你幸福吗用 Python 分析幸福指数

2020-12-19 21:44 Python开发者

(给Python开发者加星标,提升Python技能

来源:博客园-huny

https://www.cnblogs.com/huny/p/14146719.html

【导语】:世界上最幸福的国家有哪些?个人幸福和哪些指标相关?你幸福吗?如果不知道,那就进来看看这篇关于幸福的数据分析。


1 前言


民意测验机构盖洛普从2012年起,每年都会在联合国计划下发布《世界幸福指数报告》,报告会综合两年内150多个国家的国民对其所处社会、城市和自然环境等因素进行评价后,再根据他们所感知的幸福程度对国家进行排名。


《世界幸福指数报告》的编撰主要依赖于对150多个国家的1000多人提出一个简单的主观性问题:“如果有一个从0分到10分的阶梯,顶层的10分代表你可能得到的最佳生活,底层的0分代表你可能得到的最差生活。你觉得你现在在哪一层?”


最近看到的一个项目,非常的有意思。接下来我将用python带你来分析一下世界各国的幸福指数排名,以及和幸福有关系的因素。


2 数据解释


图片


3 数据准备


图片


数据下载: 链接:https://pan.baidu.com/s/1gTrf7lLjiBNra2lPxeI0GA 提取码:ophj

pip install -r requirement.txt 

4 编码


import numpy as npimport pandas as pdimport os,sysimport matplotlib.pyplot as pltimport seaborn as snsimport plotly as pyimport plotly.graph_objs as goimport plotly.express as pxfrom plotly.offline import init_notebook_mode, iplot, plot
#数列的路径file_path = os.path.dirname(os.path.abspath(__file__))
# 读入数据df_2015 = pd.read_csv(f'{file_path}/2015.csv')df_2016 = pd.read_csv(f'{file_path}/2016.csv')df_2017 = pd.read_csv(f'{file_path}/2017.csv')df_2018 = pd.read_csv(f'{file_path}/2018.csv')df_2019 = pd.read_csv(f'{file_path}/2019.csv')
# 新增列-年份df_2015["year"] = str(2015)df_2016["year"] = str(2016)df_2017["year"] = str(2017)df_2018["year"] = str(2018)df_2019["year"] = str(2019)
# 合并数据df_all = df_2015.append([df_2016, df_2017, df_2018, df_2019], sort=False)df_all.drop('Unnamed: 0', axis=1, inplace=True)df_all.head()data = dict(type='choropleth', locations=df_2019['region'], locationmode='country names', colorscale='RdYlGn', z=df_2019['happiness'], text=df_2019['region'], colorbar={'title': '幸福指数'})
layout = dict(title='2019年世界幸福指数地图', geo=dict(showframe=True, projection={'type': 'azimuthal equal area'}))
choromap3 = go.Figure(data=[data], layout=layout)plot(choromap3, filename=f'{file_path}/世界幸福地图.html')


整体来看,北欧的国家幸福指数较高,如冰岛、丹麦、挪威、芬兰;东非和西非的国家幸福指数较低,如多哥、布隆迪、卢旺达和坦桑尼亚。



# 合并数据rank_top10 = df_2019.head(10)[['rank', 'region', 'happiness']]last_top10 = df_2019.tail(10)[['rank', 'region', 'happiness']]rank_concat = pd.concat([rank_top10, last_top10])
# 条形图fig = px.bar(rank_concat, x="region", y="happiness", color="region", title="2019年全球最幸福和最不幸福的国家")
plot(fig, filename=f'{file_path}/2019世界幸福国家排行Top10和Last10.html')


2019年报告,芬兰连续两年被评为“全球最幸福国家”。丹麦、挪威、冰岛、荷兰进入前五名,对比2018年报告,中国从86名下降到93名。

# 散点图fig = px.scatter(df_all, x='gdp_per_capita',                 y='happiness',                 facet_row='year',                 color='year',                 trendline='ols'                 ) fig.update_layout(height=800, title_text='人均GDP和幸福指数')plot(fig, filename=f'{file_path}/GDP和幸福得分.html')


人均GDP与幸福得分呈高度线性正相关关系,GDP越高的国家,幸福水平相对越高。

# 散点图fig = px.scatter(df_all, x='healthy_life_expectancy',                 y='happiness',                 facet_row='year',                 color='year',                 trendline='ols'                 ) fig.update_layout(    height=800, title_text='健康预期寿命和幸福指数')plot(fig, filename=f'{file_path}/健康预期寿命和幸福得分.html')

慷慨程度与幸福得分呈高度线性正相关关系,慷慨程度越高的国家,幸福水平相对越高。

#散点图 fig = px.scatter(df_all, x='social_support',                 y='happiness',                 facet_row='year',                 color='year',                 trendline='ols'                 )fig.update_layout(    height=800, title_text='社会援助和幸福指数')plot(fig, filename=f'{file_path}/社会援助和幸福得分.html')


5 总结

我们可以得出以下结论:

从影响因素相关图可以看出,在影响幸福得分的因素中,GDP、社会支持、健康预期寿命呈现高度相关,自由权呈现中度相关,国家的廉政水平呈现低度相关,慷慨程度则呈现极低的相关性;

GDP与健康预期寿命、社会支持之间存在高度相关。说明GDP高的国家,医疗水平和社会福利较为完善,人民的预期寿命也会越高;

健康预期寿命与社会支持之间存在中度相关性。

- EOF -

推荐阅读  点击标题可跳转

1、Python 内存管理大揭秘

2、Python 算法模板库,Pythonista 找工作利器

3、PyCharm vs VSCode,是时候改变你的 IDE 了!


觉得本文对你有帮助?请分享给更多人

推荐关注「Python开发者」,提升Python技能

点赞和在看就是最大的支持❤️

本文章转载自公众号:PythonCoder

首页 - Python 相关的更多文章: