Python数据分析案例66——跨境商贸进出口货物分析

本文链接：https://blog.csdn.net/weixin_46277779/article/details/144206512

背景

本来想用不同的国家直接贸易往来的数据构建图关联的结构的模型，观察哪些国家贸易紧密的。但是这个数据只有港口作为节点，那就做点可视化分析吧。

数据介绍

主要是这些变量：

大部分是字符串类型的变量，下面可以进行各种分组聚合，条件筛选对比风险。

当然需要本期案例的全部数据和代码文件的同学可以参考：港口数据

代码实现

读取数据

导入包

import numpy as np 
import pandas as pd
import plotly.express as px

加载数据，随机抽取10条看看，

df = pd.read_csv('Imports_Exports_Dataset new.csv')
df.sample(10)

数据描述性统计分析

进出口

查看数据基础信息

df.info()

查看是否缺失值。

df.isnull().sum()

查看重复数据

df.duplicated().sum()

查看变量名称

df.columns

转化时间日期格式

# Date column ko correct format mein convert karna
df['Date'] = pd.to_datetime(df['Date'], format='%d-%m-%Y')

交易量-国家/地区和类别

按照不同的商品，国家，查看进出口的交易量。

# Trade volume aur value ko summarize karna har country aur product category ke hisab se
trade_summary = df.groupby(['Country', 'Category', 'Import_Export']).agg({
    'Quantity': 'sum',
    'Value': 'sum'
}).reset_index()

# Trade volume ka plot har country aur category ke liye
fig_volume = px.bar(trade_summary, x='Category', y='Quantity', color='Country',
                    title='Trade Volume by Country and Category', barmode='group',
                    labels={'Quantity':'Total Quantity', 'Category':'Product Category'})
fig_volume.update_layout(xaxis_title='Product Category',
                         yaxis_title='Total Quantity',
                         legend_title='Country')
fig_volume.show()

这个图是动态的，截图可能不能展现它的强大，它是可以交互的图。

交易金额-国家/地区和类别

不同国家和地区的交易金额。

# Trade value ka plot har country aur category ke liye
fig_value = px.bar(trade_summary, x='Category', y='Value', color='Country',
                   title='Trade Value by Country and Category', barmode='group',
                   labels={'Value':'Total Value (USD)', 'Category':'Product Category'})
fig_value.update_layout(xaxis_title='Product Category',
                        yaxis_title='Total Value (USD)',
                        legend_title='Country')
fig_value.show()

光标放在哪，哪里就有这个数据的信息，是交互式的，还是很厉害的图。

平均交易额 -运送方式

来对比不同运送方法的交易额，计算代码：

shipping_analysis = df.groupby('Shipping_Method').agg({
    'Value': 'mean',  
    'Quantity': 'mean',  
    'Weight': 'mean' 
}).reset_index()

可视化

# Average Trade Value by Shipping Method with specific color
fig_value = px.bar(shipping_analysis, x='Shipping_Method', y='Value',
                   title='Average Trade Value by Shipping Method',
                   labels={'Value': 'Average Trade Value (USD)'},
                   color_discrete_sequence=['#636EFA'])  # Blue color
fig_value.update_layout(xaxis_title='Shipping Method', yaxis_title='Average Value (USD)')
fig_value.show()

三种海陆空运输方法的交易金额差不多，但是还有细微的差别。

总结：海运方式的平均交易价值最高（5,073.827 美元）。陆运方式紧随其后，平均值略低（5,052.056 美元）。空运方式的平均交易价值最低（4,972.596 美元）。这表明，与空运相比，通过海运和陆运运输的平均贸易价值更高

平均数量 -运输方式

来对比不同运送方法的交易数量，可视化

# Average Quantity by Shipping Method with different color
fig_quantity = px.bar(shipping_analysis, x='Shipping_Method', y='Quantity',
                      title='Average Trade Quantity by Shipping Method',
                      labels={'Quantity': 'Average Quantity'},
                      color_discrete_sequence=['#EF553B'])  # Red color
fig_quantity.update_layout(xaxis_title='Shipping Method', yaxis_title='Average Quantity')
fig_quantity.show()

总结：陆运方式的平均贸易数量最高（5,045.668）。空运方式紧随其后，平均数量为 4,990.102。海运方式的平均贸易数量最低（4,907.333）。这表明陆运通常用于大批量的货物，而海运往往处理相对较小的数量。空运介于两者之间，处理量接近陆运。

平均重量 -交易方式

# Average Weight by Shipping Method with another color
fig_weight = px.bar(shipping_analysis, x='Shipping_Method', y='Weight',
                    title='Average Weight by Shipping Method',
                    labels={'Weight': 'Average Weight (Kg)'},
                    color_discrete_sequence=['#00CC96'])  # Teal color
fig_weight.update_layout(xaxis_title='Shipping Method', yaxis_title='Average Weight (Kg)')
fig_weight.show()

总结：空运方式处理的平均重量最高（2,513.396 千克）。陆运方式紧随其后，平均重量为 2,484.802 公斤。海运方式的平均重量最低（2,478.258 公斤）。这表明与陆运和海运方式相比，空运处理的货物略重，尽管差异非常小。

进口 vs. 出口分布 -柱状图

# Import vs Export transaction counts with custom colors
fig = px.bar(df, x='Import_Export', title='Import vs Export Distribution',
             color='Import_Export', color_discrete_sequence=['red', 'black'])  # Custom color for each category
fig.show()

总结： Import 和 Export 的分布几乎相等，两个类别的记录计数相似，各约为 7,000 条。这种平衡表明数据集的进口和出口数量几乎相等，反映了两种贸易类型之间的数据集非常平衡。

交易数量排名前 10 的国家- 柱状图

# Top 10 countries involved in trade
top_countries = df['Country'].value_counts().head(10).index
fig = px.bar(df[df['Country'].isin(top_countries)], x='Country', title='Top 10 Countries by Transaction Count')
fig.show()

可以看到congo和韩国交易量比较多。

前 10 名产品类别 -柱状图

# Top 10 product categories by transaction count
top_categories = df['Category'].value_counts().head(10).index
fig = px.bar(df[df['Category'].isin(top_categories)], x='Category', title='Top 10 Product Categories by Transaction Count')
fig.show()

数量与价值的关系 - 散点图

# Scatter plot to show relationship between quantity and value
fig = px.scatter(df, x='Quantity', y='Value', title='Relationship Between Quantity and Value')
fig.show()

配送运输方式- 饼图

# Pie chart for shipping methods
fig = px.pie(df, names='Shipping_Method', title='Distribution of Shipping Methods', hole=0.4)
fig.show()

数量、价值和重量之间的相关性- 热力图

import numpy as np
# Create a correlation matrix and plot a heatmap
fig = px.imshow(np.round(df[['Quantity', 'Value', 'Weight']].corr(), 2), 
                text_auto=True, 
                title='Correlation Matrix: Quantity, Value, and Weight')
fig.show(

按总贸易价值排名前 10 位的产品 - 条形图

# Group by product and show top 10 products by value
top_products = df.groupby('Product')['Value'].sum().reset_index().sort_values(by='Value', ascending=False).head(10)
fig = px.bar(top_products, x='Product', y='Value', title='Top 10 Products by Total Trade Value')
fig.show()