Введение
Москва — это один из самых быстроразвивающихся городов России, который к тому же может похвастаться богатой историей. На протяжении своего существования в Москве происходило огромное количество различных исторических событий, оставивших за собой след, который изучается историками и археологами по сей день. В условиях активной реконструкции городского пространства Москвы археологические исследования становятся важным источником данных о прошлом столицы. В ходе земляных работ на улицах города регулярно обнаруживаются артефакты различных исторических периодов, требующие систематизации и анализа.
В рамках проекта мне было интересно изучить информацию об исторических артефактах, обнаруженных на территории столицы за несколько последних лет, так как подобные находки являются частью исторического и культурного наследия моего родного города.
Цветовое оформление
Типы графиков
Столбчатая диаграмма Линейная диаграмма Круговая диаграмма Гистограмма
Начало работы
При работе с датой я использовала Google Colab. Я добавила строку «df.info ()», чтобы понять, сколько строк в таблице, сколько столбцов, как называются столбцы и что лежит в каждом столбце — текст, числа или даты. Также я перевела строку DateOfDiscovery из типа object (текст) в формат даты и выделила год.
df[«DateOfDiscovery»] = pd.to_datetime (df[«DateOfDiscovery»], errors="coerce») df[«Year»] = df[«DateOfDiscovery»].dt.year
df[[«DateOfDiscovery», «Year»]].head ()
После выявления нескольких колонок с данными я приступила к созданию графиков, подходящих для визуализации полученной информации.
СТОЛБЧАТАЯ ДИАГРАММА: каково было предназначение находки: предмет быта, монеты, часть декора и т. д.
График визуализирует данные о том, как мог использоваться предмет, найденный в ходе археологических работ, какую функцию он в себе нёс.
Для данной диаграммы я сначала создала функцию классификации:
def classify_finding (text): text = str (text).lower ()
if any (word in text for word in [«монет», «деньг», «копейк», «рубл»]):
return «Монеты»
elif any (word in text for word in [«посуда», «горш», «чаш», «бутыл», «сосуд»]):
return «Предметы быта»
elif any (word in text for word in [«декор», «лепнин», «орнамент», «фрагмент»]):
return «Элементы декора»
elif any (word in text for word in [«оруж», «наконечник», «меч»]):
return «Оружие»
else:
return «Прочее»
После этого я создала новую колонку «Тип находки».
df[«FindingType»] = df[«DescriptionOfFinding»].apply (classify_finding)
df[«FindingType»].value_counts ()
Создав новую колонку, я смогла приступить к составлению графика:
type_counts = df[«FindingType»].value_counts ()
plt.figure (figsize=(9,5)) type_counts.plot (kind="bar»)
plt.title («Распределение находок по типам») plt.xlabel («Тип находки») plt.ylabel («Количество») plt.xticks (rotation=30, ha="right») plt.tight_layout () plt.show ()
КРУГОВАЯ ДИАГРАММА: на каком расстоянии от центра Москвы были найдены артефакты
При построении графика я решила использовать информацию о месте и координатах нахождения артефактов, так как во взятом датасете присутствовали данные о названии улиц, во время реконструкции которых находили тот или иной предмет.
