Анализ трендов женской одежды и стандартов красоты по коллекциям 1988–2024 годов
Для визуализации данных и анализа был выбран датасет FashionAnalysis_1988–2024 с сайта Kaggle. В окне предварительного просмотра было видно, что данные хорошо структурированы и охватывают большой период: от конца 1980-х до 2020-х годов. В таблице для каждой вещи указаны год, сезон, тип вещи (dress, top, pants и т. д.), стиль (casual, evening, streetwear, business и др.), силуэт (slim, regular, oversized), доминирующий цвет, а также несколько тегов, связанных с настроением образа.
Мода — это не только одежда, но и застывшая в ткани идея о том, как «должно выглядеть» тело. Через анализ коллекций можно увидеть, как менялись стандарты красоты, отношение к женскому телу, важность удобства и разнообразия. Переход от глянцевых «идеальных» силуэтов к расслабленным и более инклюзивным образам — важная часть культурной истории последних десятилетий.
— Столбчатые диаграммы для сравнения долей и частот (типы показов, темы). — Линейный график для динамики количества коллекций по годам — лучший вариант для временных рядов. — Круговая диаграмма для демонстрации цветовой структуры десятилетия. — Тепловая карта для визуализации пересечений категорий и паттернов.
Источником визуального вдохновения стал архив журнала Vogue: обложки и развороты середины XX века задали настроение исследования. Характерные для издания выразительные композиции, акцент на силуэте и утончённая типографика стали визуальными «перебивками» между аналитическими блоками. Для шрифтовой части выбран гарнитур с чёткими контрастами и fashion-эстетикой, перекликающийся с журнальной подачей. Цветовая палитра опирается на винтажные оттенки Vogue — приглушённые красные, что позволило сохранить историческую атмосферу, не теряя читаемости графиков и схем.
Датасет создан в построчном формате: каждая строка — отдельный предмет одежды с набором признаков (год, сезон, категория, подкатегория, стиль, силуэт, цветовая группа и бинарные тег-флаги). Такой wide-формат хорошо подходит для моделей, но для анализа динамики стилей, цветов и силуэтов по годам удобнее переводить данные в long-формат, где каждый признак превращается в отдельное наблюдение, что облегчает построение трендовых визуализаций.
Этапы работы
Нейросеть (ChatGPT, модель GPT-5.1 Thinking)
- Выбор темы исследования
- Поиск и загрузка датасета
- Импорт библиотек и подключение Google Drive
- Первичное изучение структуры данных
- Очистка данных
- Переименование колонок
- Создание новых признаков (десятилетие, основной цвет, тип показа)
- Формирование укрупнённых категорий
- Подготовка данных для визуализации
- Настройка единого стиля графиков
- Построение графика № 1 (распределение типов показов по десятилетиям)
- Построение графика № 2 (топ-10 тем коллекций)
- Построение графика № 3 (цветовая палитра десятилетия)
- Построение графика № 4 (динамика количества показов по годам)
- Построение графика № 5 (heatmap: тип показа × паттерны)
- Вычисление статистических показателей Формирование выводов
- Оформление визуального стиля проекта
Промт
Ты — аналитик данных и дизайнер инфографики. Помоги проанализировать датасет показов моды (1988–2024) и мой код на Python (Pandas) в рамках учебного задания по визуализации данных. Проверь корректность анализа, предложи улучшения и выведи ключевые выводы. Оформи проект с единым стилем (цвета и шрифт задаются кодом), построй минимум 4–5 разных графиков, опиши этапы обработки данных и используемые статистические методы. Подготовь краткие тексты для презентации, включая раздел «Описание применения генеративной модели».
Количество коллекций постепенно увеличивалось с конца 1980-х до середины 2010-х, после чего наблюдается резкий подъём и столь же резкие колебания. Пик — около 2017–2018 годов. Эта волатильность последних лет может быть связана с изменением форматов показов, цифровыми презентациями и нестабильностью индустрии после 2020 года.
Загрузка и базовая очистка: import pandas as pd
df = pd.read_csv («collections.csv») df = df.dropna (subset=[«Year», «ShowType»]) # убрала строки без ключевых полей df[«Year»] = df[«Year»].astype (int)
1990-е — Доминирует Ready-to-wear (около 60%). — Couture занимает вторую позицию. — Menswear почти отсутствует.
2000-е — Баланс между Couture, Menswear и Ready-to-wear выравнивается. — Появляется Resort, но пока в малой доле.
2010-е — Резкий рост категории Other (почти 50%). — Все остальные типы распределены равномерно.
Темы связаны с яркой идентичностью, богатством, молодёжностью и классикой. Наиболее востребованы коллекции, которые балансируют между традиционностью (classic, rich) и современной культурой (pop, youth). Тема mob wife отражает медийные тренды и влияние массовой культуры.
2020-е характеризуются минимализмом, урбанистичностью, концентрацией на нейтральных тонах. Чёрный стал универсальным кодом современного силуэта и цифровой эстетики. Такое распределение может отражать влияние стритвира, пост-пандемийных визуальных трендов и ориентацию на универсальность.
— Доминирование чёрного цвета — 74%. — Белый — 14%
Современная мода тяготеет к чистым поверхностям. Это подтверждает доминирование минимализма, отсутствие насыщенной графики и стремление к лаконичной визуальности. Категории Other и Menswear сильнее всего опираются на plain как базовую структуру вещей.
Анализ данных показов 1988–2024 годов показывает, что мода стала удобной вследствие структурных изменений внутри индустрии. В данных заметен рост доли ready-to-wear, city и menswear по сравнению с couture, особенно в 2010–2020-е годы. Эти форматы ориентированы на повседневную носку, мобильность и реальную жизнь, а не на подиумную демонстративность.
Также наблюдается смещение от сложных декоративных паттернов к минимализму и функциональным тканям, что указывает на приоритет комфорта и универсальности. Рост количества показов по годам совпадает с ускорением модных циклов, при которых одежда должна быть адаптивной и практичной.
Кроме того, тематический анализ показывает усиление тем, связанных с телом, работой, урбанизмом и повседневностью. В совокупности данные подтверждают, что удобство в моде стало ответом на изменения форматов показов, темпов индустрии и образа жизни, а не просто стилистическим выбором.
Описание применения генеративной модели
В рамках проекта генеративная модель искусственного интеллекта использовалась как вспомогательный инструмент для консультационной помощи при работе с кодом на Python, структурировании этапов анализа данных и формулировании аналитических выводов на основе визуализаций. ИИ не применялся для создания или изменения исходных данных — все данные были получены из открытого датасета и обработаны автором проекта. В работе использовалась модель ChatGPT (GPT-5.2)от компании OpenAI, доступная по адресу: https://chat.openai.com.
