特朗普对经济一无所获
Mengamati Statistik Pembalap Di Luar 10 Besar Klasemen Akhir 2017(Bagian 1)
热门封锁
AYONI:用于监视,计划和预测分析的综合工具
为什么我开始这个博客
试试Golang! スクレイピング実践
如果软件在吞噬世界,移动就是它的源头。
如果软件在吞噬世界,移动就是它的源头。

毫无疑问,移动设备的快速增长。 但是,这实际上对SaaS公司意味着什么? 让我们从一些背景开始。 2014年,科技界发生了巨大的权力转移。 实际上,根据Gartner及其团队在a16z上所做的研究,个人电脑已经统治了近30年。 然后,个人计算机的年度销售趋势(上述)开始下降。 镇上有一个新球员叫莫比尔…莫比尔赢了。 从那时起,整个移动设备的采用率使PC生态系统相差5倍。以下是同一PC趋势线,年度移动设备销量重叠。 如果这些数据不能使您认真对待移动设备,我不知道会怎样。 这是一个巨大的转变,就像所有主要行业在瓦砾中的转变一样,都是机遇。 移动第一世界中的SaaS优势。 在移动第一世界中,SaaS平台具有自动不公平的优势。 SaaS平台对本地硬件的依赖性最小,这使它们可以在iPhone等移动设备的浏览器中运行,并且可以与Chromebook和Raspberry Pi等瘦客户端技术完美配合。 这意味着SaaS应用程序可以在任何地方访问。 但是,可访问性并不是移动第一世界中SaaS应用程序的唯一优势。 SaaS公司可以通过多种方式利用移动技术来改善用户体验,增强安全性,最重要的是收集用户数据。 移动用户数据的价值。 一个简单的事实是,数据的真正价值在于您如何使用它。 通常,从移动用户收集的数据单元将大大少于从大型计算机上的用户收集的数据单元。 这是因为大多数SaaS应用程序旨在在结构化工作环境中的台式机上使用。 例如在线快速手册,Google DriveBusiness Suite,Atlassian,Hubspot和Salesforce。 在上述平台上从移动设备登录的用户登录将是异常值,但数据价值不菲。 为什么? 让我们看一些示例用例。 投资于移动应用程序 :除非您的业务模型基于移动应用程序,否则创建一个移动应用程序是对资源的巨大投资,并且其中大多数都无法实现预期的目标。 通过证明移动应用程序对用户有价值的假设,从移动设备上的用户收集的数据单元将限制您的风险。 为了证明这一点,请着重于测量移动登录的频率以及通过移动设备访问平台的用户所占的百分比。 如果您发现每天有超过50%的用户每天从移动设备访问的内容超过1倍,则可以肯定,移动应用程序的效果会很好。 使用推送通知 :移动设备为营销开辟了一个全新的世界。 推式通知是您可以使用的最有效和潜在破坏性营销形式之一。 一个简单的事实是,您可以通过手机访问的应用程序发出的推送通知是可以接受的,而您不喜欢的应用程序发出的推送通知是令人讨厌的。 移动数据将让您知道是否以及如何利用这种新的营销形式-为了记录在案,我将SMS包含在推送通知中。 如果移动用户每周访问您的平台,则应考虑使用SMS来利用惊人的开放率。 这样的一个例子是在台式机繁重但又需要移动应用程序(例如构造图)的行业中。 将具有下载链接的SMS发送给在桌面上创建帐户但又将您的应用程序也放置在工作站点上的用户,将对您有利。 功能优先级 :从移动设备访问SaaS平台本质上比在台式计算机上困难。 因此,您捕获的行为分析将告诉您用户无法拥有哪些功能。 您可以使用此数据使最重要的功能翻倍,并专注于将这些功能推给其他用户并养成习惯。 如果数据的真实价值是您如何使用,那么SaaS公司的真实价值就是他们收集的数据质量。 关于作者: 杰西·威廉姆斯(Jesse Williams)是一位年轻的企业家,丈夫,父亲,技术专家和SaaS营销专家。 您可以在 Twitter上 关注他,并在 此处 了解有关他及其项目的更多信息 。

