作者：俊欣

來源：關(guān)于數(shù)據(jù)分析與可視化

“碳達(dá)峰、碳中和”是2021年政府在不斷強(qiáng)調(diào)與非常重視的事兒，那什么是“碳達(dá)峰”、什么又是“碳中和”呢？這里小編來為大家科普一下，所謂的“碳達(dá)峰”指的是在某一時(shí)間點(diǎn)，二氧化碳的排放不再達(dá)到峰值，之后逐步回落。

而“碳中和”也就意味著企業(yè)、個(gè)體與團(tuán)體在一定時(shí)間內(nèi)直接或間接產(chǎn)生的溫室氣體排放總量，通過植樹造林、節(jié)能減排等形式，抵消自身產(chǎn)生的二氧化碳排放，實(shí)現(xiàn)二氧化碳的“零排放”。

今天小編就用Python來制作一張可視化大屏，讓大家來感受一下近百年來二氧化碳排放的趨勢以及給我們所居住的環(huán)境造成了什么樣的影響。

介紹數(shù)據(jù)來源

本地可視化大屏中引用的數(shù)據(jù)來自于由英國牛津大學(xué)知名教授創(chuàng)辦的網(wǎng)站“用數(shù)據(jù)看世界(Our World in Data”，里面收入了各個(gè)學(xué)科的數(shù)據(jù)，包括衛(wèi)生、食品、收入增長和分配、能源、教育、環(huán)境等行業(yè)進(jìn)行了分析與可視化展示，十分地全面，并且當(dāng)中的元數(shù)據(jù)開放在Github當(dāng)中

導(dǎo)入模塊并且讀取數(shù)據(jù)

我們導(dǎo)入需要用到的模塊

import streamlit as st
import plotly.express as px
import pandas as pd

我們這次是用到streamlit模塊來制作可視化大屏，該模塊是基于Python的可視化工具，最初開發(fā)出來的目的是給機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)團(tuán)隊(duì)使用的。同時(shí)我們用plotly.express模塊來繪制各種圖表，因此圖表是具備交互性的，pandas模塊來讀取數(shù)據(jù)

@st.cache
def get_data():
    url_1 = 'https://raw.githubusercontent.com/owid/owid-datasets/master/datasets/Climate%20change%20impacts/Climate%20change%20impacts.csv'
    url_2 = "https://github.com/owid/co2-data/raw/master/owid-co2-data.csv"

    df_1 = pd.read_csv(url_1)
    df_1_1 = df_1.query("Entity == 'World' and Year <=2021")

    df_2 = pd.read_csv(url_2)
    return df_1_1, df_2

可視化大屏的制作

然后我們來制作整個(gè)可視化大屏，首先我們先確認(rèn)好可視化大屏的布局，如下圖所示

然后我們針對(duì)每一篇布局來編寫代碼，首先看到的是標(biāo)題部分，我們通過streamlit模塊當(dāng)中的markdown方法來實(shí)現(xiàn)即可

st.markdown()

然后根據(jù)上面的布局設(shè)計(jì)，我們這么來編寫代碼

col2, space2, col3 = st.columns((10,1,10))

with col2:
    year = st.slider('選擇年份',1750,2020)
    ...

with col3: 
    ...
    selected_countries = st.multiselect('選擇國家',countries,default_countries)
    ...

col4, space3, col5, space4, col6 = st.columns((10,1,10,1,10))
with col4:
    st.markdown("""## 二氧化碳和全球變暖之間的關(guān)系""")

with col5:
    st.subheader(" 副標(biāo)題一 ")
    ...

with col6:
    st.subheader(" 副標(biāo)題二 ")
    ...

我們這里使用columns方法來將頁面均勻的分成若干列，并且給定特定的寬度，當(dāng)然每列之間還需要留一點(diǎn)空隙，從美觀程度上來考慮，因此才有了變量space對(duì)應(yīng)的是寬度1的空隙

col2, space2, col3 = st.columns((10,1,10))

然后我們針對(duì)分割開來的每個(gè)區(qū)域進(jìn)行圖表的繪制，例如左上方的世界地圖，我們用plotly.express當(dāng)中的choropleth方法來繪制，另外我們添加了時(shí)間軸，通過調(diào)用streamlit模塊當(dāng)中的slider方法來實(shí)現(xiàn)

with col2:
    year = st.slider('選擇時(shí)間', 1750, 2020)
    fig = px.choropleth(df_co2[df_co2['year'] == year], locations="iso_code",
                        color="co2_per_capita",
                        hover_name="country",
                        range_color=(0, 25),
                        color_continuous_scale=px.colors.sequential.Reds)
    st.plotly_chart(fig, use_container_width=True)

而例如右上方的折線圖，同樣也是調(diào)用plotly.express模塊來實(shí)現(xiàn)的，其中多選框則是調(diào)用了streamlit模塊當(dāng)中的multiselect方法，代碼如下

with col3:
    default_countries = ['World', 'United States', 'United Kingdom', 'EU-27', 'China', 'Canada']
    countries = df_co2['country'].unique()
    selected_countries = st.multiselect('選擇國家或者區(qū)域性組織', countries, default_countries)
    df3 = df_co2.query('country in @selected_countries')
    fig2 = px.line(df3, "year", "co2_per_capita", color="country")
    st.plotly_chart(fig2, use_container_width=True)

最后的成品如下圖所示：

從上面繪制的圖表中我們能夠看到的是，美國以及加拿大這兩國家二氧化碳的排放量一直都很高，超過了包括歐盟、英國以及中國在內(nèi)的主要經(jīng)濟(jì)體。當(dāng)然近些年各個(gè)國家的政府也對(duì)該問題相當(dāng)?shù)闹匾暎朴喠讼鄬?duì)應(yīng)的節(jié)能減排的應(yīng)對(duì)措施。