数据可视化分析2015-2017年世界幸福指数

最新推荐文章于 2024-02-21 12:09:55 发布
最新推荐文章于 2024-02-21 12:09:55 发布
阅读量2.7k 收藏 28
点赞数 2
分类专栏： Python数据可视化
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42759593/article/details/110673559
版权

1.查看2015-2017年每年幸福指数Happiness Rank排名前5和后5的国家

所用的数据集2015、2016、2017.csv文件可以去百度，3个文件存放在4个代码所在目录code的同级目录data下

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.unicode_minus']=False

#1.查看2015-2017年每年幸福指数Happiness Rank排名前5和后5的国家
def Happiness_Rank_5(year):
    if (2017==year):
        #2017年指标命名不同于其他2年
        columns=['Country','Happiness.Rank','Happiness.Score']
        load_data=pd.read_csv("../data/{}.csv".format(year))[columns]
        y1=load_data['Happiness.Score'][:5]
        y2=load_data['Happiness.Score'][-5:]
    else:
        #2015年和2016年
        columns=['Country','Happiness Rank','Happiness Score']
        load_data=pd.read_csv("../data/{}.csv".format(year))[columns]
        y1=load_data['Happiness Score'][:5]
        y2=load_data['Happiness Score'][-5:]
       
    data1_5=load_data[:5]
    data5_1=load_data[-5:]
    #可视化：幸福指数排名前5国家数据
    plt.figure(figsize=(15,6))
    ax=plt.subplot(1,2,1)
    plt.xlabel('Country',fontsize=20)
    plt.ylabel('Happiness Score',fontsize=20)
    plt.xticks(range(5),data1_5.Country,fontsize=15)
    plt.yticks(fontsize=15)
    plt.ylim((6,7.6))
    plt.bar(range(5),y1,width=0.5)
    plt.title('{}年幸福指数排名前5国家'.format(year),color='red',fontsize=20)
    plt.show()
    print("{}年幸福指数排名前5国家数据：\n".format(year),data1_5)
    #可视化：幸福指数排名后5国家数据
    p=plt.figure(figsize=(15,6))
    ax=plt.subplot(1,2,2)
    plt.xlabel('Country',fontsize=20)
    plt.ylabel('Happiness Score',fontsize=20)
    plt.xticks(range(5),data5_1.Country,fontsize=15)
    plt.yticks(fontsize=15)
    plt.ylim((2,3.6))
    plt.bar(range(5),y2,width=0.5,color='red')
    plt.title('{}年幸福指数排名后5国家'.format(year),color='green',fontsize=20)
    plt.show()
    print("{}年幸福指数排名后5国家数据：\n".format(year),data5_1)

#2015年前5和后5国家
Happiness_Rank_5(2015)
#2016年前5和后5国家
Happiness_Rank_5(2016)
#2017年前5和后5国家
Happiness_Rank_5(2017)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.统计2015-2016年某区域区域幸福指标数据（可以传各个列名参数进行统计，不只限于幸福指数）

