导入科学计算库

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os
import warnings
warnings.filterwarnings('ignore')
# pd.options.display.max_columns = None  #列数
# pd.options.display.max_rows = 18     #行数
pd.set_option('expand_frame_repr', False)  # 数据超过总宽度后，是否折叠显示
#支持中文 
#解决中文显示问题 
plt.rcParams['font.sans-serif'] = ['KaiTi']  # 指定默认字体 
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

os.path

<module 'ntpath' from 'D:\\\\Anaconda3\\\\lib\\\\ntpath.py'>

factors = []
for i in os.listdir('./data/年鉴表格/'):
    factors.append(os.path.splitext(i)[0])

factors

['农业机械总动力',
 '农作物总播种面积',
 '农用化肥施用量折合',
 '农用柴油使用',
 '农药使用',
 '夏粮单位面积产量',
 '夏粮总面积',
 '大中型拖拉机动力',
 '大中型拖拉机数量',
 '小型拖拉机动力',
 '小型拖拉机数量',
 '有效灌溉面积',
 '秋粮单位面积产量',
 '秋粮总面积',
 '粮食作物总播种面积',
 '粮食单位面积产量',
 '联合收割机动力',
 '联合收割机数量']

获取数据

18个excel表格？？？我要疯了，推荐使用上面的os模块，下面的强烈不推荐！

# 指标：农用大中型拖拉机动力(万千瓦)
tractor_power = pd.read_excel('data/年鉴表格/大中型拖拉机动力.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：农用大中型拖拉机数量(台)
tractor_count = pd.read_excel('data/年鉴表格/大中型拖拉机数量.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：小型拖拉机动力(万千瓦)
small_tractor_power = pd.read_excel('data/年鉴表格/小型拖拉机动力.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：小型拖拉机数量(台)
small_tractor_count = pd.read_excel('data/年鉴表格/小型拖拉机数量.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：联合收割机数量(台)
combine_harvester_count = pd.read_excel('data/年鉴表格/联合收割机数量.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：联合收割机动力(万千瓦)
combine_harvester_power = pd.read_excel('data/年鉴表格/联合收割机动力.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：粮食单位面积产量(公斤/公顷)
grain_output_per_area = pd.read_excel('data/年鉴表格/粮食单位面积产量.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：粮食作物播种面积(千公顷)
grain_acreage = pd.read_excel('data/年鉴表格/粮食作物总播种面积.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：农药使用量(万吨)
pesticide_usage = pd.read_excel('data/年鉴表格/农药使用.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：农业机械总动力(万千瓦)
total_power_of_machinery = pd.read_excel('data/年鉴表格/农业机械总动力.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：农用柴油使用量(万吨)
diesel_consumption = pd.read_excel('data/年鉴表格/农用柴油使用.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：农用化肥施用折纯量(万吨) Yield reduction of agricultural fertilizer application
fertilizer_application = pd.read_excel('data/年鉴表格/农用化肥施用量折合.xls', skiprows=3, skipfooter=1, index_col='地区')
# 指标：农作物总播种面积(千公顷) Total sown area of crops
total_sown_area_of_crops = pd.read_excel('data/年鉴表格/农作物总播种面积.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：秋粮单位面积产量(公斤/公顷)Yield of autumn grain per unit area
autumn_grain_per_area = pd.read_excel('data/年鉴表格/秋粮单位面积产量.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：秋收粮食播种面积(千公顷)
autumn_grain_total_area = pd.read_excel('data/年鉴表格/秋粮总面积.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：夏收粮食单位面积产量(公斤/公顷) Summer harvest grain output per unit area
summer_grain_per_area = pd.read_excel('data/年鉴表格/夏粮单位面积产量.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：夏收粮食播种面积(千公顷)
summer_grain_total_area = pd.read_excel('data/年鉴表格/夏粮总面积.xls', skiprows=3, skipfooter=2, index_col='地区')
# 指标：有效灌溉面积(千公顷)
effective_irrigation_area = pd.read_excel('data/年鉴表格/有效灌溉面积.xls', skiprows=3, skipfooter=1, index_col='地区')

数据合并

tractor_power.shape

(31, 43)

