基于百度统计的城市人口迁徙数据做数据

简介: 基于百度统计的城市人口迁徙数据做数据

直接上结果:

220bd5d7406850c24246b2d10c4c92b8.png

编辑



c98626079878f277ee94dfbfafc4797d.png


编辑

22a1e14ec0e6c2a4bb363f3a887a75fc.png


编辑


e1bd50e2b569168ccca3fc47bf61ec6f.png


编辑

所有代码:


# encoding:utf-8
# 导入库-------------------------
import pandas as pd
import matplotlib.pyplot as plt
import random
import matplotlib
# pip install pandas -i https://pypi.tuna.tsinghua.edu.cn/simple
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False
import matplotlib.pyplot as plt
import matplotlib
matplotlib.rcParams['font.sans-serif'] = ['SimHei']
matplotlib.rcParams['axes.unicode_minus'] = False
import random
import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
from collections import Counter
import os
def bing_tu(label_list, size, title_name, figsize_x):
    """"
    # 饼图
    label_list = ["第一部分", "第二部分", "第三部分"]
    size = [55, 35, 10]    # 各部分大小
    """
    def make_autopct(values):
        def my_autopct(pct):
            total = sum(values)
            val = int(round(pct * total / 100.0))
            # 同时显示数值和占比的饼图
            return '{p:.2f}%  ({v:d})'.format(p=pct, v=val)
        return my_autopct
    color = []
    colors = ["red", "green", "blue", "yellow"]  # 各部分颜色
    while len(color) < len(label_list):
        color.append(colors[random.randint(0, 3)])
        # explode = [0.05, 0, 0]   # 各部分突出值
    fig = plt.figure(figsize=(figsize_x, figsize_x))
    plt.subplot(131)
    plt.title(title_name)
    plt.pie(size, labels=label_list, labeldistance=1.2, autopct=make_autopct(size))
    # plt.savefig("barChart.jpg")
    plt.show()
def zhu_zhuang_tu(label_list, size, title_name, y_name, x_name):
    """
    # 柱状图
    label_list = ["第一部分", "第二部分", "第三部分"]
    size = [55, 35, 10]    # 各部分大小
    """
    fig = plt.figure()
    plt.bar(label_list, size, 0.5, color="green")
    plt.xlabel(x_name)
    plt.ylabel(y_name)
    plt.title(title_name)
    # plt.savefig("barChart.jpg")
    plt.show()
# matplotlib 画图------------------------------------------------------
# 针对某一天 北京市 流入人口分析 柱状图。
data_baidu_out_20200101=pd.read_csv("baidu_in_20200101.csv")
# 数据清洗 把所有空值设置为0
data_baidu_out_20200101=data_baidu_out_20200101.fillna(0)
x_data=data_baidu_out_20200101.columns[2:15] # 取表头
y_data=data_baidu_out_20200101.values[0][2:15] # 取数据
zhu_zhuang_tu(x_data,y_data,"北京流入人口分析柱状图","数量","地区")
# 针对整个月份 北京市流入人口分析 饼状图
# path定义要获取的文件名称的目录
path = r"C:\Users\Administrator\Desktop\作业\百度迁徙数据做数据分析\2020年1月百度迁徙数据\迁入"
file_name_list = os.listdir(path)[:-2]
# print(file_name_list)
# 把整个月的数据都取出来
shumu_sum=[0 for i in range(13)]
for file_name in file_name_list:
    temp_data=pd.read_csv(file_name) #,encoding='gbk'
    temp_data=temp_data.fillna(0)
    shumu_sum = [i + j for i, j in zip(shumu_sum,temp_data.values[0][2:15])]
bing_tu(x_data,shumu_sum, "2020年1月 北京流入人口分析",20)
# pyecharts 画图-----------------------------------------------
from pyecharts.charts import * # 图表
from pyecharts.components import Table # 表格
from pyecharts import options as opts # 配置
from pyecharts.commons.utils import JsCode
import random # 随机数
from pyecharts.charts import Pie
from pyecharts.charts import Page
# 针对某一天 天津市 流入人口分析柱状图。
data_baidu_out_20200101=pd.read_csv("baidu_in_20200101.csv")
# 数据清洗 把所有空值设置为0
data_baidu_out_20200101=data_baidu_out_20200101.fillna(0)
x_data=list(data_baidu_out_20200101.columns[3:16])
y_data=data_baidu_out_20200101.values[1][3:16]
y_data=[int(i) for i in y_data]# 数据转化整数操作
print(x_data)
print(y_data)
bar = Bar() # 初始化图表
bar.add_xaxis(x_data) # x轴
bar.add_yaxis('数目', y_data) # y轴
bar.set_global_opts(title_opts=opts.TitleOpts(title="天津市流入人口分析柱状图"))
bar.render(path=r"C:\Users\Administrator\Desktop\作业\百度迁徙数据做数据分析\2020年1月百度迁徙数据\柱状图_bar.html")
#设置要输出的html页面的保存路径和名字htest_bar.html,默认值保存为为当前目录下render.html
# 针对整个月份 天津市迁出人口分析 饼状图
# path定义要获取的文件名称的目录
path = r"C:\Users\Administrator\Desktop\作业\百度迁徙数据做数据分析\2020年1月百度迁徙数据\迁出"
file_name_list = os.listdir(path)
# 把整个月的数据都取出来 # x_data 可以借助上一个图的 现在只计算y_daya
shumu_sum=[0 for i in range(13)]
for file_name in file_name_list:
    temp_data=pd.read_csv(path+"/"+file_name) #,encoding='gbk'
    temp_data=temp_data.fillna(0)# 数据清洗
    shumu_sum = [i + j for i, j in zip(shumu_sum,temp_data.values[0][3:16])]
c = (
    Pie()
    .add("", [list(z) for z in zip(x_data, y_data)])  # zip函数两个部分组合在一起list(zip(x,y))-----> [(x,y)]
    .set_global_opts(title_opts=opts.TitleOpts(title="2022年1月天津市流流出口分析柱状图",pos_left="center"))  # 标题
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))  # 数据标签设置
)
c.render_notebook()
c.render(path=r"C:\Users\Administrator\Desktop\作业\百度迁徙数据做数据分析\2020年1月百度迁徙数据\饼图_bar.html")

