这款 Python 工具进行数据分析及数据可视化真的很棒啊

最新推荐文章于 2024-08-13 18:29:56 发布

Python数据开发

最新推荐文章于 2024-08-13 18:29:56 发布

阅读量2.6k

点赞数 1

分类专栏：学习笔记文章标签： python 信息可视化数据分析

本文链接：https://blog.csdn.net/m0_59596937/article/details/129328894

版权

学习笔记专栏收录该内容

174 篇文章 59 订阅

订阅专栏

前言

大家好，今天我们以全国各地区衣食住行消费数据为例，来分析2022年中国统计年鉴数据，统计全国各地人民的消费地图，看看：

哪个省份的人最能花钱
哪个省份的人最舍得花钱
哪个省份的人最抠门
全国各地区人民在吃、穿、住、行方面的消费习惯
…
希望对小伙伴们有所帮助，如有疑问或者需要改进的地方可以在评论区留言。

本文涉及到的库：
Pandas — 数据处理
Pyecharts — 数据可视化

可视化部分：
柱状图 — Bar
地图 — Map
组合图 — Grid

技术提升

技术要学会分享、交流，不建议闭门造车。一个人走的很快、一堆人可以走的更远。

本文来自技术群粉丝的分享、推荐，资料、代码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时切记的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。

方式①、添加微信号：pythoner666，备注：来自 CSDN + 可视化
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群

1. 导入模块

import pandas as pd
from pyecharts.charts import Bar
from pyecharts.charts import Map
from pyecharts.charts import Grid
from pyecharts import options as opts
from pyecharts.globals import SymbolType
from pyecharts.commons.utils import JsCode

2.Pandas数据处理

2.1 读取数据

df = pd.read_csv('/home/mw/input/202302048885/居民人均消费支出.txt',sep=' ')
df

地区	人均可支配收入	消费支出	食品烟酒	衣着	居住	生活用品及服务	交通通信	教育文化娱乐	医疗保健	其他用品及服务	Unnamed: 11
0	全国	32188.8	21209.9	6397.3	1238.4	5215.3	1259.5	2761.8	2032.2	1843.1	462.2	NaN
1	北京	69433.5	38903.3	8373.9	1803.5	15710.5	2145.8	3789.5	2766.0	3513.3	800.7	NaN
2	天津	43854.1	28461.4	8516.0	1711.8	7035.3	1669.4	3778.7	2253.7	2646.0	850.5	NaN
3	河北	27135.9	18037.0	4992.5	1249.7	4394.5	1171.2	2356.9	1799.1	1692.0	381.2	NaN
4	山西	25213.7	15732.7	4362.4	1235.8	3460.4	863.9	1980.9	1608.4	1854.0	366.9	NaN
5	内蒙古	31497.3	19794.5	5686.1	1568.3	4148.6	1119.2	3099.2	1835.9	1891.5	445.8	NaN
6	辽宁	32738.3	20672.1	6110.1	1378.2	4473.8	1091.8	2660.0	1950.8	2303.2	704.1	NaN
7	吉林	25751.0	17317.7	5021.6	1293.9	3448.2	906.7	2386.0	1742.0	2031.2	488.1	NaN
8	黑龙江	24902.0	17056.4	5287.2	1300.6	3450.7	895.4	2122.2	1602.9	2023.2	374.4	NaN
9	上海	72232.4	42536.3	11224.7	1694.0	15247.3	2091.2	4557.5	3662.9	3033.4	1025.3	NaN
10	江苏	43390.4	26225.1	7258.4	1450.5	7505.9	1523.0	3588.8	2298.2	2018.6	581.8	NaN
11	浙江	52397.4	31294.7	8922.1	1703.2	9009.1	1789.3	4301.2	2889.4	1955.9	724.4	NaN
12	安徽	28103.2	18877.3	6280.4	1210.4	4375.9	1108.4	2172.1	1855.3	1548.0	326.8	NaN
13	福建	37202.4	25125.8	8385.1	1182.4	7304.8	1274.8	2972.0	1895.9	1583.2	527.5	NaN
14	江西	28016.5	17955.3	5780.6	987.2	4454.9	966.5	2146.4	1879.0	1437.3	303.3	NaN
15	山东	32885.7	20940.1	5757.3	1438.0	4437.0	1571.0	3004.1	2373.7	1914.0	444.8	NaN
16	河南	24810.1	16142.6	4417.9	1221.8	3807.6	1077.6	1917.2	1685.4	1621.9	393.2	NaN
17	湖北	27880.6	19245.9	5897.7	1173.0	4659.6	1088.9	2559.5	1755.9	1764.9	346.4	NaN
18	湖南	29379.9	20997.6	6251.7	1236.9	4436.2	1289.0	2745.5	2587.3	2034.7	416.3	NaN
19	广东	41028.6	28491.9	9629.3	1044.5	7733.0	1560.6	3808.7	2442.9	1677.9	595.1	NaN
20	广西	24562.3	16356.8	5591.5	595.0	3579.0	929.1	2107.9	1766.2	1540.7	247.3	NaN
21	海南	27904.1	18971.6	7514.0	660.6	4168.0	890.0	2118.9	1880.5	1407.3	332.3	NaN
22	重庆	30823.9	21678.1	7284.6	1459.1	4062.1	1517.4	2630.9	2120.9	2101.5	501.6	NaN
23	四川	26522.1	19783.4	7026.4	1190.4	3855.7	1234.8	2465.1	1650.5	1908.0	452.4	NaN
24	贵州	21795.4	14873.8	4606.9	944.6	2998.2	901.1	2218.0	1636.7	1269.6	298.7	NaN
25	云南	23294.9	16792.4	5092.1	868.3	3469.8	958.5	2709.4	1835.8	1547.4	311.0	NaN
26	西藏	21744.1	13224.8	4786.6	1137.2	2970.5	838.6	1987.5	550.9	589.9	363.6	NaN
27	陕西	26226.0	17417.6	4819.5	1156.6	3857.6	1179.3	2194.0	1756.6	2078.4	375.6	NaN
28	甘肃	20335.1	16174.9	4768.8	1140.6	3557.3	1045.5	2020.4	1728.6	1544.7	369.1	NaN
29	青海	24037.4	18284.2	5224.5	1301.4	3618.5	1073.4	3121.0	1521.3	1975.7	448.5	NaN
30	宁夏	25734.9	17505.8	4816.3	1263.9	3348.8	1037.2	2922.0	1760.6	1906.3	450.7	NaN
31	新疆	23844.7	16512.1	5225.9	1138.9	3304.7	1031.0	2318.9	1488.4	1611.7	392.7	NaN