Сначала я выполнила импорт и проверку колонки:
import pandas as pd import matplotlib.pyplot as plt import math import re
df[«geodata_center»].head (5)
Потом извлекла координаты из geodata_center:
def parse_two_numbers (x): if pd.isna (x): return (None, None) s = str (x) nums = re.findall (r"-? \d+.\d+», s) # ищем числа вида 37.62 и 55.75 if len (nums) < 2: return (None, None)
a = float (nums[0])
b = float (nums[1])
# Москва: широта ~55, долгота ~37
# если первое похоже на долготу, а второе на широту -> (lat=b, lon=a)
if 30 <= a <= 45 and 50 <= b <= 60:
lon, lat = a, b
# если наоборот
elif 50 <= a <= 60 and 30 <= b <= 45:
lat, lon = a, b
else:
# если не уверены — оставим как есть (потом проверим)
lon, lat = a, b
return (lat, lon)
df[[«Lat», «Lon»]] = df[«geodata_center»].apply (lambda x: pd.Series (parse_two_numbers (x))) df[[«geodata_center», «Lat», «Lon»]].head (10)
Считываю расстояние от центра Москвы:
CENTER_LAT = 55.7522 CENTER_LON = 37.6156
def haversine_km (lat1, lon1, lat2, lon2): R = 6371.0 phi1, phi2 = math.radians (lat1), math.radians (lat2) dphi = math.radians (lat2 — lat1) dlambda = math.radians (lon2 — lon1) a = math.sin (dphi/2)2 + math.cos (phi1)*math.cos (phi2)*math.sin (dlambda/2)2 return 2 * R * math.atan2(math.sqrt (a), math.sqrt (1 — a))
df[«Dist_km»] = df.apply ( lambda r: haversine_km (r[«Lat»], r[«Lon»], CENTER_LAT, CENTER_LON) if pd.notna (r[«Lat»]) and pd.notna (r[«Lon»]) else pd.NA, axis=1 )
df[«Dist_km»].describe ()
Делю расстояние на группы и кольца:
valid = df[df[«Dist_km»].notna ()].copy ()
bins = [0, 2, 5, 10, 15, 25, 50, 10_000] labels = [«0–2 км», «2–5 км», «5–10 км», «10–15 км», «15–25 км», «25–50 км», «50+ км»]
valid[«Dist_group»] = pd.cut (valid[«Dist_km»], bins=bins, labels=labels, include_lowest=True)
valid[«Dist_group»].value_counts ().sort_index ()
Выполнив все подготовительные действия строю круговую диаграмму:
import matplotlib.pyplot as plt
counts = df[«Dist_group»].value_counts ().sort_index ()
plt.figure (figsize=(8,8)) counts.plot (kind="pie», autopct="%1.1f%%», startangle=90) plt.title («Находки по расстоянию от центра Москвы») plt.ylabel (»») plt.tight_layout () plt.show ()
ЛИНЕЙНАЯ ДИАГРАММА: количество находок по годам
Для этого графика я взяла данные о дате нахождения артефактов, указанной в формате день/месяц/год.
by_year = df[«Year»].value_counts ().sort_index ()
plt.figure (figsize=(9,4)) by_year.plot (kind="line», marker="o») plt.title («Количество находок по годам») plt.xlabel («Год») plt.ylabel («Количество») plt.grid (True, alpha=0.3) plt.tight_layout () plt.show ()
ГИСТОГРАММА: количество находок по месяцам
Я также решила конкретизировать, в какие месяцы года было найдено больше всего артефактов, используя для этого те же данные о дате нахождения.
df[«Month»] = df[«DateOfDiscovery»].dt.month by_month = df[«Month»].value_counts ().sort_index ()
plt.figure (figsize=(9,4)) by_month.plot (kind="bar») plt.title («Количество находок по месяцам») plt.xlabel («Месяц») plt.ylabel («Количество») plt.xticks (rotation=0) plt.tight_layout () plt.show ()
Итог
В результате обработки данных был сформирован итоговый датасет, на основе которого были построены графики. Он включает исходные поля и дополнительные признаки, полученные в ходе анализа (год обнаружения, тип находки, географическая группировка и расстояние от центра города). Итоговый датасет был сохранён в формате CSV для дальнейшего использования и воспроизводимости анализа.
Инструменты
Для данного проекта использовались данные с сайта: http://data.mos.ru/ Исходный датасет: Археологические находки на реконструируемых улицах | Портал открытых данных Правительства Москвы
Для визуального оформления проекта использовались нейросети: Chat GPT https://chatgpt.comChatGPT Gemeni https://gemini.google.comGemini
Для подбора референсов использовалось приложение: Pinterest https://ru.pinterest.comПинтерест
