数据分析-33-我国各地区近年来结婚离婚情况分析

算法学习、4对1辅导、论文辅导、核心期刊
项目的代码和数据下载可以通过公众号滴滴我

---

0、项目介绍

《中华人民共和国民法典》将于2021年1月1日起施行，因此2021年开始后，有要离婚的夫妻就受到30天冷静期的限制。《中华人民共和国民法典》家庭婚姻编规定了一个月的离婚冷静期，在此期间，任何一方可以向登记机关撤回离婚申请，离婚冷静期将于2021年1月1日起正式执行，针对20年(2003-2022年)我国各地区结婚离婚数据进行分析，到底有哪些地区的离婚率一直高于全国呢

1、字段说明

数据一共621条。包含字段有

字段名称	示范值
地区	北京市
年份	2022年
结婚登记(万对)	9.13
内地居民登记结婚(万对)	9.09
内地居民初婚登记(万对)	11.81
内地居民再婚登记(万对)	6.45
涉外及港澳台居民登记结婚(万对)	0.04
离婚登记(万对)	4.42
粗离婚率(‰)	2.02

数据浏览

2、数据初步整理

# 加载库
import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline
from pyecharts.charts import Bar,Line,Scatter,Grid,Map,Pie
from pyecharts import options as opts
from pyecharts.commons.utils import JsCode
from pyecharts.charts import Map, Timeline
import bar_chart_race as bcr

from warnings import filterwarnings
filterwarnings('ignore')
pd.set_option('display.max_columns',60)

data = pd.read_csv(r'data.csv')

data.shape

data.head()

输出“地区”和“年份”查看是否存在异常的文本数据

for c_list in ['地区','年份']:
    print(c_list,':')
    print(data[c_list].unique().tolist())
    print()  # 作用是换行

data.info()

data.describe()

data['year'] = data['年份'].str.replace('年','').astype('int')

3、2013年至2022年全国平均"粗离婚率(‰)"

# 统计全国平均粗离婚率(‰)
data2 = data[data['year']>2012]
data2.sort_values('year',inplace = True)
result0 = data2.groupby('年份')['粗离婚率(‰)'].mean().reset_index(name = '全国平均粗离婚率(‰)')

c = (
    Line()
    .add_xaxis(data2['年份'].unique().tolist())
    .add_yaxis('',data2[data2['地区']=='内蒙古自治区']['粗离婚率(‰)'].tolist())
    .set_global_opts(title_opts = opts.TitleOpts(title = '2013至2022年全国平均"粗离婚率(‰)"'),
                     legend_opts = opts.LegendOpts(is_show = False)
))
c.render_notebook()

全国平均的“粗离婚率(‰)”从2020年开始是下降的，下降尤为明显的是2021年，是数据有疑点呢还是因为21年正式实行离婚冷静期的效果呢，各位同学可自信核实一下

4、近10年"粗离婚率(‰)"高于全国平均的地区

data2 = data2.merge(right = result0,how = 'left',left_on = '年份',right_on = '年份')
data2['粗离婚率(‰)是否高于平均'] = data2['粗离婚率(‰)']>data2['全国平均粗离婚率(‰)']

r1 = data2.groupby('地区')['粗离婚率(‰)是否高于平均'].sum().reset_index(name = '高于全国平均的次数')

# 筛选次数等于10的地区
r1 = r1[r1['高于全国平均的次数']==10]
print("近10年来均高于全国平均的地区：",r1['地区'].tolist())

近10年来均高于全国平均的地区： [‘内蒙古自治区’, ‘吉林省’, ‘四川省’, ‘天津市’, ‘辽宁省’, ‘重庆市’, ‘黑龙江省’]

data2.sort_values('year',inplace = True)