2.2 数据清理

df1 = df.iloc[1:,:-1]
df1.head()

在这里插入图片描述

2.3 计算各项占比

df1['消费支出占比'] = df1['消费支出']/df1['人均可支配收入']
df1['食品烟酒消费占比'] = df1['食品烟酒']/df1['消费支出']
df1['衣着消费占比'] = df1['衣着']/df1['消费支出']
df1['居住消费占比'] = df1['居住']/df1['消费支出']
df1['生活用品及服务'] = df1['生活用品及服务']/df1['消费支出']
df1['交通通信消费占比'] = df1['交通通信']/df1['消费支出']
df1['教育文化娱乐消费占比'] = df1['教育文化娱乐']/df1['消费支出']
df1['医疗保健消费占比'] = df1['医疗保健']/df1['消费支出']
df1['其他用品及服务消费占比'] = df1['其他用品及服务']/df1['消费支出']
df1['人均净收入'] = df1['人均可支配收入']-df1['消费支出']

df1

在这里插入图片描述

3. Pyecharts数据可视化

3.1 全国各地区人均收入、消费支出排行榜

color_function = """
        function (params) {
            if (params.value >= 0.66) 
                return '#8E0036';
            else return '#327B94';
        }
        """

df_income = df1.sort_values(by=['人均可支配收入'],ascending=False).round(2)
x_data1 = df_income['地区'].values.tolist()[::-1]
y_data1 = df_income['消费支出'].values.tolist()[::-1]
y_data2 = df_income['人均净收入'].values.tolist()[::-1]
y_data3 = df_income['消费支出占比'].values.tolist()[::-1]
y_data4 = df_income['人均可支配收入'].values.tolist()[::-1]

b1 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("消费支出", y_data1,category_gap='35%', stack="stack1",
               label_opts=opts.LabelOpts(position="inside"),
               itemstyle_opts={"normal": {
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'color':'#203fb6',
                                    }
                           },
              