学习时间序列分析(总体而言)—第1部分
学习时间序列分析(总体而言)—第1部分

大家好。 仅有一点背景:我是阳光明媚的新加坡的一名信息系统系学生,受命学习特定项目的时间序列分析。 我对此事毫无背景,因此我认为记录我的学习过程会很有趣。 同样,我不是专业人士,所以我的帖子容易出错。 希望您喜欢阅读它,就像我喜欢学习时间序列一样🙂 第1部分:定义 时间序列是特定变量(例如Sales)的值的有序序列,按有规律的时间间隔排序。 如果您要执行时间序列分析,则最好确保以固定的时间间隔(每天,每月,每年等)对收集的数据进行排序。 否则,请在开始之前进行一些数据清理。 第2部分:使用均值进行预测 预测数据的一种非常幼稚的方法是使用先前数据的平均值来预测未来。 例如: 为了预测未来期间的销售额,我们可以使用均值进行预测。 对于以上数据,预测为: 那么,这些值的准确性如何? 我们使用称为均方误差(MSE)的量度来查看预测的准确性。 通过找到求和平方误差(实际预测值)²,然后求平均值,可以计算出MSE。 此方法将忽略错误的方向(过度预测或预测不足),并严重惩罚较大的错误。 因此,对于以上数据,SSE和MSE将为: 第3部分:缺点 但是,使用均值来预测未来的销售可能很幼稚,因为它无法捕获数据中的趋势。 下图将说明此方法的缺点: 如您所见,“预测”图未遵循“销售”图的总体趋势。 那么,这里到底发生了什么? 第4部分:引擎盖下 在任何位置i处,值y的预测值将为: 这意味着,对于所有实际数据x,实际数据y的任何值都将具有相同的权重(1 / n)。 这意味着有一个基本的假设,即每个数据点在预测未来价值时都同等重要,而并非总是如此(例如,10,000年前的销售额在确定明天的销售额方面与昨天的销售额相比并不重要) 。 所以现在怎么办? 基于这个非常基本的想法,这使我们在时序预测中使用了许多其他技术。 随着我了解更多信息,我将在以后更新更多帖子(呵呵)。 到那时为止,再见!

Jupyter笔记本电脑与nbdime的差异
Jupyter笔记本电脑与nbdime的差异

在代码中比较探索性分析对于我作为数据科学家来说一直是一个难题。 我首先关心的是如何比较未随代码捕获的图形输出。然后,当我开始更多地使用Jupyter笔记本时,我们发现尽管GitHub会很好地展示Jupyter笔记本,就像Markdown文档一样,但它无法显示拉取请求中的差异。 相反,它显示笔记本存储为的json之间的实际差异。 nbdime具有许多有用的功能,尽管有很多文档,但我并不觉得它很直观,并且在Stack Overflow上也很少有关于它的问题。 如果您从命令行牢固地掌握了git,这也将有所帮助,因为我已经习惯于在Emacs中进行git了,所以我仍在继续构建它! 因此,我已经汇编了一份安装和使用的快速指南,因此您不必经历我的痛苦🙂。 安装nbdime pip install nbdime 2.添加Git集成 nbdime config-git --enable --global 3.确保您的master comparison-branch和comparison-branch是最新的。 4.在这里,您有两个选择: 一种) 使用git diff ...从命令行比较特定文件,即: git diff master..feature/comparison-branch -- file-name 第一个参数是要比较的修订版本,以..分隔 第二个参数是要比较的文件,以--分隔修订版 b) 使用nbdiff-web使用笔记本样式差异 nbdiff-web master branch file-a file-b 生成一个Jupyter笔记本,其差异显示为与GitHub diff类似的差异 似乎没有显示仅带有差异的“新”输出 文件a和文件b可能是相同的文件名 nbdiff-web可以为您生成一些不错的比较图,如下所示: 如果要比较两个提交,还可以用短提交日志哈希替换上述两个选项中的branch参数! *更新*:默认情况下, git log仅显示“长”提交日志哈希( 不适用于nb-dime!)。 首先,我在github存储库中搜索所需的提交日志,但随后发现git log --abbrev-commit将显示我们想要的较短哈希值! 仅供参考-我做了仔细检查,看看nbdime Git整合是否转换为magit的diff功能,但不幸的是没有! 在Emacs上的magit中,差异仍然显示为原始json文件的比较。