#2.统计2015-2016年某区域区域幸福指标数据（可以传各个列名参数进行统计，不只限于幸福指数）
def region_Happiness(year,name,area):
    if (2017==year):
        #2017年没有分区域，用国家先与2016年数据关联，这样就有了区域
        columns=['Country','Happiness.Score','Economy..GDP.per.Capita.','Family',\
             'Health..Life.Expectancy.','Freedom','Trust..Government.Corruption.','Generosity']
        data=pd.read_csv('../data/{}.csv'.format(year))[columns]
        columns2=['Country','Region','Happiness Score','Economy (GDP per Capita)','Family',\
             'Health (Life Expectancy)','Freedom','Trust (Government Corruption)','Generosity']
        data2=pd.read_csv('../data/2016.csv')[columns2]
        #将2017年与2016年合并，data2为2016年，相同列名会变成column_x和column_y
        data=pd.merge(data2,data,how='left',on='Country')
        #更改2017年的column_y为column
        data=data.rename(columns={'Family_y':'Family','Freedom_y':'Freedom','Generosity_y':'Generosity'})
    else:
        columns=['Country','Region','Happiness Score','Economy (GDP per Capita)','Family',\
             'Health (Life Expectancy)','Freedom','Trust (Government Corruption)','Generosity']
        data=pd.read_csv('../data/{}.csv'.format(year))[columns]
    #可视化：某区域幸福指标数据    
    plt.figure(figsize=(45,15))
    data=data[data['Region']==area]
    plt.xlabel('Country',fontsize=50)
    plt.ylabel(name,fontsize=50)
    plt.xticks(range(data.shape[0]),data.Country,fontsize=40,rotation='vertical')#让横轴的国家名竖着显示
    plt.yticks(fontsize=40)
    #这个y轴取值范围只针对Happiness Score，对于其他列不合适
    plt.ylim((4.5,7.75))
    plt.bar(range(data.shape[0]),data[name],width=0.5)
    plt.title('{}年{}的{}指标统计图'.format(year,area,name),color='red',fontsize=50)
    plt.show()
    #文字只输出国家、区域、指标数据
    columns3=['Country','Region',name]
    data=data[columns3]
    print("{}年{}的{}指标数据为：\n".format(year,area,name),data)       
         
#统计2015年某区域幸福指标数据   
year=2015
area='Western Europe'
region_Happiness(year,'Happiness Score',area)
#region_Happiness(year,'Economy (GDP per Capita)',area)
#region_Happiness(year,'Family',area)
#region_Happiness(year,'Health (Life Expectancy)',area)
#region_Happiness(year,'Freedom',area)
#region_Happiness(year,'Trust (Government Corruption)',area)
#region_Happiness(year,'Generosity',area)

#统计2016年某区域幸福指标数据
year=2016
area='Western Europe'
region_Happiness(year,'Happiness Score',area)
#region_Happiness(year,'Economy (GDP per Capita)',area)
#region_Happiness(year,'Family',area)
#region_Happiness(year,'Health (Life Expectancy)',area)
#region_Happiness(year,'Freedom',area)
#region_Happiness(year,'Trust (Government Corruption)',area)
#region_Happiness(year,'Generosity',area)

#统计2017年某区域幸福指标数据
year=2017
area='Western Europe'
region_Happiness(year,'Happiness.Score',area)
#region_Happiness(year,'Economy..GDP.per.Capita.',area)
#region_Happiness(year,'Family',area)
#region_Happiness(year,'Health..Life.Expectancy.',area)
#region_Happiness(year,'Freedom',area)
#region_Happiness(year,'Trust..Government.Corruption.',area)
#region_Happiness(year,'Generosity',area)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3.2015-2016年幸福指数上升最快和下降最快的国家

#3.2015-2016年幸福指数上升最快和下降最快的国家
columns=['Country','Region','Happiness Rank','Happiness Score','Economy (GDP per Capita)','Family',\
             'Health (Life Expectancy)','Freedom','Trust (Government Corruption)','Generosity']
data_2015=pd.read_csv('../data/2015.csv')[columns]
data_2016=pd.read_csv('../data/2016.csv')[columns]
#将2015年与2016年合并，相同列名会变成column_x和column_y
data=pd.merge(data_2015,data_2016,how='left',on='Country')
#将2年的排名差放在Happiness Rank_x
data['Happiness Rank_x']=data['Happiness Rank_y']-data['Happiness Rank_x']
#找到差最大和最小的行
data1=data[data['Happiness Rank_x']==max(data['Happiness Rank_x'])]
data2=data[data['Happiness Rank_x']==min(data['Happiness Rank_x'])]  
#输出国家、排名差
print("2015-2016年上升最快的是:\n{}\n上升了{}名".format(data1['Country'],max(data['Happiness Rank_x'])))
print("2015-2016年下降最快的是:\n{}\n下降了{}名".format(data2['Country'],min(data['Happiness Rank_x'])))