              )
    .add_yaxis("人均净收入", y_data2, category_gap='35%', stack="stack1",
               label_opts=opts.LabelOpts(position="inside", font_size=12, font_weight='bold', formatter='{c}'),
               itemstyle_opts={"normal": {
                                    "barBorderRadius": [0, 30, 30, 0],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'color':'#e7298a'
                                    }
                           },
              )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(position='top'),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13,formatter="{value}")),
        graphic_opts=[
            opts.GraphicGroup(
                graphic_item=opts.GraphicItem(right='39%',bottom='58%',z=10,),
                children=[
                    opts.GraphicText(
                        graphic_item=opts.GraphicItem(left="center",bottom='center', z=100),
                        graphic_textstyle_opts=opts.GraphicTextStyleOpts(
                            text='''
                            全国人均可支配收入：32188.8
                            
                            全国人均消费支出：21209.9
                            
                            人均消费支出/人均收入：0.66
                            ''',
                            font="bold 18px Microsoft YaHei",
                            graphic_basicstyle_opts=opts.GraphicBasicStyleOpts(fill='rgba(255, 171, 65,0.6)'),
                        ),
                    ),
                ],
            )
        ],
        
        title_opts=opts.TitleOpts(title='1-全国各地区人均收入、消费支出排行榜',subtitle='-- 制图@公众号：Python当打之年 --',pos_top='2%',pos_left="2%",
                                title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)),
        legend_opts=opts.LegendOpts(pos_right="8%",  pos_top="9%",  orient="vertical")
    )
    .reversal_axis()
)


b2 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("消费支出/人均收入", y_data3,category_gap='35%',
              label_opts=opts.LabelOpts(position="insideLeft", font_size=12, font_weight='bold', formatter='{c}'),
               itemstyle_opts={"normal": {
                                    "barBorderRadius": [30, 30, 30, 30],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 1,
                                    'color':JsCode(color_function)
                                    }
                           },
              )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
        legend_opts=opts.LegendOpts(pos_right="3.8%",  pos_top="12.2%",  orient="vertical")
    )
    .reversal_axis()
)
grid = Grid(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
grid.add(b1, grid_opts=opts.GridOpts(pos_left='15%',pos_top='9%',pos_right='40%'))
grid.add(b2, grid_opts=opts.GridOpts(pos_left='65%',pos_top='9%',pos_right='20%'))
grid.render_notebook()

在这里插入图片描述全国人均可支配收入：32188.8，全国人均消费支出：21209.9，人均消费支出/人均可支配收入：0.66
北京、上海、浙江、天津、江苏五个地区的人均可支配收入位居前5，但消费支出占比均低于全国平均水平（0.66），挣得多花的少！
从消费支出占比方面来看，最抠门的几个地区：北京（0.56）、上海（0.59）、浙江（0.6）、江苏（0.6）
从消费支出占比方面来看，最舍得花钱的地区：甘肃（0.8）、青海（0.76）、四川（0.75）、云南（0.72）、湖南（0.71）

3.2 全国各地区人均可支配收入地图

# 省份字典
provs = ['上海', '云南', '内蒙古', '北京', '台湾', '吉林', '四川', '天津', '宁夏', '安徽', '山东', '山西', '广东', '广西',
 '新疆', '江苏', '江西', '河北', '河南', '浙江', '海南', '湖北', '湖南', '澳门', '甘肃', '福建', '西藏', '贵州', '辽宁',
 '重庆', '陕西', '青海', '香港', '黑龙江']
provs_fin = ['上海市', '云南省', '内蒙古自治区', '北京市', '台湾省', '吉林省', '四川省', '天津市', '宁夏回族自治区', '安徽省', '山东省', '山西省', '广东省', '广西壮族自治区',
 '新疆维吾尔自治区', '江苏省', '江西省', '河北省', '河南省', '浙江省', '海南省', '湖北省', '湖南省', '澳门香港特别行政区', '甘肃省', '福建省', '西藏自治区', '贵州省', '辽宁省',
 '重庆市', '陕西省', '青海省', '香港特别行政区', '黑龙江省']
prov_dic = dict(zip(provs,provs_fin))

