数据可视化 | 五常纸面实力历年变化与对比

Posted 2022-03-07 Charles的皮卡丘

导

语

最近的热搜让我对五常的纸面实力产生了好奇，想必这也是很多人心中好奇的一个点，于是去网上找了些数据，想可视化对比一下五常的GDP，军费支出，科研支出等等数据。本文只进行客观的数据可视化，不会进行主观分析，毕竟数据是死的，人是活的。废话不多说，让我们愉快地开始吧~

完整源代码和数据可以关注微信公众号"Charles的皮卡丘"，公众号内回复"五常纸面实力对比"获取。

G

D

P

对

比

五常历年的GDP变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

G

D

P

单

位

能

源

消

耗

对

比

五常历年的GDP单位能源消耗变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

人

均

G

D

P

对

比

五常历年的人均GDP变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

最

高

10%

占

有

收

入

份

额

对

比

五常历年的最高10%占有收入份额变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

军

费

对

比

五常历年的军费变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

人

口

对

比

五常历年的人口变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

人

口

超

过

100

万

的

城

市

群

中

的

人

口

对

比

五常历年的人口超过100万的城市群中的人口变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

科技期刊文章对

比

五常历年的科技期刊文章变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

基

尼

系

数

对

比

五常历年的基尼系数变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

二

氧

化

碳

排

放

量

对

比

五常历年的二氧化碳排放量变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

耗电量对

比

五常历年的耗电量变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

汽油的市场价格对

比

五常历年的汽油的市场价格变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

研究人员数量对

比

五常历年的研究人员数量变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

国际旅游入境人数对

比

五常历年的国际旅游入境人数变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

可再生能源发电量对

比

五常历年的可再生能源发电量(不包括水电)变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

森林面积

对

比

五常历年的森林面积变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

外债总额存量对

比

五常历年的外债总额存量变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

移

民

对

比

五常历年的移民变化与对比如下所示(小于0的按0处理)：

加上印度日本德国这些国家之后的对比结果如下所示：

总储备对

比

五常历年的总储备(包括黄金)变化与对比如下所示：

加上印度日本德国这些国家之后的对比结果如下所示：

更多

代码截止2022-03-02测试无误。

本人知乎账号：

白露未晞me，主页：https://www.zhihu.com/people/charles_pikachu

B站账号：

白露未晞me，主页：https://space.bilibili.com/406756145

想加入微信公众号交流群的，后台回复“交流群”即可。

 

微信公众号：

Charles的皮卡丘

哈哈哈哈哈

长按二维码关注

数据可视化分析历年电影票房（数据读取过滤分类绘图）

本次案例主要用到numpy,pandas和matplotlib。期中pandas中的groupby分组方法较为重要，matplotlib中可以对画图进行更详细的设置，比如设置x、y轴刻度、折线宽度和样式以及颜色等等。

如图部分所示，这是一个关于对历年电影的数据，期中包括电影名称，年份、导演、票房收入等等。

 

（1）读取文件、处理缺省值

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import matplotlib
 #读取数据
data = pd.read_csv(‘movie_metadata.csv‘)
print(data.head())#读取数据前五行
print(data.shape)#打印数据的形状
效果如图所示，可以看到第4行有出现一些空值，这对我们做分局分析是不利的，接下来还需对数据中的空值做处理，清洗。：

#处理缺省值,把一些空值进行滤除
data = data.dropna(how = ‘any‘)
print(data.head())         

（2）统计、分组

#查看票房收入统计
group_director= data.groupby(‘director_name‘)[‘gross‘].sum()#根据director_name进行分组，然后求gross列的和

#print(group_director.head())

#排列
result = group_director.sort_values(ascending=False)#按照降序方法进行排列
print(result)
#sort_values函数参数使用：
#ascending    是否按指定列的数组升序排列，默认为True，即升序排列
#inplace    是否用排序后的数据集替换原来的数据，默认为False，即不替换

效果如下，途中可以看出票房收入最高的是“Steven Spielberg（史蒂文·斯皮尔伯格）”，总的票房输入是4.114233e+09。

（3）

#电影产量年份图
movie_year = data.groupby(‘title_year‘)[‘movie_title‘].count() #计算每年的电影产量
#print(movie_year.index.tolist())
#print(movie_year.values.tolist())

#为x、y坐标赋值
x = (movie_year.index.tolist()) #把index索引值拿出来作为x轴，也就是年份，以列表形式输出。
y = movie_year.values.tolist()#把values值作为y轴，也就是每年的电影量的和。

#设置画布格式
#plt.xticks(range(len(x),10))
plt.figure(figsize=(20,8),dpi = 80) #设置画布大小为20，8，分析率为80.
my_font=matplotlib.font_manager.FontProperties(fname=r‘C:WindowsFontssimsun.ttc‘,size = 18)#设置字体

#设置坐标轴标签
plt.xlabel(‘时间‘,fontproperties = my_font) #设置x轴标签
plt.ylabel(‘电影量‘,fontproperties = my_font)#设置y轴标签
plt.title(‘电影产量年份图‘,fontproperties = my_font,color = ‘red‘)#设置标题名称
#绘制折线图
plt.plot(x,y)
plt.show()

具体效果如下，

转载于https://blog.csdn.net/sl01224318/article/details/102244890?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-4