\# Анализ данных



\## Описание проекта

Проект для изучения JupyterLab, pandas, numpy, matplotlib, seaborn и tqdm.



\## Выполненные задания



\### 1. Подготовка окружения

\- Создано виртуальное окружение (venv)

\- Установлены библиотеки: jupyterlab, numpy, pandas, matplotlib, seaborn, tqdm

\- Инициализирован Git

\- Добавлены .gitignore и README.md



\### 2. Работа с JupyterLab

\- Создан блокнот pythonptoject6.ipynb

\- Использованы Markdown-ячейки для пояснений

\- Код разбит на логические блоки



\### 3. Pandas и NumPy

\- Создан DataFrame с данными студентов

\- Добавлены вычисляемые столбцы

\- Выполнены группировка и фильтрация

\- Созданы массивы NumPy, матрица, linspace



\### 4. Визуализация (matplotlib)

\- График синуса и косинуса (изменены цвета, добавлен cos)

\- Столбчатая диаграмма баллов студентов

\- Диаграмма рассеяния (возраст vs баллы)



\### 5. Визуализация (seaborn)

\- Boxplot по категориям

\- Гистограмма с KDE

\- Scatterplot с разделением по категориям

\- Pairplot и тепловая карта корреляции



\### 6. Tqdm

\- Прогресс-бар для демонстрации обработки данных



\### 7. Самостоятельное задание

\- \*\*Датасет\*\*: Wine Quality (скачан с Kaggle)

\- \*\*Размер\*\*: 1599 строк, 12 столбцов

\- \*\*Анализ\*\*: df.info(), df.describe()

\- \*\*Графики\*\*: histplot (качество вина), scatterplot (алкоголь vs качество), boxplot (алкоголь по оценкам)

\- \*\*Тепловая карта\*\*: показана корреляция признаков

\- \*\*Tqdm\*\*: использован для демонстрации



\## Результаты анализа Wine Quality



| Что влияет на качество | Коэффициент |

|-----------------------|-------------|

| Алкоголь | +0.48 (хорошо) |

| Летучая кислотность | -0.39 (плохо) |



\*\*Вывод\*\*: Алкоголь сильнее всего влияет на качество вина.



\## Как запустить



```bash

\# Активировать окружение

venv\\Scripts\\activate



\# Запустить JupyterLab

jupyter lab



\# Открыть pythonproject6.ipynb