🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

在这里插入图片描述

【数据可视化-90】2023 年城镇居民人均收入可视化分析：Python + pyecharts打造炫酷暗黑主题大屏

    • 一、引言
    • 二、数据准备
    • 三、环境搭建
    • 四、数据可视化
      • 4.1 柱状图：人均收入排名
      • 4.2 折线图：人均收入增量
      • 4.3 饼图：人均收入占比
      • 4.4 地图：人均收入分布
    • 五、组合到大屏
    • 六、可视化结果
      • 6.1 柱状图：人均收入排名
      • 6.2 折线图：人均收入增量
      • 6.3 饼图：人均收入占比
      • 6.4 地图：人均收入分布
    • 七、分析总结

一、引言

  在数据分析领域，数据可视化是将数据以直观的图形方式展示出来，帮助我们更好地理解数据背后的规律和趋势。本文将使用 Python 和 Pyecharts 来对 2023 年各省城镇居民人均收入数据进行可视化分析，从多个维度展示人均收入的分布情况，并生成炫酷的可视化大屏。

二、数据准备

  本次分析的数据集包含三个字段：省份、人均收入（元）、增量（元）。以下是部分数据：

省份元增量（元）
上海89476.75442.7
北京88650.24627.1
浙江74996.83728.9
江苏63211.13033.0
广东59307.02402.0
………

三、环境搭建

  在开始之前，确保已经安装了以下 Python 包：

pip install pandas pyecharts openpyxl

四、数据可视化

  以下是完整的 Python 代码，用于读取数据、进行可视化分析，并生成炫酷的可视化大屏。

import pandas as pd
from pyecharts.charts import Bar, Line, Pie, Map, Funnel, Grid
from pyecharts import options as opts
from pyecharts.globals import ThemeType# 读取数据
df = pd.read_excel("各省人均收入排名(2023年城镇居民).xlsx")# 数据准备
provinces = df["省份"].tolist()
incomes = df["元"].tolist()
increments = df["增量(元)"].tolist()

4.1 柱状图：人均收入排名

bar = (Bar().add_xaxis(provinces).add_yaxis("人均收入（元）", incomes, category_gap="50%").set_global_opts(title_opts=opts.TitleOpts(title="2023年城镇居民人均收入排名", subtitle="数据来源：统计局"),visualmap_opts=opts.VisualMapOpts(max_=90000, is_piecewise=True),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="人均收入（元）"),).set_series_opts(label_opts=opts.LabelOpts(is_show=False),itemstyle_opts=opts.ItemStyleOpts(border_color="#fff"),)
)

4.2 折线图：人均收入增量

line = (Line().add_xaxis(provinces).add_yaxis("增量（元）", increments).set_global_opts(title_opts=opts.TitleOpts(title="2023年城镇居民人均收入增量", subtitle="数据来源：统计局"),visualmap_opts=opts.VisualMapOpts(max_=6000, is_piecewise=True),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(name="增量（元）"),).set_series_opts(label_opts=opts.LabelOpts(is_show=False),linestyle_opts=opts.LineStyleOpts(width=2),)
)

4.3 饼图：人均收入占比

pie = (Pie().add("", [list(z) for z in zip(provinces, incomes)]).set_global_opts(title_opts=opts.TitleOpts(title="2023年城镇居民人均收入占比", subtitle="数据来源：统计局"),legend_opts=opts.LegendOpts(orient="vertical", pos_top="15%", pos_left="2%"),).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)"))
)

4.4 地图：人均收入分布

map_ = (Map(init_opts=opts.InitOpts(theme="dark")).add("人均收入（元）", [list(z) for z in zip(provinces, incomes)], "china").set_global_opts(title_opts=opts.TitleOpts(title="2023年城镇居民人均收入地图", subtitle="数据来源：统计局"),visualmap_opts=opts.VisualMapOpts(max_=90000, is_piecewise=True),)
)

五、组合到大屏

page = Page(layout=Page.DraggablePageLayout, page_title="2023_城镇居民人均收入可视化分析")
page.add(bar,line,pie,funnel,map_
)
# 生成HTML文件
page.render("2023_城镇居民人均收入可视化大屏.html")