如何下载您的Facebook数据
如何下载您的Facebook数据

我认识安全行业的很多人,而且我认识很多喜欢Facebook的人。 但是,这些组之间没有太多重叠。 作为这两个团体中的一员,我有点奇怪。 许多安全专家要么总是避开社交网络,要么正在提倡删除社交网络。 我会密切关注安全主题和产品,并且也会小心翼翼地使用Facebook。 我看不到需要删除我的Facebook帐户。 但是,既然Facebook使得下载社交网络有关我的一切变得如此容易,我继续进行该过程。 仔细阅读生成的档案,我遇到了一些惊喜,无论是正面的还是其他的。 多年以来,我就知道在Facebook上,我不是客户,而是产品。 除了朋友以外,我不公开个人资料。 我没有在可见的个人资料中发布过多信息,并且我所显示的并非全部都是真实的。 例如,虽然我确实在大学学习过存在主义,但实际上我并不是一名食堂主义者。 我并没有被“他那条奇特的附属物所感动”。我从来没有疯狂地点击那些看起来很阴暗的链接。 我还维护一个安全套件,该套件会警告危险链接是否超过了我的雷达范围。 我从不玩Facebook游戏; 您会惊讶或震惊于可以收集多少数据的游戏。 我不得不让一位家庭成员保持沉默,因为Farmville的帐户一直让我无法正常玩耍。 众所周知,我尝试过一些愚蠢的测验,但只有那些问您问题的人才能弄清楚,哪个《权力的游戏》角色会杀死您。 那些提供扫描您的Facebook数据并给您结果的测验? 那些是毒药! 我不碰他们。 我从不使用Facebook(或我的电子邮件帐户)登录网站。 这样做会使您的Facebook密码成为单点故障。 一键曝光,您的所有帐户都可以免费使用。 相反,我使用密码管理器为每个站点创建强大的唯一密码。 但是,仅靠自己是不够的。 我朋友的草率安全性可能会使我的某些信息公开。 因此,我收紧了设置,以防止Facebook共享我的数据。 我全力以赴,选择完全禁用共享平台的选项。 Facebook提供了严厉的警告,警告这样做可能会禁用我的应用程序,并阻止我使用我的Facebook凭据登录。 我微笑着继续前进。 现在我很好,对吗? 也许。 如今,轻松下载Facebook拥有的所有数据的存档。 (至少,他们说这就是一切……)嗯,这很容易。 您必须执行几个步骤,以防止其他人窃取您的档案。 这是我的操作方式,以及如何获取自己的存档。 登录Facebook,单击右上角的向下三角形图标,然后选择“设置”。 在“常规设置”页面上,单击最后一项,即链接,以下载数据的副本。 Facebook警告说,收集数据可能需要一段时间。 单击开始我的档案。 在下一页上,再次单击“启动我的存档”,然后等待完成的通知。 下载您的Facebook档案。 请注意,在此过程中,您必须提供两次Facebook密码,因为这是敏感信息。 Facebook还警告您应该保护下载的数据,因为其中包含敏感内容。 最好的选择是在不积极研究数据时对数据进行加密。 解压缩下载的归档文件后,您将找到一个包含INDEX.HTM文件的文件夹以及一个名为html,消息,照片和视频的文件夹。 现在忽略文件夹; 只需启动INDEX.HTM并开始探索。 您从“个人资料”页面开始,获取有关您和您的Facebook帐户的一般信息。 这包括您开始使用Facebook的确切时间(在我的情况下,太平洋标准时间为2007年6月28日(星期四)上午8:15),以及您的住址(如果输入的话),生日,性别,家乡等等。 它不会区分公开细节和您已设为私有的细节。 我的档案还列出了我确定为家庭成员的每个人,全部都是三打。 家庭关系是让我留在Facebook上的重要原因。 我喜欢的音乐,书籍,电影,餐厅和网站列表很短; […]