# 多级行列索引,并为每项索引分别命名
tractor_count.index

Index(['北京市', '天津市', '河北省', '山西省', '内蒙古自治区', '辽宁省', '吉林省', '黑龙江省', '上海市',
       '江苏省', '浙江省', '安徽省', '福建省', '江西省', '山东省', '河南省', '湖北省', '湖南省', '广东省',
       '广西壮族自治区', '海南省', '重庆市', '四川省', '贵州省', '云南省', '西藏自治区', '陕西省', '甘肃省',
       '青海省', '宁夏回族自治区', '新疆维吾尔自治区'],
      dtype='object', name='地区')

tractor_count.columns

Index(['2020年', '2019年', '2018年', '2017年', '2016年', '2015年', '2014年', '2013年',
       '2012年', '2011年', '2010年', '2009年', '2008年', '2007年', '2006年', '2005年',
       '2004年', '2003年', '2002年', '2001年', '2000年', '1999年', '1998年', '1997年',
       '1996年', '1995年', '1994年', '1993年', '1992年', '1991年', '1990年', '1989年',
       '1988年', '1987年', '1986年', '1985年', '1984年', '1983年', '1982年', '1981年',
       '1980年', '1979年', '1978年'],
      dtype='object')

tractor_count.values

array([[    nan,   4314.,   4700., ...,   7705.,   6496.,   5568.],
       [    nan,  13163.,  13799., ...,  12819.,  11574.,   9622.],
       [    nan, 280018., 272957., ...,  42133.,  37237.,  28119.],
       ...,
       [    nan,  13086.,  12200., ...,   6364.,   5545.,   4999.],
       [    nan,  42142.,  38700., ...,   5811.,   5465.,   4874.],
       [    nan, 369983., 336245., ...,  29208.,  23549.,  20135.]])

list(zip(range(3), range(3),range(3)))

[(0, 0, 0), (1, 1, 1), (2, 2, 2)]

tractor_count.values.shape

(31, 43)

tractor_power.values.shape

(31, 43)

# value = []
# for i, j, k in zip(tractor_count.values, tractor_power.values, ):
#     value.append(i)
#     value.append(j)

help(zip)

Help on class zip in module builtins:

class zip(object)
 |  zip(*iterables) --> A zip object yielding tuples until an input is exhausted.
 |  
 |     >>> list(zip('abcdefg', range(3), range(4)))
 |     [('a', 0, 0), ('b', 1, 1), ('c', 2, 2)]
 |  
 |  The zip object yields n-length tuples, where n is the number of iterables
 |  passed as positional arguments to zip().  The i-th element in every tuple
 |  comes from the i-th iterable argument to zip().  This continues until the
 |  shortest argument is exhausted.
 |  
 |  Methods defined here:
 |  
 |  __getattribute__(self, name, /)
 |      Return getattr(self, name).
 |  
 |  __iter__(self, /)
 |      Implement iter(self).
 |  
 |  __next__(self, /)
 |      Implement next(self).
 |  
 |  __reduce__(...)
 |      Return state information for pickling.
 |  
 |  ----------------------------------------------------------------------
 |  Static methods defined here:
 |  
 |  __new__(*args, **kwargs) from builtins.type
 |      Create and return a new object.  See help(type) for accurate signature.

tractor_count.index

Index(['北京市', '天津市', '河北省', '山西省', '内蒙古自治区', '辽宁省', '吉林省', '黑龙江省', '上海市',
       '江苏省', '浙江省', '安徽省', '福建省', '江西省', '山东省', '河南省', '湖北省', '湖南省', '广东省',
       '广西壮族自治区', '海南省', '重庆市', '四川省', '贵州省', '云南省', '西藏自治区', '陕西省', '甘肃省',
       '青海省', '宁夏回族自治区', '新疆维吾尔自治区'],
      dtype='object', name='地区')

factors

['农业机械总动力',
 '农作物总播种面积',
 '农用化肥施用量折合',
 '农用柴油使用',
 '农药使用',
 '夏粮单位面积产量',
 '夏粮总面积',
 '大中型拖拉机动力',
 '大中型拖拉机数量',
 '小型拖拉机动力',
 '小型拖拉机数量',
 '有效灌溉面积',
 '秋粮单位面积产量',
 '秋粮总面积',
 '粮食作物总播种面积',
 '粮食单位面积产量',
 '联合收割机动力',
 '联合收割机数量']

tractor_count.values.shape

(31, 43)

value = []
for i in range(31):
    value.append(total_power_of_machinery.values[i])
    value.append(total_sown_area_of_crops.values[i])
    value.append(fertilizer_application.values[i])
    value.append(diesel_consumption.values[i])
    value.append(pesticide_usage.values[i])
    value.append(summer_grain_per_area.values[i])
    value.append(summer_grain_total_area.values[i])
    value.append(tractor_power.values[i])
    value.append(tractor_count.values[i])
    value.append(small_tractor_power.values[i])
    value.append(small_tractor_count.values[i])
    value.append(effective_irrigation_area.values[i])
    value.append(autumn_grain_per_area.values[i])
    value.append(autumn_grain_total_area.values[i])
    value.append(grain_acreage.values[i])
    value.append(grain_output_per_area.values[i])
    value.append(combine_harvester_power.values[i])
    value.append(combine_harvester_count.values[i])

len(value)

558

31*18

558

数据合并完成

index = pd.MultiIndex.from_product([tractor_count.index, factors], names=['Province', 'Factors '])
columns = pd.MultiIndex.from_product([tractor_count.columns], names=['Years'])
data = pd.DataFrame(value, index=index, columns=columns)

tractor_count.head()

	2020年	2019年	2018年	2017年	2016年	2015年	2014年	2013年	2012年	2011年	...	1987年	1986年	1985年	1984年	1983年	1982年	1981年	1980年	1979年	1978年
地区
北京市	NaN	4314	4700	6900	7300	7000	6600	6500	7400	8864	...	12170.0	11664.0	11319.0	10859.0	9855.0	9032.0	8284.0	7705.0	6496.0	5568.0
天津市	NaN	13163	13799	15500	15400	15000	15800	15600	15000	14300	...	12523.0	12860.0	12525.0	11870.0	12654.0	12795.0	13175.0	12819.0	11574.0	9622.0
河北省	NaN	280018	272957	314700	298700	274300	254600	234300	213700	193374	...	34881.0	36074.0	37341.0	42239.0	45962.0	46234.0	45012.0	42133.0	37237.0	28119.0
山西省	NaN	104580	98700	130800	138100	130700	119000	107200	97800	88900	...	32908.0	33526.0	34861.0	36938.0	37285.0	35641.0	34402.0	32667.0	28925.0	24280.0
内蒙古自治区	NaN	354049	316476	796800	767400	723800	671500	623400	579400	547661	...	42860.0	40929.0	37942.0	32883.0	33318.0	32673.0	33212.0	33202.0	30644.0	12002.0

5 rows × 43 columns

data

	Years	2020年	2019年	2018年	2017年	2016年	2015年	2014年	2013年	2012年	2011年	...	1987年	1986年	1985年	1984年	1983年	1982年	1981年	1980年	1979年	1978年
Province	Factors
北京市	农业机械总动力	NaN	122.84	125.65	133.51	144.45	186.05	195.76	207.72	241.10	265.20	...	388.00	345.0	320.16	291.11	261.91	242.05	244.85	234.62	212.34	189.32
	农作物总播种面积	NaN	88.55	103.79	120.94	145.55	172.14	194.64	237.29	278.03	298.62	...	598.00	605.0	618.00	633.00	638.00	642.00	644.00	657.00	677.00	691.00
	农用化肥施用量折合	NaN	6.17	7.29	8.55	9.65	10.53	11.64	12.78	13.67	13.84	...	10.00	9.0	8.20	9.80	10.80	10.80	10.10	11.00	11.30	0.00
	农用柴油使用	NaN	1.80	1.93	2.25	2.53	2.78	3.36	3.70	3.88	3.96	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
	农药使用	NaN	0.23	0.26	0.27	0.30	0.32	0.36	0.39	0.39	0.39	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
新疆维吾尔自治区	秋粮总面积	NaN	1134.70	1182.44	1167.80	1186.77	1231.43	1181.92	1170.79	1088.40	969.77	...	576.50	577.6	569.60	627.40	667.60	687.60	705.49	791.00	882.20	936.40
	粮食作物总播种面积	NaN	2203.61	2219.63	2295.85	2405.28	2403.41	2303.41	2256.89	2150.11	2050.14	...	1788.20	1810.1	1861.70	1993.20	1988.20	2035.10	2082.90	2177.90	2270.70	2335.30
	粮食单位面积产量	NaN	NaN	6776.91	6467.01	6453.85	7885.95	7596.79	7651.90	7057.10	6959.18	...	3288.22	3025.9	2679.30	2493.50	2281.00	2002.40	1872.40	1783.80	1733.00	1605.80
	联合收割机动力	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	58.14	53.35	...	19.00	18.0	18.39	17.80	16.77	16.40	14.77	14.71	NaN	NaN
	联合收割机数量	NaN	15000.00	13200.00	11800.00	11100.00	9700.00	9000.00	7800.00	7021.00	6800.00	...	3467.00	3431.0	3387.00	3557.00	3517.00	3626.00	3472.00	3335.00	3011.00	2617.00