df_income = df1.sort_values(by=['人均可支配收入'],ascending=False).round(2)
df_income['地区'] = df_income['地区'].replace(prov_dic)
x_data1 = df_income['地区'].values.tolist()[::-1]
y_data1 = df_income['消费支出'].values.tolist()[::-1]
y_data2 = df_income['人均净收入'].values.tolist()[::-1]
y_data3 = df_income['消费支出占比'].values.tolist()[::-1]

m1 = (
    Map(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px',bg_color='#0d0735'))
    .add('',
          [list(z) for z in zip(x_data1, y_data1)],
          maptype='china',
          is_map_symbol_show=False,
          label_opts=opts.LabelOpts(is_show=False,color='red'),
          itemstyle_opts={
              'normal': {
                  'shadowColor': 'rgba(0, 0, 0, .5)',  # 阴影颜色
                  'shadowBlur': 5,  # 阴影大小
                  'shadowOffsetY': 0,  # Y轴方向阴影偏移
                  'shadowOffsetX': 0,  # x轴方向阴影偏移
                  'borderColor': '#fff'
              }
          }
      )
    .set_global_opts(
        visualmap_opts=opts.VisualMapOpts(
            is_show=True,
            min_ = 10000,
            max_ = 40000,
            series_index=0,
            pos_top='70%',
            pos_left='10%',
            range_color=['#9ecae1','#6baed6','#4292c6','#2171b5','#08519c','#08306b','#d4b9da','#c994c7','#df65b0','#e7298a','#ce1256','#980043','#67001f']
        ),
        tooltip_opts=opts.TooltipOpts(formatter='{b}:{c}'),
        title_opts=opts.TitleOpts(title='2-全国各地区人均可支配收入地图',subtitle='制图@公众号：Python当打之年',pos_top='2%',pos_left="2%",
                title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20))
    )
)
m1.render_notebook()

在这里插入图片描述

3.3 全国各地区消费支出占比地图

m2 = (
    Map(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px',bg_color='#0d0735'))
    .add('',
          [list(z) for z in zip(x_data1, y_data3)],
          maptype='china',
          is_map_symbol_show=False,
          label_opts=opts.LabelOpts(is_show=False,color='red'),
          itemstyle_opts={
              'normal': {
                  'shadowColor': 'rgba(0, 0, 0, .5)',  # 阴影颜色
                  'shadowBlur': 5,  # 阴影大小
                  'shadowOffsetY': 0,  # Y轴方向阴影偏移
                  'shadowOffsetX': 0,  # x轴方向阴影偏移
                  'borderColor': '#fff'
              }
          }
      )
    .set_global_opts(
        visualmap_opts=opts.VisualMapOpts(
            is_show=True,
            min_ = 0.49,
            max_ = 0.8,
            series_index=0,
            pos_top='70%',
            pos_left='10%',
            range_color=['#9ecae1','#6baed6','#4292c6','#2171b5','#08519c','#08306b','#d4b9da','#c994c7','#df65b0','#e7298a','#ce1256','#980043','#67001f']
        ),
        tooltip_opts=opts.TooltipOpts(formatter='{b}:{c}'),
        title_opts=opts.TitleOpts(title='3-全国各地区消费支出占比地图',subtitle='-- 制图@公众号：Python当打之年 --',pos_top='2%',pos_left="2%",
                title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20))
    )
)
m2.render_notebook()

在这里插入图片描述

3.4 ‘衣’-全国衣着消费排行榜

df_house = df1.sort_values(by=['衣着消费占比'],ascending=False).round(2)
x_data1 = df_house['地区'].values.tolist()[::-1]
y_data1 = df_house['衣着消费占比'].values.tolist()[::-1]
y_data2 = df_house['衣着'].values.tolist()[::-1]

b1 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data2,category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideRight", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [0, 30, 30, 0],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    'color':'#E91E63'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
    )
    .reversal_axis()
)

b2 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", [2000]*len(y_data2),category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False,
            position="right", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.2,
                                    'color':'#fff'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(position='top'),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13,formatter="{value}")),
        title_opts=opts.TitleOpts(title='4-全国衣着消费大省排行榜',subtitle='-- 制图@公众号：Python当打之年 --',pos_top='2%',pos_left="2%",
                                title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)),
        legend_opts=opts.LegendOpts(pos_right="5%",  pos_top="5%",  orient="vertical")
    )
    .reversal_axis()
)