Facebook如何使人际交流扁平化-精选故事
Facebook如何使人际交流扁平化-精选故事

“由于您语无伦次,又不愿说话, 在愚蠢的意义上彰显您的思想。”-莎士比亚,《亨利六世》 ,第1部分 “对于千禧一代,我感到非常难过。 天哪,他们只是将他们的宇宙以标签的形式交给了他们。” —奥特莎·莫什费 在线服务鼓励的原始用户反馈是功能,而不是错误。 与从原始文本中解析出含义相比,使计算机从“喜欢”或“⭐⭐⭐⭐⭐”中变得有意义要容易得多。 Yelp的用户评论是吸引顾客的必不可少的一部分,但Yelp不可能没有星级,这可以方便地进行分类,过滤和历史分析(例如,跟踪餐厅是否变差) )。 这就是我所说的… 互联网数据第一定律 在任何计算上下文中,显式结构化的数据都会浮动到顶部。 “明确结构化”数据是任何带有类别,量化和/或排名的数据。 此数据是独立的,不需要使用任何更大的上下文。 在结构化且可量化的上下文中存在的数据-DSM,信用记录, 龙与地下城 ,金融交易,亚马逊产品类别或Facebook个人资料-对于算法以及使用该算法的人员和公司来说将变得更加有用和重要。这些算法,而不是非结构化数据,例如人类语言中的文本,图像和视频。 由于很少有明确量化的数据,因此在Internet的早期模糊了该定律。 显式量化的元数据 (例如链接图)被Google如此丰厚地利用,强调了算法倾向于使用显式量化的数据。 换句话说, 互联网的早期是一种畸变 。 回想起来,早期的互联网是显式量化过程的无代表意义的开端 ,此后随着诸如Facebook,Snapchat,Instagram和Twitter之类的社交媒体平台的出现,这些都是新规范的一部分。 这也包括亚马逊,eBay和其他处理明确量化数据的公司。 Web 2.0本身与社交无关。 相反,它是关于社会的分类 ,更笼统地说是生活的分类。 Google清理了所有可以从非结构化数据中清除的内容。 网络的成熟需要更加明确组织的内容,这些内容可以更容易地由计算机进行分析。 大规模执行此操作的最佳方法是雇用用户来创建该数据。 明确量化的数据要求对数据进行标记和分类,然后才能对其进行排序和排序。 诸如美国国会图书馆这样的档案馆项目本身并不是对书籍进行分类。 它正在开发总体分类,该分类确定了书籍应遵循的顺序。没有分类,就没有排序。 当机器学习处于“无监督”状态时,即没有预先存在的分类框架时,甚至机器学习的情况也会更糟。 互联网数据第二定律 对于任何数据集,分类比被分类的更为重要。 数据分析的结论和影响更多地来自收集数据的分类,而不是数据本身。 当Facebook将人们归为“喝啤酒的人”或“时尚爱好者”之类的某个类别时,统一该组中的人们的本质没有什么本质特征。 就像Google的秘密食谱一样,Facebook的分类也没有任何秘密。 归纳起来,恰好是触发类别检测器的所有单个因素的混合物。 无论是什么原因导致Facebook决定我具有非裔美国人的“种族亲和力”(这是我的Sun Ra记录吗?),但这并不是什么显然会导致人类决定我具有这种亲和力。 相反,重要的是存在这样一个类别 ,因为它决定了将来我的待遇。 类别的名称 -无论是“非裔美国人”,“少数民族”,“非裔”还是“黑人”,比该类别的标准更为重要。 Facebook对于这些类别的学习标准将有很大的重叠,但是最终的分类在每种情况下具有截然不同的含义。 但是模糊了标准之间的区别。 我们从来没有看到这些标准,而且很多时候这个标准是任意的或完全错误的。 分类的选择比分类的执行方式更为重要。 一篇文章的书面评论并没有给Facebook带来太多帮助。 […]