六、可视化结果

  运行上述代码后，会生成一个名为 2023_城镇居民人均收入可视化大屏.html 的文件，打开后可以看到以下内容：

6.1 柱状图：人均收入排名

  柱状图展示了 2023 年各省城镇居民人均收入的排名情况。从图中可以看出，上海和北京的人均收入最高，分别达到了 89476.7 元和 88650.2 元，远高于其他省份。而重庆的人均收入最低，仅为 31530.9 元。整体来看，东部沿海地区的省份人均收入普遍较高，而中西部地区的省份人均收入相对较低。

6.2 折线图：人均收入增量

  折线图展示了 2023 年各省城镇居民人均收入的增量情况。从图中可以看出，上海的人均收入增量最高，达到了 5442.7 元，其次是西藏和内蒙古，增量分别为 3147.0 元和 2381.0 元。而重庆的人均收入增量最低，仅为 957.0 元。整体来看，人均收入增量较高的省份主要集中在东部沿海地区和部分中部地区，而西部地区的省份人均收入增量相对较低。

6.3 饼图：人均收入占比

  饼图展示了 2023 年各省城镇居民人均收入的占比情况。从图中可以看出，上海和北京的人均收入占比最高，分别占到了 15.2% 和 15.0%。而重庆的人均收入占比最低，仅为 5.4%。整体来看，人均收入占比较高的省份主要集中在东部沿海地区，而中西部地区的省份人均收入占比相对较低。

6.4 地图：人均收入分布

  地图展示了 2023 年各省城镇居民人均收入的分布情况。从图中可以看出，东部沿海地区的省份人均收入普遍较高，颜色较深；而中西部地区的省份人均收入相对较低，颜色较浅。整体来看，人均收入的分布呈现出明显的区域差异，东部地区经济发展水平较高，人均收入也较高；而中西部地区经济发展水平相对较低，人均收入也较低。

七、分析总结

  通过对 2023 年各省城镇居民人均收入数据的可视化分析，我们可以得出以下结论：

  1. 区域差异明显：东部沿海地区的省份人均收入普遍较高，而中西部地区的省份人均收入相对较低。这主要是由于东部地区经济发展水平较高，产业结构较为优化，就业机会较多，居民收入水平也相对较高；而中西部地区经济发展水平相对较低，产业结构较为单一，就业机会较少，居民收入水平也相对较低。
  2. 增量分布不均：人均收入增量较高的省份主要集中在东部沿海地区和部分中部地区，而西部地区的省份人均收入增量相对较低。这说明东部地区和部分中部地区的经济发展速度较快，居民收入增长较快；而西部地区的经济发展速度相对较慢，居民收入增长较慢。
  3. 经济结构调整：从人均收入增量来看，部分中西部省份的人均收入增量也较为可观，如西藏、内蒙古等。这表明这些省份在近年来的经济发展中取得了一定的成效，产业结构不断优化，居民收入水平也在逐步提高。

  总之，通过对人均收入数据的可视化分析，我们可以更好地了解我国各省城镇居民收入的分布情况和变化趋势，为制定相关政策提供参考依据。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/diannao/95629.shtml
繁体地址，请注明出处：http://hk.pswp.cn/diannao/95629.shtml
英文地址，请注明出处：http://en.pswp.cn/diannao/95629.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Multiverse模型：突破多任务处理和硬件效率瓶颈的AI创新（上）

Multiverse模型：突破多任务处理和硬件效率瓶颈的AI创新（上）

随着人工智能技术的快速发展，多模态模型成为了当前研究的热点。多模态模型的核心思想是能够同时处理和理解来自不同模态（如文本、图像、音频等）的数据，从而为模型提供更加全面的语境理解和更强的泛化能力。 杨新宇，卡…
阅读更多...
OpenCV 高斯模糊降噪

OpenCV 高斯模糊降噪

# 高斯模糊处理(降噪) # 参数1: 原始图像 # 参数2: 高斯核尺寸(宽,高，必须为正奇数) # 其他模糊方法: # - cv.blur(): 均值模糊 # - cv.medianBlur(): 中值模糊 # - cv.bilateralFilter(): 双边滤波 blur cv.GaussianBlur(img, (7,7), cv…
阅读更多...
常见通信协议详解：TCP、UDP、HTTP/HTTPS、WebSocket 与 RPC