558 rows × 43 columns

data.loc['北京市'].shape

(18, 43)

data.loc['北京市']

Years	2020年	2019年	2018年	2017年	2016年	2015年	2014年	2013年	2012年	2011年	...	1987年	1986年	1985年	1984年	1983年	1982年	1981年	1980年	1979年	1978年
Factors
农业机械总动力	NaN	122.84	125.65	133.51	144.45	186.05	195.76	207.72	241.10	265.20	...	388.00	345.00	320.16	291.11	261.91	242.05	244.85	234.62	212.34	189.32
农作物总播种面积	NaN	88.55	103.79	120.94	145.55	172.14	194.64	237.29	278.03	298.62	...	598.00	605.00	618.00	633.00	638.00	642.00	644.00	657.00	677.00	691.00
农用化肥施用量折合	NaN	6.17	7.29	8.55	9.65	10.53	11.64	12.78	13.67	13.84	...	10.00	9.00	8.20	9.80	10.80	10.80	10.10	11.00	11.30	0.00
农用柴油使用	NaN	1.80	1.93	2.25	2.53	2.78	3.36	3.70	3.88	3.96	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
农药使用	NaN	0.23	0.26	0.27	0.30	0.32	0.36	0.39	0.39	0.39	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
夏粮单位面积产量	NaN	5427.60	5274.94	5451.75	5363.79	5352.89	5176.66	5171.87	5257.87	4882.03	...	4117.50	3826.50	3824.10	3716.30	3448.90	2571.60	2993.10	2111.00	3005.20	3178.30
夏粮总面积	NaN	8.20	10.14	11.45	15.96	20.78	23.58	36.22	52.20	58.14	...	184.30	186.30	192.20	200.50	200.10	200.30	203.80	215.50	229.60	234.40
大中型拖拉机动力	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	30.75	36.74	...	55.00	52.00	49.50	46.78	41.78	37.95	34.25	31.70	26.40	22.79
大中型拖拉机数量	NaN	4314.00	4700.00	6900.00	7300.00	7000.00	6600.00	6500.00	7400.00	8864.00	...	12170.00	11664.00	11319.00	10859.00	9855.00	9032.00	8284.00	7705.00	6496.00	5568.00
小型拖拉机动力	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	8.16	12.95	...	35.00	31.00	28.83	21.48	17.14	16.92	17.49	18.53	18.31	17.27
小型拖拉机数量	NaN	2124.00	2200.00	1400.00	1300.00	1400.00	2000.00	2400.00	7300.00	11653.00	...	42000.00	37000.00	35000.00	28000.00	23000.00	23000.00	24000.00	25000.00	25000.00	23000.00
有效灌溉面积	NaN	109.24	109.67	115.48	128.47	137.35	143.11	153.02	207.54	209.33	...	338.00	337.27	338.40	342.67	343.27	339.33	341.27	340.33	340.80	341.73
秋粮单位面积产量	NaN	6345.10	6328.71	6296.95	6351.95	6156.43	5355.45	6307.95	6093.37	6174.64	...	4867.91	4638.98	4580.20	4432.73	4021.24	4097.00	3665.64	4216.18	3147.70	3410.83
秋粮总面积	NaN	38.30	45.50	55.40	69.58	83.67	96.59	122.70	141.67	151.24	...	310.40	313.00	319.20	322.60	329.50	327.07	326.00	333.24	330.40	326.90
粮食作物总播种面积	NaN	46.52	55.64	66.84	85.54	104.45	120.17	158.91	193.87	209.38	...	494.70	499.30	511.40	523.10	529.60	527.30	529.80	548.70	560.00	561.30
粮食单位面积产量	NaN	NaN	6136.66	6152.22	6167.59	5996.57	5320.36	6049.04	5868.40	5815.69	...	4588.64	4335.80	4296.10	4157.60	3804.80	3517.70	3406.90	3390.00	3089.30	3313.50
联合收割机动力	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	17.56	17.00	...	8.00	5.00	4.41	3.82	2.50	2.06	2.06	1.45	NaN	NaN
联合收割机数量	NaN	1000.00	1100.00	1300.00	1500.00	1500.00	1800.00	1900.00	2200.00	2167.00	...	2059.00	1767.00	1517.00	1417.00	798.00	736.00	652.00	535.00	389.00	174.00