b3 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data1, category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideLeft", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [30, 30, 30, 30],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
        visualmap_opts=opts.VisualMapOpts(
            dimension=0,
            pos_right='2%',
            pos_bottom='4%',
            is_show=False, 
            min_=0.03,
            max_=0.09,
            range_color=['#203fb6', '#008afb', '#ffec4a', '#ff6611', '#862e9c']
         ),
    )
    .reversal_axis()
)

grid = Grid(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
grid.add(b3, grid_opts=opts.GridOpts(pos_left='70%',pos_top='8%',pos_right='15%'))
grid.add(b2, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))
grid.add(b1, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))

grid.render_notebook()

在这里插入图片描述
最舍得在衣服上花钱的地区是西藏（0.09），最抠门的是海南（0.03），相差足足三倍
就衣着消费占比来看，北方地区消费占比要明显高于南方地区

3.5 ‘食’-全国吃货大省排行榜

df_eat = df1.sort_values(by=['食品烟酒'],ascending=False).round(2)
x_data1 = df_eat['地区'].values.tolist()[::-1]
y_data1 = df_eat['食品烟酒消费占比'].values.tolist()[::-1]
y_data2 = df_eat['食品烟酒'].values.tolist()[::-1]

b1 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data2,category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideRight", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [0, 30, 30, 0],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    'color':'#E91E63'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
    )
    .reversal_axis()
)

b2 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", [12000]*len(y_data2),category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False,
            position="right", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.2,
                                    'color':'#fff'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(position='top'),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13,formatter="{value}")),
        title_opts=opts.TitleOpts(title='5-全国吃货大省排行榜',subtitle='-- 制图@公众号：Python当打之年 --',pos_top='2%',pos_left="2%",
                                title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)),
        legend_opts=opts.LegendOpts(pos_right="5%",  pos_top="5%",  orient="vertical")
    )
    .reversal_axis()
)

b3 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data1, category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideLeft", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [30, 30, 30, 30],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
        visualmap_opts=opts.VisualMapOpts(
            dimension=0,
            pos_right='2%',
            pos_bottom='4%',
            is_show=False, 
            min_=0.2,
            max_=0.4,
            range_color=['#203fb6', '#008afb', '#ffec4a', '#ff6611', '#f62336']
         ),
    )
    .reversal_axis()
)
grid = Grid(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
grid.add(b3, grid_opts=opts.GridOpts(pos_left='70%',pos_top='8%',pos_right='15%'))
grid.add(b2, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))
grid.add(b1, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))

grid.render_notebook()

在这里插入图片描述
全国居民人均食品烟酒消费支出达 6397 元，占全年人均消费支出的近三分之一
食品烟酒支出前十的省市中，上海再次荣登榜首，北方只有北京和天津上榜，但是从占比方面来看北京、上海是垫底的两个地区
山西、河南在食品烟酒上的支出排名最后两位

3.6 ‘住’-全国住房消费排行榜

df_house = df1.sort_values(by=['居住消费占比'],ascending=False).round(2)
x_data1 = df_house['地区'].values.tolist()[::-1]
y_data1 = df_house['居住消费占比'].values.tolist()[::-1]
y_data2 = df_house['居住'].values.tolist()[::-1]

b1 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data2,category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideRight", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [0, 30, 30, 0],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    'color':'#E91E63'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
    )
    .reversal_axis()
)

b2 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", [18000]*len(y_data2),category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False,
            position="right", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.2,
                                    'color':'#fff'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(position='top'),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13,formatter="{value}")),
        title_opts=opts.TitleOpts(title='6-全国住房消费大省排行榜',subtitle='-- 制图@公众号：Python当打之年 --',pos_top='2%',pos_left="2%",
                                title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)),
        legend_opts=opts.LegendOpts(pos_right="5%",  pos_top="5%",  orient="vertical")
    )
    .reversal_axis()
)

b3 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data1, category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideLeft", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [30, 30, 30, 30],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
        visualmap_opts=opts.VisualMapOpts(
            dimension=0,
            pos_right='2%',
            pos_bottom='4%',
            is_show=False, 
            min_=0.2,
            max_=0.4,
            range_color=['#203fb6', '#008afb', '#ffec4a', '#ff6611', '#006064']
         ),
    )
    .reversal_axis()
)
# b1.render_notebook()
grid = Grid(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
grid.add(b3, grid_opts=opts.GridOpts(pos_left='70%',pos_top='8%',pos_right='15%'))
grid.add(b2, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))
grid.add(b1, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))

grid.render_notebook()