“十年挑战”如何影响您-我们的解决方案
“十年挑战”如何影响您-我们的解决方案

尊敬的互联网用户: Facebook否认它正在从互联网的最新热潮“十年挑战”中收集您的面部图像数据。 但是问题仍然存在-谁是? 解决方案:保护脸部 麦吉尔大学(McGill University)和MILA的FaceShield创始人兼博士研究生Joey Bose,以及他在多伦多大学的硕士生导师Parham Aarabi,创建了一个免费的专有解决方案来阻止面部检测。 FaceShield的使命是使您能够保护自己的在线隐私。 这款类似于Instagram的照片滤镜可防止面部识别算法识别照片中的脸部。 怎么运行的: 将您的照片上传到网站(www.faceshield.ai)。 从强度不同(微妙,中等或强烈)的三个可用“隐私照片滤镜”中选择一个。 收到经过处理的照片,以防止某些面部识别算法在照片中识别出您的脸部。 人眼可以注意到当前的三个照片滤镜,以强调产品的工作原理-存在一个滤镜并将其覆盖在照片上。 但是,我们今年在2019年推出的最终产品将是透明的。 目的是使您处理过的照片看起来与原始照片相同。 当然,最重要的是,作为一家促进隐私的公司,我们不会保留您的任何照片。 因此,下一步将是: 4.将受保护的照片上传到您喜欢的社交媒体平台。 FaceShield技术的工作原理 该原型软件通过允许两种AI算法相互竞争来工作。 第一种算法通过将面部照片与存储在数据库中的一组已知的拍摄面部进行匹配来识别面部。 第二种算法通过对面部检测器自然识别的照片的公共区域(包括眼睛,鼻子或下巴)中的几个像素进行微妙的更改,找到了挫败面部识别算法的方法。 关于这两种算法,帕拉姆说:“当他们两个训练时,他们俩都将更好地完成预期的任务。” 软件的局限性 该软件的局限性在于,面部识别工程师无法研究FaceShield如何挫败其软件,然后才发明出抵消FaceShield产生的数字噪声的方法。 Joey承认这场军备竞赛将是无止境的,但他认为面部识别软件公司将需要很长时间来对Faceshield的功能进行反向工程,并将升级分配给他们的软件。 “实际上,随着越来越多的防御措施的发布,该软件将需要在每个主要的机器学习会议周期中进行更新,” Joey说。 如何革新隐私 这种面部检测阻止器是世界上第一个此类阻止器,我们希望照片过滤器对每个人都可用且有用。 因此,我们需要您的帮助来彻底改变隐私。 在准备发布时,我们想知道您想在哪里以及如何保护您的隐私。 在哪个网站上? 社交平台? 您面临什么隐私问题? 我们很乐意谈论。 请在info@faceshield.ai上打个招呼。 同时,请随时尝试演示。 我们期待着聊天。 亲切的问候, FaceShield团队