常见通信协议详解：TCP、UDP、HTTP/HTTPS、WebSocket 与 RPC

在现代网络通信中，各种协议扮演着至关重要的角色，它们决定了数据如何在网络中传输、控制其可靠性、实时性与适用场景。对于开发者而言，理解这些常见的通信协议，不仅有助于更好地设计系统架构，还能在面对不同业务需求时…
阅读更多...
深入解析MPLS网络中的路由器角色

深入解析MPLS网络中的路由器角色

一、 MPLS概述：标签交换的艺术 在深入角色之前，我们首先要理解MPLS的核心思想。传统IP路由是逐跳进行的，每一台路由器都需要对数据包的目的IP地址进行复杂的路由表查找（最长匹配原则），这在网络核心层会造成…
阅读更多...
AI的拜师学艺，模型蒸馏技术

AI的拜师学艺，模型蒸馏技术

AI的拜师学艺，模型蒸馏技术什么是模型蒸馏，模型蒸馏是一种高效的模型压缩与知识转移方法，通过将大型教师模型的知识精炼至小型学生模型，让学生模型模仿教师模型的行为和内化其知识，在保持模型性能的同时降低资源消耗。…
阅读更多...
Python爬虫从入门到精通（理论与实践）

Python爬虫从入门到精通（理论与实践）

目录 1. 爬虫的魅力：从好奇心到数据宝藏 1.1 爬虫的基本流程 1.2 准备你的工具箱 2. 第一个爬虫：抓取网页标题和链接 2.1 代码实战：用requests和BeautifulSoup 2.2 代码解析 2.3 遇到问题怎么办？ 3. 进阶爬取：结构化数据抓取 3.1 分析网页结构 3.2 代码实战：抓取…
阅读更多...
【DDIA】第三部分：衍生数据

【DDIA】第三部分：衍生数据

1. 章节介绍 本章节是《设计数据密集型应用》的第三部分，聚焦于多数据系统集成问题。前两部分探讨了分布式数据库的基础内容，但假设应用仅用一种数据库，而现实中大型应用常需组合多种数据组件。本部分旨在研究不同数据系统集成时的问题&#…
阅读更多...
Spring配置线程池开启异步任务

Spring配置线程池开启异步任务

一、单纯使用Async注解。1、Async注解在使用时，如果不指定线程池的名称，则使用Spring默认的线程池，Spring默认的线程池为SimpleAsyncTaskExecutor。2、方法上一旦标记了这个Async注解，当其它线程调用这个方法时，就会开…
阅读更多...
AI数据仓库优化数据管理

AI数据仓库优化数据管理

内容概要AI数据仓库代表了现代企业数据管理的重大演进，它超越了传统数据仓库的范畴。其核心在于利用人工智能技术，特别是机器学习和深度学习算法，来智能化地处理从多源数据整合到最终价值提取的全过程。这种新型仓库不仅能高效地统一存储来自…
阅读更多...
SpringMVC（详细版从入门到精通）未完

SpringMVC（详细版从入门到精通）未完

SpringMVC介绍 MVC模型 MVC全称Model View Controller，是一种设计创建Web应用程序的模式。这三个单词分别代表Web应用程序的三个部分： Model（模型）：指数据模型。用于存储数据以及处理用户请求的业务逻辑。在Web应用中，JavaBean对象，业务模型等都属于Model。 View（视图…
阅读更多...
vue3运行机制同tkinter做类比

vue3运行机制同tkinter做类比

把刚才“Vue3 盖别墅”的故事，和 Python 的 tkinter 做一个“一一对应”的翻译，你就能瞬间明白两件事的异同。 为了直观，用同一栋房子比喻： Vue3 的“网页” ⇄ tkinter 的“桌面窗口”浏览器 ⇄ Python 解释器 Tcl/Tk 引擎 下面…
阅读更多...
Fastadmin后台列表导出到表格

