly, Matplotlib, scikit-learn, PyTorch e Transformers.
I grafici numerici di questa pagina sono stati ricostruiti dai dati originali per renderli leggibili nel sito; la nuvola di parole proviene dal notebook. I prezzi appartengono alla raccolta storica e non sono quotazioni aggiornate.
Codice e fonti
- Il mio notebook su Kaggle: analisi esplorativa e codice dell'esperimento sui testi.
- Wine Reviews su Kaggle: raccolta di recensioni di Wine Enthusiast pubblicata da Zack Thoutt.
- DistilBERT: scheda del modello: documentazione del modello di partenza.