完整的代码+数据:

https://download.csdn.net/download/qq_38735017/87357819

相关文章
|
NoSQL 定位技术 数据库
GIS如何分析台风影响范围和受灾人数
GIS如何分析台风影响范围和受灾人数
193 0
|
数据可视化 大数据 数据挖掘
2022-11-28-大数据可视化“可视化国产/进口电影票房榜单”分析,特征维度大于50(一)
2022-11-28-大数据可视化“可视化国产/进口电影票房榜单”分析,特征维度大于50
150 0
|
数据可视化 大数据
2022-11-28-大数据可视化“可视化国产/进口电影票房榜单”分析,特征维度大于50(二)
2022-11-28-大数据可视化“可视化国产/进口电影票房榜单”分析,特征维度大于50
123 0
|
9月前
|
编解码 算法 大数据
人口、共享单车与地铁数据下载网站整理
人口、共享单车与地铁数据下载网站整理
146 2
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.3 城市绿色出行指数——5.3.3 城市绿色出行指数计算方法
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.3 城市绿色出行指数——5.3.3 城市绿色出行指数计算方法
100 0
|
安全
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.3 城市绿色出行指数——5.3.1 城市绿色出行指数五大指标
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.3 城市绿色出行指数——5.3.1 城市绿色出行指数五大指标
149 0
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.3 城市绿色出行指数——5.3.2 城市绿色出行指数计算原则
《城市绿色出行指数白皮书》——5. 城市绿色出行评价——5.3 城市绿色出行指数——5.3.2 城市绿色出行指数计算原则
121 0
|
数据可视化 定位技术
部分省会城市公交路线以及公交站点数据分享
最近在做一个城市公交行驶路线优化的研究,收集到了部分城市的公交路线和公交站数据2018年(北京 上海 广州 成都 大连 福州 杭州 合肥 济南 南京 青岛 厦门 深圳 沈阳 苏州 天津 武汉 西安 长春 长沙)都是shp格式
165 0
|
编解码 BI 定位技术
全国多年平均降水量空间分布数据1951-2021年、气温分布数据、蒸散量数据、蒸发量数据、太阳辐射数据、日照数据、风速数据
全国多年平均降水量空间分布数据1951-2021年、气温分布数据、蒸散量数据、蒸发量数据、太阳辐射数据、日照数据、风速数据
全国多年平均降水量空间分布数据1951-2021年、气温分布数据、蒸散量数据、蒸发量数据、太阳辐射数据、日照数据、风速数据
好客租房166-根据定位获取当前城市
好客租房166-根据定位获取当前城市
135 0
好客租房166-根据定位获取当前城市

热门文章

最新文章