Fastadmin后台列表导出到表格

html中添加按钮<a href"javascript:;" class"btn btn-success btn-export" title"{:__(导出数据)}" ><i class"fa fa-cloud-download"></i> {:__(导出数据)}</a>对应的js添加代码处理点击事件&#xff0c;添加…
阅读更多...
Nginx反向代理与缓存实现

Nginx反向代理与缓存实现

1. Nginx反向代理核心配置解析 1.1 反向代理基础配置结构 Nginx反向代理的基础配置结构主要包括server块和location块的配置。一个典型的反向代理配置示例如下&#xff1a; server {listen 80;server_name example.com;location / {proxy_pass http://backend_servers;proxy_se…
阅读更多...
第2节 如何计算神经网络的参数：AI入门核心逻辑详解

第2节 如何计算神经网络的参数：AI入门核心逻辑详解

🎯 核心目标：找到最佳w和b！ 上期咱们聊了神经网络就是复杂的"线性变换+激活函数套娃"，今天的重头戏就是：怎么算出让模型完美拟合数据的w（权重）和b（偏置）！先从最简单的线性函数说起，一步步揭开神秘面纱 那么如何计算w和b呢？首先明确我们需要的w和b能够让…
阅读更多...
AutoSar AP平台功能组并行运行原理

AutoSar AP平台功能组并行运行原理

在 AUTOSAR Adaptive Platform&#xff08;AP&#xff09;中&#xff0c;同一个机器上可以同时运行多个功能组&#xff08;Function Groups&#xff09;&#xff0c;即使是在单核CPU环境下。其调度机制与进程调度既相似又存在关键差异&#xff0c;具体实现如下&#xff1a;功能…
阅读更多...
linux服务器查看某个服务启动，运行的时间

linux服务器查看某个服务启动，运行的时间

一 查看服务启动运行时间1.1 查看启动时间查看启动时间&#xff08;精确到秒&#xff09;&#xff1a;ps -p <PID> -o lstart例子如下&#xff1a;ps -p 1234 -o lstart1.2 查询运行时长ps -p <PID> -o etimeps -p 1234 -o etime1.3 总结
阅读更多...
【JS 性能】前端性能优化基石：深入理解防抖（Debounce）与节流（Throttle）

【JS 性能】前端性能优化基石：深入理解防抖（Debounce）与节流（Throttle）

【JS 性能】前端性能优化基石&#xff1a;深入理解防抖&#xff08;Debounce&#xff09;与节流&#xff08;Throttle&#xff09; 所属专栏&#xff1a; 《前端小技巧集合&#xff1a;让你的代码更优雅高效》 上一篇&#xff1a; 【JS 语法】代码整洁之道&#xff1a;解构赋值…
阅读更多...
线性代数 · 直观理解矩阵 | 空间变换 / 特征值 / 特征向量

线性代数 · 直观理解矩阵 | 空间变换 / 特征值 / 特征向量

注&#xff1a;本文为 “线性代数 直观理解矩阵” 相关合辑。 英文引文&#xff0c;机翻未校。 如有内容异常&#xff0c;请看原文。 Understanding matrices intuitively, part 1 直观理解矩阵&#xff08;第一部分&#xff09; 333 March 201120112011 William Gould Intr…
阅读更多...
设计模式基础概念（行为模式）：策略模式

设计模式基础概念（行为模式）：策略模式

概述 策略模式是一种行为设计模式&#xff0c; 它能让你定义一系列算法&#xff0c; 并将每种算法分别放入独立的类中&#xff0c; 以使算法的对象能够相互替换。 主要目的是通过定义相似的算法&#xff0c;替换if else 语句写法&#xff0c;并且可以随时相互替换 结构示例 策略…
阅读更多...
功能组和功能组状态的概念关系和区别

功能组和功能组状态的概念关系和区别

在 AUTOSAR Adaptive Platform 中&#xff0c;功能组&#xff08;Function Group&#xff0c;FG&#xff09; 和 功能组状态&#xff08;Function Group State&#xff09; 是状态管理&#xff08;SM&#xff09;的核心概念&#xff0c;二者构成静态逻辑单元与动态行为模式的协…
阅读更多...
最新文章

Copyright @ 2022~2023