Анализ личного фотоархива

В рамках данного проекта я проанализировала свои фотографии за поездку августа 2024 года. Я люблю путешествовать и запечатлять воспоминания. В моем арсенале есть несколько девайсов, которые помогают мне в этом. Фотографии внесены в датасет и были проанализированы по нескольким параметрам: время съемки, как наполнялся мой архив, каким девайсом я больше всего пользовалась.

Я использовала столбчатую, линейную, виолончель и круговую диаграммы. Столбчатая наглядно может показать, в какой час суток я фотографировала больше всего. Линейная хороша для представления заполнения моего архива. Виолончель демонстрирует качество создаваемых фотографий. Круговая показывает процентное соотношение фотографий всех устройств.

Я выбрала эту тему, чтобы глубже изучить себя, свои привычки в фотографии. Также может быть для многих это станет интересным наблюдением для остальных, и кто-то захочет сделать так же.

Цветовое решение взято из исследуемых фотографий. Голубой — отсылка к морю, а охристый — к песку. А также вставлены несколько самих фотографий.

У меня есть папка с моим архивом фотографиями, и я написала программу, которая спрашивает и выдает диалоговое окно с просьбой указать, где содержатся эти фотографии.

Pandas использовался для обработки исходных данных. kinter — это вызов askopenfiles для выбора исходного csv-файла Matplotlib, seaborn нужен был для создания диаграмм.

В этой программе читаем выбранный пользователем csv-файл, который содержит список фотографий из указанной ранее папки. На основе этого подготавливаем данные и строим графики, которые показывают параметры девайсов.

Выбор файла исходных данных fnCsv = filedialog.askopenfiles (title="Выбор файла», initialdir=os.getcwd (), defaultextension="csv», initialfile=»*.csv»)

Чтение, сортировка данных. df = pd.read_csv (fnCsv[0].name, sep='; ', parse_dates=['createDate', 'createTime'], dayfirst=True, index_col=2)

Инициализация дополонительных полей countPhoto = len (df.values) sizePhoto = 0 df['hour'] = df['createTime'].dt.hour df['jpgSizeMb'] = df['jpgSize']/1048576 df[«countPhoto»] = 1

Создание дополнительных таблиц с группировкой и сортировкой данных sizeByDate = df.groupby («createDate»)[«jpgSizeMb»].sum () for i in range (len (sizeByDate.values)): sizePhoto = sizePhoto + sizeByDate.values[i] if i > 0: sizeByDate.values[i] = sizeByDate.values[i] + sizeByDate.values[i-1]

sizeByDeviceCount = df.groupby («deviceName»)[«countPhoto»].sum ()
sizeByDeviceSize = df.groupby («deviceName»)[«jpgSize»].sum ()

Создаёт график в указанных координатах: ax = plt.subplot2grid (……. Устанавливает название графика: ax.set_title (…. Подписи и формат данных под осями координат: ax.set_xlabel (…. ax.set_ylabel (…. ax.xaxis.set_major_locator (….

С помощью программы и созданного кода выяснилось, что 10 часов утра — самое популярное время для съёмки (свыше 500 штук), а в ночные часы — ни одного кадра.

Это линейный график, показывающий как рос мой объём фотографий. Интересно заметить, максимальный рост был, когда я поехала на экскурсию с 1500 Мб до 5500 Мб.

Самые качественные и объёмные фотографии были сделаны Canon EOS600 и Samsung SM-G9880, где большинство фото имело размер 6…8 Мегабайт (в пике достигая значений 12Мб). Хуже GoPro, где среднее значение колеблется около 2,5 Мб. Менее всего Sony FDR-AX700 — около 1 Мб.

Было сделано два круговых графика, которые логически связаны друг с другом. Первый показывает количество фото в процентах и их абсолютное количество. Другая диаграмма демонстрирует то же самое, что и первая, но с объемом. Наблюдается, что Sony, занимает 4,2% в отношении абсолютного количества, но если смотреть в МГ, то фотографии с этого устройства занимают ничтожно маленькое количества (0.3%).

https://disk.yandex.ru/d/RICyJcKHD_E8Yg