数据可视化分析2015-2017年世界幸福指数

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 pltplt.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)

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_ydata=pd.merge(data2,data,how='left',on='Country')#更改2017年的column_y为columndata=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)

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()

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()

数据可视化分析2015-2017年世界幸福指数相关推荐

数据可视化--世界幸福指数报告
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 ...
GDP越高就越幸福吗？用Python分析《世界幸福指数报告》后我们发现…
公众号后台回复"图书",了解更多号主新书内容作者:CDA数据分析师来源:CDA数据分析师 CDA数据分析师出品作者:真达.Mika 数据:真达 [导读] 今天教大 ...
Tableau数据分析数据可视化分析平台
Tableau数据分析&数据可视化分析平台本文章内涉及的资源包以及素材均来自于互联网,仅供大家用来交流学习与研究使用,努力提升自己的一篇文章.各类安装包以及素材版权归属原版权方所有,版权 ...
Kaggle Lending Club Loan Data数据可视化分析与不良贷款预测
文章目录数据集介绍数据可视化分析前的数据预处理引入包和数据集对特征缺失值的处理保存处理好的数据集数据可视化分析申请贷款金额和实际贷款金额的数据分布每年贷款笔数直方图与每年贷款总金额直方 ...
数据可视化分析教学课件——FineBI实验册节选====资产负债分析
数据可视化分析课程教学,0基础也能掌握,本节讲述的是金融经济类专业的数据可视化分析案例:资产负债分析 a.实验背景 1.资产负债信息不透明,不能及时了解到风险所在. 2.数据反馈不及时,存 ...
使用R语言分析世界幸福指数
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 Sc ...
金州勇士4年3冠的成功秘诀！数据可视化分析告诉你答案
作者 | wLsq 来源 | Python数据科学 ▍前言 2015年6月,记得那时候我正在忙着研究生毕业,也是在那个时候,NBA总决赛的开始了.当时,金州勇士队作为一匹黑马收到很多人看好,果然不负所 ...
vs2017数据可视化建模_介绍数据可视化社区调查2017
vs2017数据可视化建模 by lars verspohl 由拉斯·韦斯波尔介绍数据可视化社区调查2017 (Introducing the Data Visualization Communit ...
数据可视化分析票房数据报告_票房收入分析和可视化
数据可视化分析票房数据报告 Welcome back to my 100 Days of Data Science Challenge Journey. On day 4 and 5, I work ...
网易云音乐爬虫数据可视化分析
网易云音乐爬虫 & 数据可视化分析 1. 数据爬取 1.1 评论爬取 1.2 用户信息爬取 2 数据清洗 & 可视化歌评文本分析个人博客:Archiew's blog 源码:htt ...

数据可视化分析2015-2017年世界幸福指数

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

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）

3.2015-2016年幸福指数上升最快和下降最快的国家

4.中国3年的幸福指数变化

数据可视化分析2015-2017年世界幸福指数相关推荐

最新文章

热门文章