#可视化：2015-2016年所有国家排名差数据
name='Happiness Rank_x'
plt.figure(figsize=(40,15))
plt.xlabel('Country',fontsize=50)
plt.ylabel(name,fontsize=50)
plt.xticks(range(data.shape[0]),data.Country,fontsize=20,rotation='vertical')
plt.yticks(fontsize=40)
plt.bar(range(data.shape[0]),data[name],width=0.5,color='red')
plt.title('2015-2016年幸福指数排名差图（以2015年索引为准）',color='green',fontsize=50)
plt.show()
#可视化：2015-2016年所有区域排名差
columns3=['Country','Region_x','Happiness Rank_x']
data2= data[columns3]
areas=set(data2['Region_x'])
for area in areas:
    plt.figure(figsize=(20,8))
    data3=data2[data2['Region_x'] == area]
    plt.bar(data3['Country'],data3['Happiness Rank_x'])
    plt.xticks(fontsize=15,rotation='vertical')
    plt.yticks(fontsize=15)
    plt.ylabel("Happiness Rank_x",fontsize=20)
    plt.xlabel("Country",fontsize=20)
    plt.title('2015-2016年{}的国家幸福指数排名差图'.format(area),color='red',fontsize=20)
    plt.show()

#2016-2017幸福指数上升最快和下降最快的国家
columns2=['Country','Happiness.Rank','Happiness.Score','Economy..GDP.per.Capita.','Family',\
             'Health..Life.Expectancy.','Freedom','Trust..Government.Corruption.','Generosity']
data_2017=pd.read_csv('../data/2017.csv')[columns2]
#将2016年与2017年合并，相同列名会变成column_x和column_y
data=pd.merge(data_2016,data_2017,how='left',on='Country')
#将2年的排名差放在Happiness Rank
data['Happiness Rank']=data['Happiness.Rank']-data['Happiness Rank']
#找到差最大和最小的行
data1=data[data['Happiness Rank']==max(data['Happiness Rank'])]
data2=data[data['Happiness Rank']==min(data['Happiness Rank'])]  
#输出国家、排名差
print("\n2016-2017年上升最快的是:\n{}\n上升了{}名".format(data1['Country'],max(data['Happiness Rank'])))
print("2016-2017年下降最快的是:\n{}\n下降了{}名".format(data2['Country'],min(data['Happiness Rank'])))

#可视化：2016-2017年所有国家排名差数据
name='Happiness Rank'
plt.figure(figsize=(40,15))
plt.xlabel('Country',fontsize=50)
plt.ylabel(name,fontsize=50)
plt.xticks(range(data.shape[0]),data.Country,fontsize=20,rotation='vertical')
plt.yticks(fontsize=40)
plt.bar(range(data.shape[0]),data[name],width=0.5,color='red')
plt.title('2016-2017年幸福指数排名差图（以2016年索引为准）',color='green',fontsize=50)
plt.show()
#可视化：2016-2017年所有区域排名差
columns3=['Country','Region','Happiness Rank']
data2= data[columns3]
areas=set(data2['Region'])
for area in areas:
    plt.figure(figsize=(20,8))
    data3=data2[data2['Region'] == area]
    plt.bar(data3['Country'],data3['Happiness Rank'])
    plt.xticks(fontsize=15,rotation='vertical')
    plt.yticks(fontsize=15)
    plt.ylabel("Happiness Rank",fontsize=20)
    plt.xlabel("Country",fontsize=20)
    plt.title('2016-2017年{}的国家幸福指数排名差图'.format(area),color='red',fontsize=20)
    plt.show()

在这里插入图片描述
最后的图太多了，就不复制了

4.中国3年的幸福指数变化

#4.中国3年的幸福指数变化
def China_Happiness():
    columns=['Country','Region','Happiness Score','Economy (GDP per Capita)','Family',\
             'Health (Life Expectancy)','Freedom','Trust (Government Corruption)','Generosity']
    columns2=['Country','Happiness.Score','Economy..GDP.per.Capita.','Family',\
             'Health..Life.Expectancy.','Freedom','Trust..Government.Corruption.','Generosity']
    data_2015=pd.read_csv("../data/2015.csv")[columns]
    data_2016=pd.read_csv("../data/2016.csv")[columns]
    data_2017=pd.read_csv("../data/2017.csv")[columns2]
    data_2015=data_2015[data_2015['Country']=='China']
    data_2016=data_2016[data_2016['Country']=='China']
    data_2017=data_2017[data_2017['Country']=='China']
    #将Happiness.Score改为Happiness Score，方便之后的数据堆叠
    data_2017=data_2017.rename(columns={'Happiness.Score':'Happiness Score'})
    