c = (
    Line()
    .add_xaxis(data2['年份'].unique().tolist())
    .add_yaxis('内蒙古自治区',data2[data2['地区']=='内蒙古自治区']['粗离婚率(‰)'].tolist())
    .add_yaxis('吉林省',data2[data2['地区']=='吉林省']['粗离婚率(‰)'].tolist())
    .add_yaxis('四川省',data2[data2['地区']=='四川省']['粗离婚率(‰)'].tolist())
    .add_yaxis('天津市',data2[data2['地区']=='天津市']['粗离婚率(‰)'].tolist())
    .add_yaxis('辽宁省',data2[data2['地区']=='辽宁省']['粗离婚率(‰)'].tolist())
    .add_yaxis('重庆市',data2[data2['地区']=='重庆市']['粗离婚率(‰)'].tolist())
    .add_yaxis('黑龙江省',data2[data2['地区']=='黑龙江省']['粗离婚率(‰)'].tolist())
    .set_global_opts(title_opts = opts.TitleOpts(title = '连续10年粗离婚率(‰)高于全国平均水平的地区'),
                    legend_opts = opts.LegendOpts(is_show = True,pos_top = "95%") 
))
c.render_notebook()

5、全国各地近5年的结婚登记量-Timeline时间组件

可看出河南省、四川省、广东省是婚姻登记量较高的省份，建议用谷歌浏览器查看

result = data2[['地区','年份','结婚登记(万对)']]
result.fillna(0,inplace = True)
result = result[result['年份'].isin(['2018年', '2019年', '2020年', '2021年', '2022年'])]
year_list = result['年份'].unique().tolist()

t2 = Timeline()
t2.add_schema(
        is_auto_play=True, #设置自动播放
        play_interval=1000, #设置间间隔，毫秒
    )
for i in year_list:
    map0 = (
        Map()
        .add("结婚登记(万对)", [list(z) for z in zip(result.loc[result['年份'].str.contains(i)]['地区'].tolist(), 
                                          result.loc[result['年份'].str.contains(i)]['结婚登记(万对)'].tolist())], "china",
            is_map_symbol_show = True
            )
        .set_global_opts(
            title_opts=opts.TitleOpts(title="{}全国结婚登记量(万对)".format(i)),
            visualmap_opts=opts.VisualMapOpts(max_=result.loc[result['年份'].str.contains(i)]['结婚登记(万对)'].max(),
                                             range_color = ['#FFFFFF','#FF3342']),legend_opts = opts.LegendOpts(is_show = False)
        )
        .set_series_opts(label_opts = opts.LabelOpts(is_show = False))
    )
    t2.add(map0, "{}".format(i))
t2.render_notebook()

6、全国各地近5年的离婚率分布-Timeline时间组件

result1 = data2[['地区','年份','粗离婚率(‰)']]
result1.fillna(0,inplace = True)
result1 = result1[result1['年份'].isin(['2018年', '2019年', '2020年', '2021年', '2022年'])]
year_list1 = result1['年份'].unique().tolist()


tl = Timeline()
tl.add_schema(
        is_auto_play=True, #设置自动播放
        play_interval=1000, #设置间间隔，毫秒
    )
for i in year_list1:
    map0 = (
        Map()
        .add("粗离婚率(‰)", [list(z) for z in zip(result1.loc[result1['年份'].str.contains(i)]['地区'].tolist(), 
                                          result1.loc[result1['年份'].str.contains(i)]['粗离婚率(‰)'].tolist())], "china",
            is_map_symbol_show = True
            )
        .set_global_opts(
            title_opts=opts.TitleOpts(title="{}全国粗离婚率(‰)分布图".format(i)),
            visualmap_opts=opts.VisualMapOpts(max_=result1.loc[result1['年份'].str.contains(i)]['粗离婚率(‰)'].max(),
                                             range_color = ['#FFFFFF','#43c6ac']),legend_opts = opts.LegendOpts(is_show = False)
        )
        .set_series_opts(label_opts = opts.LabelOpts(is_show = False))
    )
    tl.add(map0, "{}".format(i))
tl.render_notebook()

7、动态展示20年来每年离婚率排名前5的地区

data['year'] = data['年份'].str.replace('年','').astype('int')
result2 = pd.pivot_table(data,index = 'year',columns = '地区',values = '粗离婚率(‰)')
result2.columns.name = ''
result2.fillna(0,inplace = True)

bcr.bar_chart_race(result2,
                   filename = None,
#                    steps_per_period= 10,
#                    period_length=200,
                   fixed_order = False,
                   n_bars = 5,
                   bar_size = 0.6,
                   perpendicular_bar_func ='median',
                   title = '粗离婚率(‰)前五的地区',
#                    cmap="set3",
                   filter_column_colors = True
                  )