18 rows × 43 columns

缺失值处理

data.dropna(axis=1)

Province	Factors
北京市	农业机械总动力
	农作物总播种面积
	农用化肥施用量折合
	农用柴油使用
	农药使用
...	...
新疆维吾尔自治区	秋粮总面积
	粮食作物总播种面积
	粮食单位面积产量
	联合收割机动力
	联合收割机数量

558 rows × 0 columns

所以不能直接删除缺失值，考虑填充！

调用 fillna()方法对数据表中的所有缺失值进行填充，在 fillna()方法中输入要填充的值。 还可以通过 method 参数使用前一个数和后一个数来进行填充。

data.T.fillna(method='ffill',axis=0).fillna(method='bfill', axis=0).T

	Years	2020年	2019年	2018年	2017年	2016年	2015年	2014年	2013年	2012年	2011年	...	1987年	1986年	1985年	1984年	1983年	1982年	1981年	1980年	1979年	1978年
Province	Factors
北京市	农业机械总动力	122.84	122.84	125.65	133.51	144.45	186.05	195.76	207.72	241.10	265.20	...	388.00	345.00	320.16	291.11	261.91	242.05	244.85	234.62	212.34	189.32
	农作物总播种面积	88.55	88.55	103.79	120.94	145.55	172.14	194.64	237.29	278.03	298.62	...	598.00	605.00	618.00	633.00	638.00	642.00	644.00	657.00	677.00	691.00
	农用化肥施用量折合	6.17	6.17	7.29	8.55	9.65	10.53	11.64	12.78	13.67	13.84	...	10.00	9.00	8.20	9.80	10.80	10.80	10.10	11.00	11.30	0.00
	农用柴油使用	1.80	1.80	1.93	2.25	2.53	2.78	3.36	3.70	3.88	3.96	...	10.00	10.00	10.00	10.00	10.00	10.00	10.00	10.00	10.00	10.00
	农药使用	0.23	0.23	0.26	0.27	0.30	0.32	0.36	0.39	0.39	0.39	...	0.73	0.73	0.73	0.73	0.73	0.73	0.73	0.73	0.73	0.73
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
新疆维吾尔自治区	秋粮总面积	1134.70	1134.70	1182.44	1167.80	1186.77	1231.43	1181.92	1170.79	1088.40	969.77	...	576.50	577.60	569.60	627.40	667.60	687.60	705.49	791.00	882.20	936.40
	粮食作物总播种面积	2203.61	2203.61	2219.63	2295.85	2405.28	2403.41	2303.41	2256.89	2150.11	2050.14	...	1788.20	1810.10	1861.70	1993.20	1988.20	2035.10	2082.90	2177.90	2270.70	2335.30
	粮食单位面积产量	6776.91	6776.91	6776.91	6467.01	6453.85	7885.95	7596.79	7651.90	7057.10	6959.18	...	3288.22	3025.90	2679.30	2493.50	2281.00	2002.40	1872.40	1783.80	1733.00	1605.80
	联合收割机动力	58.14	58.14	58.14	58.14	58.14	58.14	58.14	58.14	58.14	53.35	...	19.00	18.00	18.39	17.80	16.77	16.40	14.77	14.71	14.71	14.71
	联合收割机数量	15000.00	15000.00	13200.00	11800.00	11100.00	9700.00	9000.00	7800.00	7021.00	6800.00	...	3467.00	3431.00	3387.00	3557.00	3517.00	3626.00	3472.00	3335.00	3011.00	2617.00