在这里插入图片描述
北京（0.4）、上海（0.36）两地人民在居住上的消费排名前两位，果然房价还是得看北上广，接近40%的消费都在住房上面
重庆、宁夏、四川以0.19的占比排在最后三位，这方面看住房压力还是比较小的

3.7 ‘行’-全国交通消费排行榜

df_house = df1.sort_values(by=['交通通信'],ascending=False).round(2)
x_data1 = df_house['地区'].values.tolist()[::-1]
y_data1 = df_house['交通通信消费占比'].values.tolist()[::-1]
y_data2 = df_house['交通通信'].values.tolist()[::-1]

b1 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data2,category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideRight", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [0, 30, 30, 0],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    'color':'#E91E63'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
    )
    .reversal_axis()
)

b2 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", [5000]*len(y_data2),category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(is_show=False,
            position="right", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.2,
                                    'color':'#fff'
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(position='top'),
        yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(font_size=13,formatter="{value}")),
        title_opts=opts.TitleOpts(title='7-全国交通消费大省排行榜',subtitle='-- 制图@公众号：Python当打之年 --',pos_top='2%',pos_left="2%",
                                title_textstyle_opts=opts.TextStyleOpts(color='#fff200',font_size=20)),
        legend_opts=opts.LegendOpts(pos_right="5%",  pos_top="5%",  orient="vertical")
    )
    .reversal_axis()
)

b3 = (
    Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
    .add_xaxis(x_data1)
    .add_yaxis("", y_data1, category_gap='35%')
    .set_series_opts(
        label_opts=opts.LabelOpts(
            position="insideLeft", font_size=12, font_weight='bold', formatter='{c}'),
        itemstyle_opts={"normal": {
                                    "barBorderRadius": [30, 30, 30, 30],
                                    'shadowBlur': 10,
                                    'shadowColor': 'rgba(0,191,255,0.5)',
                                    'shadowOffsetY': 1,
                                    'opacity': 0.8,
                                    }
                           },
    )
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(is_show=False),
        yaxis_opts=opts.AxisOpts(is_show=False),
        visualmap_opts=opts.VisualMapOpts(
            dimension=0,
            pos_right='2%',
            pos_bottom='4%',
            is_show=False, 
            min_=0.1,
            max_=0.17,
            range_color=['#203fb6', '#008afb', '#ffec4a', '#ff6611', '#33691e']
         ),
    )
    .reversal_axis()
)

grid = Grid(init_opts=opts.InitOpts(theme='dark',width='1000px', height='1500px',bg_color='#0d0735'))
grid.add(b3, grid_opts=opts.GridOpts(pos_left='70%',pos_top='8%',pos_right='15%'))
grid.add(b2, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))
grid.add(b1, grid_opts=opts.GridOpts(pos_left='15%',pos_top='8%',pos_right='40%'))

grid.render_notebook()

上海、浙江、广东、北京、天津等地居民在交通通信上的实际花费排名前五位
青海、宁夏两地以0.17的交通通信消费占比排名前二位，北京、上海在这一项上的占比分别为0.1、0.11

Python数据开发

关注

1
点赞
踩
34

收藏

觉得还不错? 一键收藏
1
评论
这款 Python 工具进行数据分析及数据可视化真的很棒啊

本期我们通过分析2022年中国统计年鉴数据，统计全国各地人民的消费地图，看看：哪个省份的人最能花钱哪个省份的人最舍得花钱哪个省份的人最抠门全国各地区人民在吃、穿、住、行方面的消费习惯。。。希望对小伙伴们有所帮助，如有疑问或者需要改进的地方可以在评论区留言。涉及到的库：Pandas — 数据处理Pyecharts — 数据可视化可视化部分：柱状图 — Bar地图 — Map组合图 — Grid。
复制链接

扫一扫

专栏目录