Почему мода стала удобной?
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)
1. Выбор темы исследования 2. Поиск и загрузка датасета 3. Импорт библиотек и подключение Google Drive 4. Первичное изучение структуры данных 5. Очистка данных 6. Переименование колонок 7. Создание новых признаков (десятилетие, основной цвет, тип показа) 8. Формирование укрупнённых категорий 9. Подготовка данных для визуализации 10. Настройка единого стиля графиков 11. Построение графика № 1 (распределение типов показов по десятилетиям) 12. Построение графика № 2 (топ-10 тем коллекций) 13. Построение графика № 3 (цветовая палитра десятилетия) 14. Построение графика № 4 (динамика количества показов по годам) 15. Построение графика № 5 (heatmap: тип показа × паттерны) 16. Вычисление статистических показателей Формирование выводов 17. 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.