558 rows × 43 columns

data = data.T.fillna(method='ffill',axis=0).fillna(method='bfill', axis=0).T

# data.iloc[:, 0] = data.iloc[:, 1]

np.any(data.isnull())

False

缺失值处理完毕！

• 缺失值处理此处存有问题，由于数据不完整缺失值过多，向前向后填充不是一个好的办法。
• 如果填充每一行数据的均值，又不太合理，因为这是多年的数据变化，我们在自己填充势必会对实验造成较大影响。
• 因为随着我国经济43年的快速发展，map些因素存在上升或下降的情况，填充其实意义不大！
• 整体来看，个人浅显的认识，该数据可以作为练手，如果想要真正的分析多因素影响还需较完整的数据集。

保存数据集缓存，以后直接加载即可！

# 数据集缓存地址
# cache_path = os.path.join(CACHE_DIR, "ratings_matrix.cache")  # 路径拼接
cache_path = './data/preprocessingdata.cache'
# 加载缓存中
# ratings_matrix = pd.read_pickle(cache_path)
# print("从缓存加载数据集完毕")
data.to_pickle(cache_path)

相关性分析

# 仅对河南省进行分析
henan = data.loc['河南省']

henan.T

Factors	农业机械总动力	农作物总播种面积	农用化肥施用量折合	农用柴油使用	农药使用	夏粮单位面积产量	夏粮总面积	大中型拖拉机动力	大中型拖拉机数量	小型拖拉机动力	小型拖拉机数量	有效灌溉面积	秋粮单位面积产量	秋粮总面积	粮食作物总播种面积	粮食单位面积产量	联合收割机动力	联合收割机数量
Years
2020年	10356.97	14713.98	666.72	100.10	10.72	6549.40	5718.70	1283.47	373074.0	3830.16	3139675.0	5328.95	5881.30	5015.90	10734.54	6096.52	880.25	295000.0
2019年	10356.97	14713.98	666.72	100.10	10.72	6549.40	5718.70	1283.47	373074.0	3830.16	3139675.0	5328.95	5881.30	5015.90	10734.54	6096.52	880.25	295000.0
2018年	10204.46	14783.35	692.79	103.92	11.36	6262.79	5770.11	1283.47	353481.0	3830.16	3184500.0	5288.69	5909.71	5135.97	10906.08	6096.52	880.25	287700.0
2017年	10038.32	14732.53	706.70	108.84	12.07	6472.35	5741.31	1283.47	458500.0	3830.16	3175400.0	5273.63	5427.85	5173.82	10915.13	5977.25	880.25	278400.0
2016年	9854.96	14902.72	715.03	112.44	12.71	6331.87	5730.24	1283.47	432700.0	3830.16	3295000.0	5242.92	5227.78	5489.31	11219.55	5791.68	880.25	265500.0
2015年	11710.08	14879.73	716.09	114.70	12.87	6262.96	5648.60	1283.47	402300.0	3830.16	3396200.0	5210.64	5353.56	5477.70	11126.30	5815.24	880.25	241500.0
2014年	11476.81	14731.54	705.75	115.95	12.99	6055.48	5606.83	1283.47	378100.0	3830.16	3462600.0	5101.15	5129.87	5338.14	10944.97	5604.03	880.25	221300.0
2013年	11149.96	14586.50	696.37	113.43	13.01	5907.74	5543.70	1283.47	357800.0	3830.16	3513200.0	4969.11	5333.46	5153.72	10697.43	5631.07	880.25	200200.0
2012年	10872.73	14386.89	684.43	112.25	12.83	5881.57	5494.66	1283.47	338500.0	3830.16	3539400.0	5205.63	5398.19	4939.90	10434.56	5652.73	880.25	177100.0
