新一线城市数据处理与使用plotly动态可视化

痛定思痛。 2022-12-11 06:22 159阅读 0赞

\*\*

## 新一线城市可视化 ##

\*\*

### 前言 ###

本篇文章使用2000-2020年新一线城市数据。总包含两个excel文件，一个是在“新一线城市房价数据.xlsx”；另一个是“新一线城市人口和GDP.xlsx”。（数据文末自取）。本篇博客的意义所在是学习数据分析中的数据处理和表格的合并，最重要的就是新的一种可视化库—plotly库包的使用。

#### 直奔主题–上代码 ####

# 导入包
    import numpy as np 
    import pandas as pd
    
    import plotly as py 
    import plotly.graph_objs as go 
    import plotly.express as px 
    from plotly import tools

首先肯定是导入各种库包，这里主要说下plotly包，类似于pyecharts的可视化

### 房价数据可视化 ###

房价走势图 - 条形图  
人口增量走势图 - 条形图  
GDP走势图 - 条形图  
人口 Vs GDP随时间变化走势图 - 散点图

#读入数据
    df_price=pd.read_excel("/home/ysc/dataFX/新一线城市/data/新一线城市房价数据.xlsx")
    #df_price['name'].value_counts()
    df_price.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center]

#提取年月
    df_price["dates"]=df_price["dates"].str.replace("房价",'')
    #提取年份
    df_price["year"]=df_price["dates"].str.split("年").str[0]
    
    #price处理
    df_price["price"]=df_price["price"].str.replace("元/㎡",'').astype('int')
    
    #排序
    df_price=df_price.sort_values("dates")
    #重置索引
    df_price.index=range(df_price.shape[0])
    df_price.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 1]

#生成新表
    df_price2=df_price.groupby(["name","year"])["price"].mean().reset_index() 
    #reset_index() 重置索引 
    df_price2["price"]=round(df_price2["price"])
    df_price2.head()

![在这里插入图片描述][20200928203830350.png_pic_center]

#条形图 animation_frame 帧动画
    fig1 = px.bar(df_price2, x='name', y='price', color='name', text='price',
                 title='新一线城市近10年平均房价走势图', 
                 animation_frame='year',
                 range_y=[5000, 30000]
                 )
    fig1.update_layout(xaxis_title="城市",yaxis_title="平均价格(元/㎡)")
    py.offline.plot(fig1,filename="/home/ysc/dataFX/data/新一线城市近十年平均房价走势图.html")

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 2]  
由于是动态图，截图显示不出效果。读者可自行运行尝试操作。下图同理。

### 人口-GDP数据可视化 ###

#读入数据
    df_gdb=pd.read_excel("/home/ysc/dataFX/新一线城市/data/新一线城市人口和GDP.xlsx",sheet_name=0)
    df_pop=pd.read_excel("/home/ysc/dataFX/新一线城市/data/新一线城市人口和GDP.xlsx",sheet_name=1)
    print(df_gdb.shape,df_pop.shape)

输出结果：(300, 3) (300, 3)

df_all=pd.merge(left=df_gdb,right=df_pop,on=["城市","年份"])
    df_all=df_all.sort_values(["城市","年份"])
    df_all.index=range(df_all.shape[0])
    df_all.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 3]

# 条形图
    fig2 = px.bar(df_all, x='城市', y='GDP', color='城市', text='GDP', 
                 title='新一线城市近20年GDP变化趋势',
                 range_y=[300, 25000],
                 animation_frame='年份',
                 ) 
    fig2.update_layout(yaxis_title='GDP(亿元)') 
    py.offline.plot(fig2, filename='2000-2019年GDP变化趋势.html')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 4]

fig3=px.scatter(df_all,x="GDP",y="人口",animation_frame="年份",animation_group="城市",
               size="人口",color="城市",hover_name='城市', size_max=50, text='城市',
               range_x=[300, 25000], range_y=[150, 4000],
               title='新一线城市近20年GDP和人口变化趋势', )
    fig3.update_layout(xaxis_title='GDP(亿元)',yaxis_title='人口(万人)')
    py.offline.plot(fig3,filename="/home/ysc/dataFX/data/2000-2019年GDP和人口变化趋势.html")

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 5]

### 人口增量数据可视化 ###

#存储数据
    df_dealed=pd.DataFrame()
    for i in df_all['城市'].unique():
        #筛选城市、创建副本
        df_sel=df_all[df_all['城市']==i].copy()
        #新增列
        df_sel['人口增量']=df_sel['人口'].diff()
        #累计增量
        df_sel['人口累计增量'] = df_sel['人口增量'].cumsum()
        #追加
        df_dealed = df_dealed.append(df_sel, ignore_index=True) 
    #删除空值
    
    df_dealed=df_dealed.dropna()
    df_dealed['人口增量']=round(df_dealed['人口增量'],2)
    df_dealed['人口累计增量'] = round(df_dealed['人口累计增量'], 2)
    df_dealed.head()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 6]

#条形图
    fig4=px.bar(df_dealed, x='城市', y='人口累计增量', text='人口累计增量', color='城市',
                   title='新一线城市2000年后人口累计增量', animation_frame='年份',
                   range_y=[0, 500]
                  )
    fig4.update_layout(xaxis_title='各大城市',yaxis_title='累计增量(万人)') 
    py.offline.plot(fig4, filename='/home/ysc/dataFX/data/2001-2019年人口增量数据.html')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 7]  
数据集 链接: https://pan.baidu.com/s/1-H4CeejJQRiGDRz1gtRLgA 提取码: i2fp

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center]: /images/20221123/4a42375d2cfa493c8ad2946e4d956c8b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221123/990358b86c6647e6be9ef846e8a4f0de.png
[20200928203830350.png_pic_center]: /images/20221123/a8592ff46c804bd8bf5a25ea77bbd94d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221123/aede3d11dacb4a908ebf5b09f35f96fa.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221123/7379a14a764d43f59b527547f5c8b4c2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221123/d732a975710a49bdaf42e37c705369ab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221123/dd9acb22a27e4e32a639a357fe8b0b6c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221123/b303f7a0a8d44c4099fc9d8c697e4f27.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMzMzkyMzgz_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221123/e4a002d654a1479ea62fee877fe0592e.png