    columns=[ 'Country','Happiness Score' ]
    data_2015=data_2015[columns]
    data_2016=data_2016[columns]
    data_2017=data_2017[columns]
    #将3年China的数据堆叠
    data=pd.concat([data_2015,data_2016,data_2017])
    print("2015-2017年China的幸福指数：\n",data)
    plt.figure(figsize=(10,7))
    plt.xlabel('Happiness Score',fontsize=20)
    plt.ylabel('China',fontsize=20)
    plt.ylim((4.5,5.5))
    plt.xticks(range(data.shape[0]),['2015','2016','2017'],fontsize=15)
    plt.yticks(fontsize=15)
    plt.bar(range(data.shape[0]),data['Happiness Score'],width=0.3,color='red')
    plt.title('2015-2017年China幸福指数变化图',fontsize=20,color='green')
    plt.show()
    

China_Happiness()

在这里插入图片描述

智慧城市可行性研究报告（第一章）
珞圻的博客
12-30 337
项目单位名称：单位负责人：项目责任人：项目联系人：建设单位概况项目名称：智慧城市一期建设项目项目类型：新建项目（1）“十四五”国家信息化规划到2025年，数字中国建设取得决定性进展，信息化发展水平大幅跃升，数字基础设施全面夯实，数字技术创新能力显著增强，数据要素价值充分发挥，数字经济高质量发展，数字治理效能整体提升。数字社会建设稳步推进。建引领、服务导向、资源整合、信息支撑、法治保障的数字社会治理格局基本形成。
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》-学习笔记（1）
Morganfs的博客
04-08 1822
《机器学习实战：基于Scikit-Learn、Keras和TensorFlow第2版》 - 第一章：机器学习概览，学习内容 Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition, by Aurélien Géron (O'Reilly). Copyright 2019 Aurélien Géron, 978-1-492-03264-9.
数据可视化--世界幸福指数报告
热门推荐
YYDGS的博客
11-28 1万+
世界幸福指数报告可视化 数据集描述 Kaggle提供的数据集包括2015、2016、2017的报告。每年的报告的形式为CSV文件：2015.csv, 2016.csv。由于2017报告的格式与之前两年的不同，本次项目中只对2015和2016年的报告进行分析。 数据详细情况 Country: 国家名称，字符串 Region: 所属区域，字符串 Happiness Rank: 排名，整型 Happi...
WorldHappinessReport：可视化世界幸福
02-14
形象化世界幸福 看看国际幸福。 运行“ happiness3d.py”会产生下面的gif。 ImageMagick用于GIF编译 brew install imagemagick 数据 数据图2.1 笔记 在创建gif时，会生成30个.png作为“幻灯片”。 每个幻灯片都包含3D图的不同“摄像机角度”，然后将其迭代以模拟动画。 虽然这可以提供更好的光学深度感，但它也可以创建30个.png，因此请当心！ 函数colorMaker（）可能不会在第一次执行时就返回有效的十六进制列表。 重新运行，直到不引发错误。
2005-2018 世界各国幸福指数
06-05
2005-2018 世界各国幸福指数。 数据来源：https://worldhappiness.report/ed/2019/ 盖洛普世界民意调查（生活评价问题）
幸福指数报告 -- 数据可视化+聚类分析
Chlin.Rei的博客
05-02 5275
15年到20年世界幸福指数报告数据分析+数据可视化分类+聚类分析 1、 对无用的数据进行删除 2、 对数据进行清洗 3、 对数据采用可视化方式显示数据的类别分布 4、 利用2015-2002年数据对国家进行聚类，看哪些国家的幸福程度是类似的
2019.csv（全球人口幸福指数）
08-14
2019.csv（全球人口幸福指数）
使用R语言分析世界幸福指数
weixin_45065383的博客
04-07 5110
