來源：早起Python

作者：劉早起

本文將基于東京奧運(yùn)會獎牌榜數(shù)據(jù)，使用 pandas 進(jìn)行數(shù)據(jù)分析可視化實戰(zhàn)（文末可以下載數(shù)據(jù)與源碼）

數(shù)據(jù)讀取

首先是奧運(yùn)會獎牌數(shù)據(jù)的獲取，雖然有很多接口提供數(shù)據(jù)，但是通過奧運(yùn)會官網(wǎng)拿到的數(shù)據(jù)自然是最可靠的

通過對東京奧運(yùn)會官網(wǎng)獎牌榜的頁面分析，發(fā)現(xiàn)其表格在前端是通過  嵌入的，所以可以使用 pandas.read_html() 輕松讀取

df1 = pd.read_html("https://olympics.com/tokyo-2020/olympic-games/zh/results/all-sports/medal-standings.htm")[0]

之后再讀取本地分日獎牌數(shù)據(jù)并將國家ID進(jìn)行匹配

df2 = pd.read_csv("東京奧運(yùn)會獎牌分日數(shù)據(jù).csv")

修改列名

注意到上面的 df1 列名并沒有完整，所以可以使用 rename 函數(shù)修改指定列的名稱

df1.rename(columns={'Unnamed: 2':'金牌數(shù)', 'Unnamed: 3':'銀牌數(shù)', 'Unnamed: 4':'銅牌數(shù)'},inplace=True)

數(shù)據(jù)類型查看與修改

既然 df2 有時間列，為了方便后面分析，自然要檢查一下其類型

df2.info()

可以看到，獲獎時間列雖然沒有缺失值但其并不是pandas支持的時間類型。

好在修改列屬性并不是什么困難的事情，一行代碼輕松搞定（7-12）

df2['獲獎時間'] = pd.to_datetime(df2['獲獎時間'])

數(shù)據(jù)合并

通過觀察可以發(fā)現(xiàn)，df2并沒有 國家名稱 列，但是其與 df1 有一個共同列 國家id

為了給 df2 新增一列 國家名稱 列，一個自然的想法就是通過 國家id 列將兩個數(shù)據(jù)框進(jìn)行合并，在 pandas 中實現(xiàn)，也不是什么困難的事情

temp = pd.merge(df1,df2,on = '國家id') #先合并 temp['獲獎時間'] = pd.to_datetime(temp['獲獎時間'])#修改類型 temp = temp.sort_values(by=['獲獎時間','獎牌類型'], ascending=True, ignore_index=True)#排序，和df2一樣 df2['國家'] = temp['國家奧委會']#賦值 

現(xiàn)在 df2 就調(diào)整的差不多了（由于源數(shù)據(jù)問題，部分獲獎時間與真實時間有一定誤差），下面開始進(jìn)行分析

數(shù)據(jù)分組

下面對 df2 進(jìn)行一些統(tǒng)計分析，計算每個國家的獎牌總數(shù)（也就是出現(xiàn)次數(shù)），并查看獎牌數(shù)前5名，結(jié)果可以用 df1 進(jìn)行驗證

數(shù)據(jù)統(tǒng)計

看完國家獎牌排行，接下來計算獲得獎牌最多的運(yùn)動員（注意：僅統(tǒng)計單人項目）

這里無需使用分組功能，只需要按照運(yùn)動員姓名列進(jìn)行頻率統(tǒng)計即可。

數(shù)據(jù)篩選

下面篩選出全部乒乓球的獲獎信息，這里的篩選有多種寫法，你能寫出幾種？

數(shù)據(jù)透視

現(xiàn)在查看各國在各項目上的獎牌詳情，下面是通過透視得到的答案，但你會使用使用數(shù)據(jù)分組功能嗎？

pd.pivot_table(df2,values = ['獎牌類型'],index = ['國家','運(yùn)動類別'],aggfunc = 'count')

數(shù)據(jù)查詢

在上一題的基礎(chǔ)上，查詢中國隊的獲獎牌詳情，注意是查詢而不是篩選，所以使用上上一題的方法將會報錯

result.query("國家 == ['中國']")

個性化查看

如何將上一題的結(jié)果進(jìn)一步突出展示，可以使用 pandas 中的 style

(result.query("國家 == ['中國']")
.style
.bar(subset=['獎牌類型'],color='skyblue'))

數(shù)據(jù)格式化

上面說到，df2 的獲獎時間部分并不準(zhǔn)確（主要體現(xiàn)在小時上），所以我們干脆將時間精確到天，這里可以使用 map 對一整列進(jìn)行操作

def time_format(x): return x.strftime("%m月%d日")

df2['獲獎時間'] = df2['獲獎時間'].map(time_format)

分組統(tǒng)計

接下來，讓我們統(tǒng)計每天產(chǎn)生的獎牌總數(shù)

df2.groupby("獲獎時間")['國家'].count().sort_values()

可以看到，最后一天產(chǎn)生的獎牌數(shù)量最多

數(shù)據(jù)透視

再來查看不同項目在不同國家的分布情況，同樣也可以使用分組功能實現(xiàn)

pd.pivot_table(df2,values = ['獎牌類型'],index = ['運(yùn)動類別','國家'],aggfunc = 'count')

數(shù)據(jù)計算

接下來讓我們計算中國每日總獎牌數(shù)量，你能想到該如何實現(xiàn)嗎？

pd.pivot_table(df2,values = ['獎牌類型'],index = ['獲獎時間','國家'],aggfunc = 'count').query("國家 == ['中國']").cumsum()

數(shù)據(jù)計算

最后，計算前十名各國每日獎牌數(shù)量統(tǒng)計，注意：對于第一天沒有數(shù)據(jù)的國家用0填充，其余時間的缺失值用上一日數(shù)據(jù)填充。

這看似簡單的問題，涉及的 pandas 操作還真不少！

data = pd.pivot_table(df2,values = ['獎牌類型'],index = ['獲獎時間','國家'],aggfunc = 'count').query("國家 == ['美國', '中國', '日本', '英國', 'ROC', '澳大利亞', '荷蘭', '法國', '德國', '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 

條形圖

首先制作獎牌排行榜

上圖使用 matplotlib 制作，看起來不錯，但代碼量也確實不少

堆疊圖

接下來使用 pyecharts 繪制上一題獎牌榜各獎牌的細(xì)分

使用 pyecharts 的好處就是使用封裝好的方法，代碼量相對較少

環(huán)形圖

現(xiàn)在進(jìn)一步繪制中國隊的獎牌分布

同樣使用 pyecharts ，實際行代碼搞定

地圖

現(xiàn)在繪制獎牌分布的熱力地圖

使用 pyecharts 繪制，繪圖代碼不多，但是調(diào)整國家中英文映射字典是一件痛苦的事情

動態(tài)圖

最后繪制每日獎牌榜前十獎牌數(shù)量的動態(tài)圖，使用 matplotlib 或 pyecharts 均得不到較好的效果，所以這里使用另一個第三方庫 bar_chart_race 進(jìn)行繪制

以上就是基于 2020年東京奧運(yùn)會 數(shù)據(jù)進(jìn)行的一系列數(shù)據(jù)分析可視化流程，基本涉及到利用 Pandas 進(jìn)行數(shù)據(jù)分析的主要操作，是一份不可多得的簡單易懂、利于探索的數(shù)據(jù)集。