向我们展示数据
向我们展示数据

在计算机科学教育中跟踪K-12参与数据以通过有效的公共政策弥合性别差距的重要性 技术上的性别差距并不是什么新鲜事。 有无数的研究和文章表明,技术行业在各个层面上的多样性都在减少,并且渠道无法跟上行业中对新员工的需求。 为了缩小工人之间的差距,各州以前所未有的速度扩展了K-12学校的计算机科学。 有33个州通过了扩大K-12学校中的计算机科学课程的政策,希望引起对该国发展最快的领域之一的兴趣,并在自己的州建立一支技术队伍。 但是这些政策在缩小性别差距,创造更公平的技术未来方面正在做什么? 事实是我们不知道 。 没有人真正知道我们的计算机科学教室的样子,因为随着各州访问范围的扩大,它们还没有跟踪女孩和其他代表性不足的群体的参与情况。 有一些政策规定所有高中都必须提供计算机科学课程,并且有数百万美元的资金可用于扩大学校教授计算机科学的能力,但是,各州还不知道这些政策是否正在扩大技术范围以使人们包括在内目前被排除在外。 这就是为什么《守则女孩》要求每个州都要求学区报告正在教授什么计算机科学课程,更重要的是,谁在学习这些课程。 我们知道,性别差距并不是计算机科学中存在的唯一差距。 制定有效的公共政策来掀起不断上涨的潮流,这意味着我们必须能够衡量它们的成功-数据跟踪是确保计算机科学界所有人平等的第一步。 华盛顿州最近推出了一项法案,要求各地区跟踪参与数据(条例草案:SB 5574 / HB 1577),这是朝着缩小差距迈出的一大步。 该法案要求该州对他们的计算机科学教室有完整的了解,从谁带他们去教谁,以及什么学校甚至提供计算机科学课程。 这是确保随着访问量的扩展而扩展的一种关键的第一步,这种方式可以为所有学生提供服务。 衡量的事物得到管理,您无法更改看不到的内容。 在我们的学校中,有大量的数据可以衡量-纪律,成就,出勤率,毕业率- 只有通过这些数据,我们才能够发现差距,并提出干预措施以弥补差距。 知道计算机科学工作和高等教育中存在巨大的公平差距,我们必须确保我们的学校在扩展计算机科学时不会永久保留这些差距。 利用数据揭示差距是迈向制定政策和干预措施的第一步,该政策和干预措施将有效地消除性别差距并使女孩进入计算机科学课堂的前列。

“全球变暖是我们不关心的。” 如何改变呢?
“全球变暖是我们不关心的。” 如何改变呢?

最近,我在听Dave Gardner和Dan Ariely之间的对话 。 阿里(Ariely)是一位行为经济学家,他在讲述人们对气候变化的看法。 全球变暖是我们不关心的 据阿里里(Ariely)所说:“全球变暖是我们不需照顾的”:气候变化的后果只会长期存在,不确定所有人是否会发生气候变化,其他人会感到气候变化的后果首先是气候变化,我们认为我们采取的行动不会对解决问题产生影响。 如何使人们关心? 现在我们知道了人们不关心气候变化的原因。 我们可以利用这些知识来使人们得到照顾吗? 大概。 在Ariely的回答中,我主要看到的问题是全球变暖并不是对人类的直接威胁。 他们可以对问题视而不见,而不必理会。 那是因为全球变暖对我们人类而言是无形的。 因此,我们必须使问题显而易见。 当我意识到这一点时,我想起了几年前看过的一段视频: 可视化二氧化碳排放量 我认为它发出了非常有力的信息。 但是人们只会看一次该视频,而在10分钟后就忘记了。 那么如何使可视化更持久呢? 我们是否应该在所有汽车的燃料中添加某种化学物质,使所排放的CO2产生某种颜色? 我们是否应该在汽车的仪表板上添加一个二氧化碳计数器,以便我们看到我们的行动的直接影响? 还是我们应该制作VR / AR应用程序来显示我们在城市中漫步时排放的二氧化碳量? 你怎么看? 我们如何使所有人都看到全球变暖? 让我们在评论中知道。

优质葡萄酒从美国哪里来?
优质葡萄酒从美国哪里来?

