
Концепция
Я взял за основу датасет NHL Stanley Cup Playoffs (1918 — 2022). Он был взят с сайта kaggle.com
Мне было интересно посмотреть на более чем 100-летнюю историю одной из ведущих хоккейных лиг мира
Типы диаграмм: 1. Столбчатая 2. Линейный график 3. Диаграмма рассеяния 4. Тепловая карта
Этапы работы:
Код был написан с использованием Deepseek: https://chat.deepseek.com
Запрос в Deepseek: С помощью Pandas проведи анализ данных и визуализацию
Мне нужно сделать визуализацию данных при помощи вот этого датасета при помощи библиотеки pandas в python в googlecollab. Я хочу узнать какие можно вычленить из него интереснеы взаимосвязи которые можно было бы вычленить в графики минимум 6
Используй только те данные которые есть в датасете это важно
Так же сделай для графиков единую палитру из 4 цветов.
Оформи весь код блочно по типу: 1 график — 1 блок кода. Можешь делать импорты для каждого блока кода
Описание применения генеративной модели
Использованные нейросети: Deepseek: https://chat.deepseek.com Leonardo ai: https://app.leonardo.ai
Весь код был написан с помощью Deepseek Я загрузил датасет в и попросил разобрать его на данные которые можно разобрать
Также я попросил Deepseek сгенерировать промт для генерации обложки в leonardo.ai
Промт для генерации промта: Сгенерируй промт для генерации обложки в leonardo ai для этого анилиза. На нём должен быль локо nhl и хокеист который будет подходить по цветовой палитре
Промт для генерации изображения: Ultimate NHL hockey data analysis cover, cinematic, dynamic, professional sports analytics style. A fierce hockey player in motion, mid-action shot, wearing a blue-toned NHL jersey (color palette:
Промт для кода: С помощью Pandas провести анализ данных и визуализацию
Мне нужно сделать визуализацию данных при помощи вот этого датасета при помощи библиотеки pandas в python в googlecollab. Я хочу узнать какие можно вычленить из него интереснеы взаимосвязи которые можно было бы вычленить в графики минимум 6
Используй только те данные которые есть в датасете это важно
Так же сделай для графиков единую палитру из 4 цветов.
Оформи весь код блочно по типу: 1 график — 1 блок кода. Можешь делать импорты для каждого блока кода Промт для корректировки кода: У меня в коде уже есть вот такой блок для импорта дата сета. Я хочу что бы ты переделал блоки кода под это и сделал так что бы графики использовали палитру созданную тобой

Используемые библиотеки
pandas — для работы с табличными данными matplotlib.pyplot — для построения графиков и визуализации seaborn — для улучшенной визуализации данных os — для работы с операционной системой и путями к файлам pathlib — для кросс-платформенной работы с путями к файлам
Я выбрал палитру состоящую из 1 цвета и 4-ёх его оттенков для того что бы дизайн смотрелся минималистично и не перегружался.
А также для из-за того что синий цвет ассоциируется со зимней погодой
Изучающий график


Обучающий график
Топ-20 команд по попаданию в плей-офф
Процент побед в зависимости от финального ранга
Зависимость между забитыми и пропущенными голами
Корреляция между показателями
Распределение количества игр в плей-офф
Топ-10 команд по общему количеству побед в плей-офф
Вывод
После анализа 104-ёх летней истории NHL и её данных можно проследить ключевые закономерности: историческое доминирование «Оригинальной шестерки» создает непреодолимое преимущество, где Montreal Canadiens выиграл 24 чемпионства при 87 случаях участия в плей-офф. Успех определяется разницей голов (корреляция с победами 0.85), требующей сбалансированной игры. Чемпионы доминируют, выигрывая 75% матчей против 50% у остальных.