大家好,我是早起。
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)
首先是奥运会奖牌数据的获取,虽然有很多接口提供数据,但是通过奥运会官网拿到的数据自然是最可靠的
通过对东京奥运会官网奖牌榜的页面分析,发现其表格在前端是通过 <table>
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国家ID进行匹配
df2 = pd.read_csv("东京奥运会奖牌分日数据.csv")
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':'金牌数',
'Unnamed: 3':'银牌数',
'Unnamed: 4':'铜牌数'},inplace=True)
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'])
通过观察可以发现,df2
并没有 国家名称 列,但是其与 df1
有一个共同列 国家id
为了给 df2
新增一列 国家名称 列,一个自然的想法就是通过 国家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 = '国家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['国家'] = temp['国家奥委会']#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
下面对 df2
进行一些统计分析,计算每个国家的奖牌总数(也就是出现次数),并查看奖牌数前5名,结果可以用 df1
进行验证
看完国家奖牌排行,接下来计算获得奖牌最多的运动员(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。
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?
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 = ['国家','运动类别'],aggfunc = 'count')
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("国家 == ['中国']")
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("国家 == ['中国']")
.style
.bar(subset=['奖牌类型'],color='skyblue'))
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精确到天,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)
接下来,让我们统计每天产生的奖牌总数
df2.groupby("获奖时间")['国家'].count().sort_values()
可以看到,最后一天产生的奖牌数量最多
再来查看不同项目在不同国家的分布情况,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','国家'],aggfunc = 'count')
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','国家'],aggfunc = 'count').query("国家 == ['中国']").cumsum()
最后,计算前十名各国每日奖牌数量统计,注意:对于第一天没有数据的国家用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','国家'],aggfunc = 'count').query("国家 == ['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
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
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
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
现在绘制奖牌分布的热力地图
使用 pyecharts 绘制,绘图代码不多,但是调整国家中英文映射字典是一件痛苦的事情
最后绘制每日奖牌榜前十奖牌数量的动态图,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。
本文全部内容均取自「pandas进阶修炼300题」中实战案例3,如果你也想真实操作一遍,可以点击下方文章查看如何下载数据与源码~
点击下载「pandas进阶修炼300题」👇