使用R语言分析世界幸福指数 本文中的数据为2019年的世界幸福指数报告，数据来源于kaggle。 数据详情 数据包含9个字段： Rank： 排名 Country or Region： 国家或地区 Score： 得分 GDP per capita： 人均GDP Social support： 社会支持 Healthy life expectancy： 预期寿命 Freedom to make life choices： 自由 Generosity： 慷慨 Perceptions of corruption：
大数据产业调研及分析报告
12-09
在分析方法上，可视化技术让大数据分析结果更直观，易于理解和决策。在应用方面，大数据已经广泛应用于交通、物流、医疗、金融、电信、零售、广告、旅游、地理信息服务等多个行业，极大地提升了这些行业的效率和创新...
用python分析世界各国的 “幸福指数”。
SeizeeveryDay的博客
01-29 2156
作者：Huny来源：https://www.cnblogs.com/huny/p/14146719.html1. 前言民意测验机构盖洛普从2012年起，每年都会在联合国计划下发布《世界幸...
happiness-数据集
03-29
world-happiness-report-2019:资料集
03-21
世界幸福报告2019 资料集
World-Happiness-Data
03-31
世界幸福数据：不同国家幸福因素的贡献 该数据集包含按国家划分的幸福分数，排名以及影响一个国家幸福的各种因素的程度。 数据集是从kaggle提取的数据： ://www.kaggle.com/unsdsn/world-happiness列出了6个因素： 经济（人均GDP） 家庭 健康（预期寿命） 自由 信任（政府腐败） 慷慨大方其他因素被纳入“反乌托邦残差”。 以上7种特质的结合使区域性幸福感得到了满分。 该等级是根据幸福分数来预测的。
幸福究竟和哪些因素有关？通过JMP来看全球幸福指数
JMP数据分析的博客
09-15 1859
药物的研发、工艺、生产、质量、制造、临床等各阶段都离不开数据分析这一生产力的有效支持和验证。 你知道数据分析如何帮助药企质量管理和临床分析的效率更进一步？ 9月24日JMP数据分析峰会（Discovery Summit 2020）药品质量管理与临床分析专场，再鼎医药、基石药业及华北制药的嘉宾们将通过多个案例分享运用JMP Clinical及JMP提高临床分析效率、助力企业质量管理的最佳实践。 今天就跟着小编一起看看本场有哪些值得期待的精彩演讲吧！ 01 强大集成+自在探索，高效开展医学监测 在药企统计
2018世界幸福指数中国排第86，这种报告是怎样做出来的？
大数据
12-10 3962
导读：每天跟数据打交道，一定会接触到各类报告和榜单。比如数据叔最近就被安利了一份2018世界快乐报告，相信你跟数据叔一样，除了在排行榜上看看热闹之外，还会很好奇，诸如“快...
World Happiness Report（世界幸福报告）
不务正业的猿
10-18 4311
原文： World Happiness Report Happiness scored according to economic production, social support, etc. The World Happiness Report is a landmark survey of the state of global happiness. The first report was published in 2012, the second in 2013, the third in
python——线性回归实例实战
生活如此美好，致敬每一个热爱“热爱”的人！
02-22 3345
MultivariateLinearRegression.py import numpy as np import pandas as pd import matplotlib.pyplot as plt import plotly import plotly.graph_objs as go # https://plotly.com/python/line-and-scatter/ # https://plotly.com/python/ # plotly.offline.init_not...
Tableau实训-“世界发展指标”简单可视化图表展示
Coco6_的博客
05-14 2804
可视化实训内容
《跟着迪哥学AI——机器学习》笔记P1-P18
最新发布
biubiubiuKG的博客
02-21 387
每一次迭代都需要对参数theta进行修改，因此在梯度下降方法里面嵌套了参数更新方法；1.对数据进行预处理操作；2.先得到所有的特征个数；（6） 进行测试，得到线性回归方程；要求的是极值点，不是极值；（3）加入可视化，求损失值。（4）单变量线性回归；（5）训练线性回归模型。（x—均值）/ 标准差。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值