美国在1976年的《巴黎审判》(Judgment of Paris)迫使自己进入了葡萄酒界的视野。但是,尽管在1970年代,加利福尼亚是该节目的主角,但现在有数十个其他州试图进入葡萄酒界,其中有几个州特别是非常成功。 我们很好奇:在加利福尼亚以外,优质葡萄酒来自哪里? 定义优质的葡萄酒。 酿造葡萄酒和酿造好葡萄酒是有区别的。 我们想了解优质葡萄酒的来源,因此我们取消了著名的葡萄酒奖项来源:《科学纪事》。 SF Chronicle举办每年一度的北美葡萄酒大赛,成千上万的酿酒厂将其葡萄酒提交美国各地(甚至来自墨西哥和加拿大的葡萄酒)进行审查。 但是,由于这些葡萄酒是由酿酒师提交的,因此存在选择偏见的风险。 解释州,地区,子地区和AVA。 首先,我们想分享一些背景知识,以便进行此分析,以便了解法律的不同大小和公认的葡萄酒地理定义之间的细目。 当然,葡萄酒可以在美国不同的州(即加利福尼亚州)种植。 在一个州内,有一些知名的增长地区,通常会表现出类似的葡萄酒风格,我们称这些地区(即加利福尼亚北海岸)。 在区域内,还有子区域,这往往是我们熟悉并在酒标上看到的区域(即纳帕和索诺玛)。 在美国,合法的最特别的葡萄酒产区是AVA(美国葡萄种植区),而这些葡萄酒可以变得非常特别(例如纳帕谷和卢瑟福)。 在此最重要的是要知道,葡萄酒通常会贴上法律上可以声明的最具体的地理标签,因为这样往往会卖得更好。 从法律上说,葡萄酒必须拥有该地区85%的葡萄才能拥有。 因此,如果您看到的是“纳帕”而不是“纳帕谷”,则应将其解释为来自纳帕分区区域内的更广阔的地理区域。 优质葡萄酒从何而来? 加州占了大部分蛋糕,SF Chronicle竞赛中72%的获奖葡萄酒来自加利福尼亚,接下来的州是俄勒冈州:12%,华盛顿州:6%,德克萨斯州:3%,纽约州:2% 。 这尤其令人惊讶,因为许多人在想到葡萄酒时都不会想到西海岸。 实际上,在50个州中,有20个州在2019年生产了获奖葡萄酒。 随着时间的流逝,这种变化如何? 有没有哪个葡萄酒州的发展速度比其他州快? 同样,尽管加利福尼亚为美国大多数获奖葡萄酒做出了贡献,但我们看到俄勒冈州等其他州在过去5年中所占份额不断增加。 这表明在美国生产优质葡萄酒的州的多样性不断增加的总体趋势。 增长最快的地区是德克萨斯州,从2014年到2019年增长了2倍。在同一时期,纽约州下降了50%,加利福尼亚州下降了6%。 加州葡萄酒不仅限于纳帕葡萄酒吗? 按次区域细分加州获奖葡萄酒,我们看到纳帕仅占获奖葡萄酒的15–20%。 领先的7个子区域(按顺序)是:索诺玛,纳帕,帕索罗布尔斯,洛迪,塞拉利昂山麓丘陵,旧金山湾和门多西诺。 我们看到这些地区对加州获奖葡萄酒的相对贡献多年来没有变化,没有明显趋势。 是否想尝试来自不同州的优质葡萄酒? 寻找这些顶级的AVA。 那么我们从中得出什么结论呢? 屡获殊荣的葡萄酒在美国各地的来源越来越多样化,包括德克萨斯州等一些令人惊讶的州。 当我们想到顶级葡萄酒时,我们会很快想到加利福尼亚,尤其是纳帕。 但是,这一分析表明,美国葡萄酒界的现状不仅仅如此。 因此,如果您希望在美国的葡萄酒饮用中更具冒险精神,可以考虑检查一些来自Paso Robles,Texas High Plains或Willcox的葡萄酒。 您可以访问http://winejudging.com/medal-winners/了解特定的获奖者。 数据源和代码: https : //data.world/rdowns26/sf-chronicle-wine-competition-results