2011年	10515.79	14373.32	673.71	111.07	12.87	5776.14	5459.35	1129.08	310700.0	3721.70	3557600.0	5150.44	5392.86	4785.07	10244.43	5597.12	769.96	157800.0
2010年	10195.89	14320.79	655.15	107.92	12.49	5805.34	5390.69	969.55	274445.0	3797.50	3586100.0	5080.96	5289.42	4636.31	10027.00	5566.79	671.93	143760.0
2009年	9817.84	14235.70	628.67	104.17	12.14	5792.30	5351.21	816.84	246921.0	3806.10	3655300.0	5033.03	5303.09	4539.41	9890.62	5567.77	561.91	124326.0
2008年	9429.27	14403.71	601.68	99.24	11.91	5719.15	5319.97	693.22	202608.0	3775.00	3636700.0	4989.20	5338.35	4426.91	9746.87	5546.19	431.03	102530.0
2007年	8718.71	14308.50	569.68	96.42	11.80	5642.71	5266.75	532.81	149400.0	3422.00	3239700.0	4955.84	5352.33	4261.77	9528.52	5512.84	355.80	93200.0
2006年	8309.13	13995.53	540.43	93.04	11.16	5627.33	5242.71	437.04	127730.0	3266.55	3095800.0	4918.80	5131.58	4213.23	9455.94	5406.44	307.77	84840.0
2005年	7934.23	13922.73	518.14	89.79	10.51	5190.05	5027.33	366.33	110840.0	3119.77	2984520.0	4864.12	4781.27	4126.08	9153.41	5005.78	251.67	71750.0
2004年	7521.12	13789.66	493.16	86.86	10.12	5104.57	4938.67	435.00	97000.0	2943.62	2828600.0	4829.08	4313.69	4031.40	8970.07	4749.13	229.55	65960.0
2003年	6953.17	13684.36	467.89	84.58	9.87	4771.41	4896.67	285.44	87200.0	2717.94	2598500.0python疫情数据分析，并做数据可视化展示(代码片段) ...析数据筛选一些我想用的数据保存数据保存成表格做数据可视化分析开始代码1.发送请求importrequests#额外安装:第三方模块url='https://voice.baidu.com/act/newpneumonia/newpneumonia/?from=osari_aladin 查看详情 pandas数据分析：快速图表可视化各类操作详解+实例代码(代码片段) ...，内心总是希望能够根据自己所想立马生成一张数据可视化的图表来更直观的呈现数据。而当我们想要进行数据 查看详情 pandas数据分析：快速图表可视化各类操作详解+实例代码(代码片段) ...，内心总是希望能够根据自己所想立马生成一张数据可视化的图表来更直观的呈现数据。而当我们想要 查看详情 plotly可视化表格数据：以表格可视化pandasdataframe(代码片段) plotly可视化表格数据：以表格可视化pandasdataframe#plotly可视化dataframe中的表格数据；importplotlyaspyfromplotly.toolsimportFigureFactoryasFFimportpandasaspd#----------predefpyplt=py.offline.plotdf=pd.read_csv(r\'day01.csv\', 查看详情 日常《中国统计年鉴》与《中国金融年鉴》数据表爬虫（附1985-2020所有excel资源）(代码片段) ...期末比较忙，挂个可能有用的资源：《中国金融年鉴》（1986-2019）和《中国统计年鉴》（1981-2020）的所有Excel表的资源。数据来源于中国知网的爬虫（下面正文中有提及具体链接网址）。目前为止网... 查看详情 用可视化探索数据特征的n种姿势(代码片段) 导读： 本文主要以可视化方式来探索金融股市数据，运用多种探索性数据分析方法，相关理论与方法可以参见之前的一篇文章Python数据分析之数据探索分析(EDA)。