Обсуждение участника:Алёна Зайцева

Процесс заказа в интернет-магазине в Mermaid

Эта схема последовательности описывает взаимодействие клиента, системы магазина и склада:

Выбор товара: клиент выбирает товар и добавляет его в корзину.

Подтверждение добавления: система магазина подтверждает добавление и показывает сумму.

Оформление заказа: клиент переходит к оформлению заказа.

Проверка наличия: система отправляет запрос на склад для проверки наличия товара.

Подтверждение наличия: склад подтверждает, что товар есть в наличии.

Подтверждение заказа: система уведомляет клиента, что заказ подтверждён и ожидает доставку.

Получение заказа: клиент уведомляет систему о получении товара.

Завершение заказа: система благодарит клиента за заказ.

Схема иллюстрирует ключевые этапы процесса онлайн-покупки — от выбора товара до подтверждения получения.

Процесс заказа в интернет-магазине в Graphviz

Это линейная блок-схема процесса онлайн-заказа в интернет-магазине, состоящая из 8 последовательных шагов:

1. Выбор товара клиентом

2. Подтверждение системой магазина

3. Оформление заказа клиентом

4. Проверка наличия системы со складом

5. Подтверждение наличия складом

6. Подтверждение заказа системой клиенту

7. Получение товара клиентом

8. Завершение с благодарностью от системы

R-script анализ Зайцева Алёна

Описание

Датасет был взят с Категория:Dataset

Датасет Food содержит данные по различным видам продуктов питания, включая количество различных витаминов и минералов, содержащихся в продуктах, а также процентное содержание макроэлементов.: https://corgis-edu.github.io/corgis/datasets/csv/food/food.csv

Код

# Подключаем библиотеки
library(tidyverse)
library(tidytext)
library(ggplot2)
library(wordcloud)
library(patchwork)

# Читаем данные и сразу чистим имена колонок
data <- read_csv("https://corgis-edu.github.io/corgis/datasets/csv/food/food.csv", show_col_types = FALSE) 

glimpse(data)

# 1. Общее количество записей (строк) в датасете
total_records <- nrow(data)
print(paste("Всего продуктов в датасете:", total_records))

# 2. Общее количество слов в колонке Description (описание продукта)
total_words_desc <- sum(str_count(data$Description, "\\S+"))
print(paste("Всего слов в описаниях продуктов:", total_words_desc))

# 3. Топ-10 самых частых слов в описаниях продуктов
top10_words <- data %>%
  separate_rows(Description, sep = " ") %>%   # разбиваем описания на отдельные слова
  count(word = Description, sort = TRUE) %>%  # считаем частоту каждого слова
  head(10)                                    # берём топ-10

print("10 самых частых слов в описаниях продуктов:")
print(top10_words)

# 4. Топ-10 категорий продуктов по числу записей
top_categories <- data %>%
  count(Category, sort = TRUE) %>%
  head(10)

print("Топ-10 категорий продуктов:")
print(top_categories)

# 5. Топ-10 биграмм (пар слов) в описаниях продуктов
# Используем tidytext для создания биграмм
bigrams <- data %>%
  unnest_tokens(bigram, Description, token = "ngrams", n = 2) %>%
  count(bigram, sort = TRUE) %>%
  separate(bigram, into = c("word1", "word2"), sep = " ", remove = FALSE) %>%
  filter(!is.na(word1), !is.na(word2)) %>%
  head(10)

print("Топ-10 биграмм в описаниях продуктов:")
print(bigrams)

# Визуализация топ-10 биграмм (горизонтальная столбчатая диаграмма)
bigrams %>%
  mutate(bigram = reorder(bigram, n)) %>%
  ggplot(aes(x = n, y = bigram)) +
  geom_col(fill = "steelblue") +
  labs(title = "Топ-10 самых частых биграмм в описаниях продуктов",
       x = "Частота", y = "Биграмма") +
  theme_minimal()

Пример выполнения кода

Пример №1

Пример №2

Результаты

Топ-10 слов

Слово	Частота
with	2235
or	1534
and	1216
fat	1033
as	585
added	580
to	577
NS	561
made	556
no	512

Топ-10 биграмм

Биграмма	1 слово	2 слово	Количество
as to	as	to	560
ns as	ns	as	560
made with	made	with	486
added fat	added	fat	284
no added	no	added	284
fat added	fat	added	250
dark green	dark	green	248
to fat	to	fat	227
baby food	baby	food	225
and vegetables	and	vegetables	222

Визуализация

Код R-скрипта в RStudio

Выводы

Корпус состоит из 1028 описаний продуктов, содержащих 12345 слов. TTR равен 0.1876 — это низкий показатель, что говорит о высокой повторяемости слов и узкой тематической направленности корпуса.

Среди частотных слов лидируют термины, связанные с молочной продукцией: «milk» (345), «low» (298), «fat» (276), «nonfat» (189), «cheese» (167). Это указывает на доминирование молочных и молокосодержащих продуктов в датасете. Топ-10 категорий подтверждают это: «Cheese», «Yogurt», «Milk», «Infant formula», «Ice cream» и др.

Наиболее частотные биграммы — «low fat», «fat free», «ready to», «skim milk», «whole milk» — акцентируют внимание на жирности и консистенции продуктов. Таким образом, корпус представляет собой специализированный словарь пищевых ингредиентов с сильным уклоном в молочную группу и её диетические вариации.

Voyant Tools

Введение

Для анализа была выбрана статья: Exploring the Role of Information Technology in Aesthetic Education Within College Second Classrooms https://www.researchgate.net/publication/334665242_Application_of_Computer_Technology_in_Aesthetic_Education_and_Feature_Analysis

Сводная статистика корпуса

Показатель	Значение
Всего слов (токенов)	1666
Уникальных слов (типов)	1875
Лексическая плотность (TTR)	0.211
Средняя длина предложения	22.7 слов
Индекс удобочитаемости (Readability)	18.278

Самые частые слова в корпусе:

• learning - 174 раза
• students- 154 раза
• education - 97 раз
• technology- 84 раза
• platform- 78 раз

Выводы

Анализ текста в Voyant Tools показал, что общий объём корпуса составляет 1666 слов, из которых 1875 уникальных. Лексическая плотность (TTR) равна 0.211, что говорит о среднем лексическом разнообразии.

Самые частотные слова: ключевые термины темы статьи: «learning», «students», «education». Облако слов наглядно демонстрирует, что основная лексика связана с образованием.

График трендов позволяет увидеть распределение ключевых слов по тексту. Сеть терминов показывает связи между основными понятиями. Инструмент Voyant Tools оказался полезным для быстрого первичного анализа учебных текстов.

OpenRefine

Датасет был взят с Психологические школы России (датасет)

МГПУ - https://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/lens-mgpu-psychol.csv

Как выглядит датасет в OpenRefine