位置:深圳CDA数据分析师培训机构 > 学校动态 > pandas 分析可视化东京奥运会数据
本文将基于东京奥运会奖牌榜数据,使用 pandas 进行数据分析可视化实战(文末可以下载数据与源码)
数据读取
首先是奥运会奖牌数据的获取,虽然有很多接口提供数据,但是通过奥运会拿到的数据自然是较可靠的
通过对东京奥运会奖牌榜的页面分析,发现其表格在前端是通过 嵌入的,所以可以使用 pandas.read_html() 轻松读取
df1 = pd.read_html("https://olympics.com/tokyo-2020/olympic-games/zh/results/all-sports/medal-standings.htm")[0]
之后再读取本地分日奖牌数据并将ID进行匹配
df2 = pd.read_csv("东京奥运会奖牌分日数据.csv")
修改列名
注意到上面的 df1 列名并没有完整,所以可以使用 rename 函数修改指定列的名称
df1.rename(columns={'Unnamed: 2':'数', 'Unnamed: 3':'银牌数', 'Unnamed: 4':'铜牌数'},inplace=True)
数据类型查看与修改
既然 df2 有时间列,为了方便后面分析,自然要检查一下其类型
df2.info()
可以看到,获奖时间列虽然没有缺失值但其并不是pandas支持的时间类型。
好在修改列属性并不是什么困难的事情,一行代码轻松搞定(7-12)
df2['获奖时间'] = pd.to_datetime(df2['获奖时间'])
数据合并
通过观察可以发现,df2并没有 名称 列,但是其与 df1 有一个共同列 id
为了给 df2 新增一列 名称 列,一个自然的想法就是通过 id 列将两个数据框进行合并,在 pandas 中实现,也不是什么困难的事情
temp = pd.merge(df1,df2,on = 'id') #先合并 temp['获奖时间'] = pd.to_datetime(temp['获奖时间'])#修改类型 temp = temp.sort_values(by=['获奖时间','奖牌类型'], ascending=True, ignore_index=True)#排序,和df2一样 df2[''] = temp['奥委会']#赋值
现在 df2 就调整的差不多了(由于源数据问题,部分获奖时间与真实时间有一定误差),下面开始进行分析
数据分组
下面对 df2 进行一些统计分析,计算每个的奖牌总数(也就是出现次数),并查看奖牌数名,结果可以用 df1 进行验证
数据统计
看完奖牌排行,接下来计算获得奖牌较多的运动员(注意:仅统计单人项目)
这里无需使用分组功能,只需要按照运动员姓名列进行频率统计即可。
数据筛选
下面筛选出全部乒乓球的获奖信息,这里的筛选有多种写法,你能写出几种?
数据透视
现在查看各国在各项目上的奖牌详情,下面是通过透视得到的答案,但你会使用使用数据分组功能吗?
pd.pivot_table(df2,values = ['奖牌类型'],index = ['','运动类别'],aggfunc = 'count')
数据查询
在上一题的基础上,查询中国队的获奖牌详情,注意是查询而不是筛选,所以使用上上一题的方法将会报错
result.query(" == ['中国']")
个性化查看
如何将上一题的结果进一步突出展示,可以使用 pandas 中的 style
(result.query(" == ['中国']").style.bar(subset=['奖牌类型'],color='skyblue'))
数据格式化
上面说到,df2 的获奖时间部分并不准确(主要体现在小时上),所以我们干脆将时间到天,这里可以使用 map 对一整列进行操作
def time_format(x): return x.strftime("%m月%d日")df2['获奖时间'] = df2['获奖时间'].map(time_format)
分组统计
接下来,让我们统计每天产生的奖牌总数
df2.groupby("获奖时间")[''].count().sort_values()
可以看到,较后产生的奖牌数量较多
数据透视
再来查看不同项目在不同的分布情况,同样也可以使用分组功能实现
pd.pivot_table(df2,values = ['奖牌类型'],index = ['运动类别',''],aggfunc = 'count')
数据计算
接下来让我们计算中国每日总奖牌数量,你能想到该如何实现吗?
pd.pivot_table(df2,values = ['奖牌类型'],index = ['获奖时间',''],aggfunc = 'count').query(" == ['中国']").cumsum()
数据计算
较后,计算名各国每日奖牌数量统计,注意:对于天没有数据的用0填充,其余时间的缺失值用上一日数据填充。
这看似简单的问题,涉及的 pandas 操作还真不少!
data = pd.pivot_table(df2,values = ['奖牌类型'],index = ['获奖时间',''],aggfunc = 'count').query(" == ['美国', '中国', '日本', '英国', 'ROC', '澳大利亚', '荷兰', '法国', '德国', '意大利']") data = data.unstack() data.columns = data.columns.get_level_values(1) data.columns.name = None data = data.cumsum() data = data.fillna(axis=0,method='ffill').fillna(0) data
条形图
首先制作奖牌排行榜
上图使用 matplotlib 制作,看起来不错,但代码量也确实不少
堆叠图
接下来使用 pyecharts 绘制上一题奖牌榜各奖牌的细分
使用 pyecharts 的好处就是使用封装好的方法,代码量相对较少
环形图
现在进一步绘制中国队的奖牌分布
同样使用 pyecharts ,实际行代码搞定
地图
现在绘制奖牌分布的热力地图
使用 pyecharts 绘制,绘图代码不多,但是调整中英文映射字典是一件痛苦的事情
动态图
较后绘制每日奖牌榜奖牌数量的动态图,使用 matplotlib 或 pyecharts 均得不到较好的效果,所以这里使用另一个第三方库 bar_chart_race 进行绘制
以上就是基于 2020年东京奥运会 数据进行的一系列数据分析可视化流程,基本涉及到利用 Pandas 进行数据分析的主要操作,是一份不可多得的简单易懂、利于探索的数据集。
尊重原创文章,转载请注明出处与链接:http://www.peixun360.com/6463/news/582375/违者必究! 以上就是深圳CDA数据分析师培训机构 小编为您整理 pandas 分析可视化东京奥运会数据的全部内容。