本次案例使用一般函数方法探索变量信息，重点运... 查看详情 企业运维之elk日志分析平台（kibana）(代码片段) ELK日志分析平台--kibana数据可视化介绍与配置1.Kibana简介2.Kibana安装与配置1.Kibana简介kibana是一款开源的数据分析和可视化平台，它是ElasticStack成员之一，设计用于和Elasticsearch协作。可以使用Kibana对Elasticsearch索引中的数据... 查看详情 plotly可视化输出数据表格（table）:简单表格添加链接的表格(代码片段) Plotly可视化输出数据表格（table）:简单表格、添加链接的表格#可视化输出简单表格importplotlyaspyimportplotly.figure_factoryasFF#----------predefpyplt=py.offline.plotdata_matrix=[[\'国家\',\'年份\',\'人口\'],[\'中国\',2000,1267430000],[\'美国\',2 查看详情 爬取知乎热度搜索标题并数据分析及可视化(代码片段) ...、主题式网络爬虫名称：爬取知乎热度数据并数据分析及可视化2、爬取的内容：知乎热搜的标题、排行、热度数据特征：随机、以文字和数字为主3、实现思路：首先查看所要爬取页面的源代码，找到所需要爬取的数据在源代码... 查看详情 开源的分析与可视化平台kibana的介绍以及源码搭建(代码片段) 一、Kibana简介Kibana是一个开源的分析与可视化平台，它的设计理念是用来搭配Elasticsearch的。也就是用来和Elasticsearch一起使用。可以通过kinaba搜索、查看存放在Elasticsearch中的数据。kibana与Elasticsearch的交互方式是各种不同的图... 查看详情 python数据分析基础008-利用pandas带你玩转excel表格（中下篇）(代码片段) 文章要点🍺前言🍁（一）利用pandas将excel中的数据绘制成可视化图形🔥1.在excel中实现🔥2.在pandas中实现🍁（二）利用pandas实现多表联合🔥1.在excel中实现🔥2.在pandas中实现🍁&# 查看详情 l7-9常用表格(代码片段) ...息直观、清晰的展示并分析结果越来越重要了。二、数据可视化#数据可视化是一门通过将数据放在可视环境中来理解数据的学科，#主要旨在借助工具将数据制作成图表等形式，#来清晰、直观、高效地传达与沟通信息。#常用图... 查看详情 新型冠状病毒数据可视化分析(代码片段) 新型冠状病毒数据可视化分析导言如何成为Python数据分析师？学习目标学习内容效果展示代码与数据分享数据分析常用库Pandas简介数据可视化库Seaborn简介地理可视化库Folium简介1.建立开发环境1.1安装Folium1.2导入pandas等需要的... 查看详情 pandas高级数据分析快速入门之四——数据可视化篇(代码片段) ...掘与统计分析篇Pandas高级数据分析快速入门之四——数据可视化篇Pandas高级数据分析快速入门之五——机器学习特征工程篇Pandas高级数据分析快速入门之六——机器学习预测分析篇1.关于MatlibplotMatplotlib是Python的 查看详情 python大作业——爬虫+可视化+数据分析+数据库（可视化篇）(代码片段) 相关链接Python大作业——爬虫+可视化+数据分析+数据库（简介篇）Python大作业——爬虫+可视化+数据分析+数据库（爬虫篇）Python大作业——爬虫+可视化+数据分析+数据库（数据分析... 查看详情 r获取股票数据并进行进行可视化分析(代码片段) R获取股票数据并进行进行可视化分析#加载依赖的包library(quantmod)library(ggplot2)library(magrittr)library(broom)#设置计划分析或者处理的时间范围start=as.Date("2020-02-01")end=as.Date("2020-03-31")#通过股票代码获取时间范围内的数据，可以设置多个... 查看详情 数据可视化分析(代码片段) 　　目前来说，主流的数据可视化框架包括d3.js和Echarts，后者是百度开发的，也是使用人数最多的。　　在Echarts4.0中提供了canvas和svg两种渲染方式，而d3是以svg为主的。另外，对于Echarts来说，默认使用的时canvas渲染，但是我们... 查看详情 51job数据可视化分析练习(代码片段) 1基于Echars图表数据分析（HTML部分：创建div-->调用js）%formaininmain_count%<divid="main|safe"style="width:1280px;height:850px;"></div>%endfor%<scripttype="text/javascript">vari=0;getId=func 查看详情