用 Python 带你看各国 GDP 变迁

当前位置:

首页 > Python基础教程 >

用 Python 带你看各国 GDP 变迁

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。

作者：周萝卜

源自：萝卜大杂烩

PS：如有需要Python学习资料的小伙伴可以加点击下方链接自行获取

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef

数据文件分析

先来看下我们拿到的文件，都有什么数据，哪些是我们可以利用起来的。

1、GDP 总量数据，这是我们研究的重点数据文件，里面囊括了世界各个国家和地区的历史 GDP 数据，我把它命名为“GDP_data.csv”。

2、GDP 增长率数据，这个同样是非常重要的数据文件，记录了各国 GDP 的增长率情况，我把它命名为“growth_data.csv”。

3、国家收入分类数据，该数据文件把各个国家分类成不同等级的收入阶层，比如有“高收入国家”，“低收入国家”等等，我把它命名为“Country_data.csv”。

4、国家 Code 对照表，这是一个国家英文名称和 Country Code 的对照表，我们后面在绘制地图时会使用到。

各个收入等级分析

各个收入等级分布

首先我们先来看下世界各国分布在不同收入等级的情况

可以看到，处于“高等收入”和“低收入”的国家比例差距还是很大的，在二十一世纪的今天，还有太多的人过着食不果腹、衣不保暖的生活。

下面我们再具体看下不同收入等级中各个国家具体的 GDP 总量

高收入国家

首先是高收入国家 top10 的 GDP 总量

我们首先拿到高等收入的国家信息，再与 gdp 信息数据合并，最后得到 top10 数据

# 高收入国家2018年的GDP
high = country_data[country_data['Income_Group'] == '高收入国家']
high_gdp = pd.merge(high, gdp, how='inner')
high_gdp['2018'] = high_gdp['2018'].apply(lambda x: x/1000000000000)
high_gdp_top10 = high_gdp[['Country Name', 'Country Code', '2018']].sort_values(by='2018', ascending=False)[:10]

可以看到，美国是一骑绝尘，排在后面的小弟们，总量加一起也没法和美国相提并论。而在前十名当中，几乎清一色的欧美发达国家。

我们再把榜单扩展到 top20，能看到，欧洲国家还是居多的，而中东的两个土豪也成功上榜了。

最后再来看下美国占据全世界 GDP 总量的百分比情况

看图不说话。

中等收入国家

接下来看看中等收入国家的 top10 情况

基本上都是发展中大国，其中还不乏南非、阿根廷等即将成为发达国家的选手。而我国则以13.6万亿的总量，成为美国之后另一个巨无霸般的存在。

来看看中美两个总体上占据世界 GDP 的比例情况

毫无疑问，这两个 GDP 总量占去世界 GDP 总量40%的国家，绝对是世界经济的命脉，相互合作，携手共赢才是世界经济的未来！

再来看下 top20 的情况

中低等收入国家

下面就是中低等收入的国家了，还是有很多熟悉的面孔啊

在这个级别当中，亚洲国家占据了大多数，但是 GDP 的总量却不是很低，尤其是印度，有2.7万亿的数量。这也能反映出，亚洲作为世界上人口最多的大洲，要走向发达国家的行列，还是任重道远啊！

top20 情况

低收入国家

最后就是低收入国家了，可以看到，在这些国家中，要不就是战乱频仍的国度，要不就是资源匮乏的小国，他们的经济建设之路还很漫长呢。

top20 的情况

GDP 总体排行

2018年 GDP 排行

先来看看2018年 GDP 总体排行的 top10 吧

可以看到，除了欧美诸强之外，中国、印度和巴西也纷纷上榜，发展中大国的实力不容小觑啊。

那么再来看看 GDP 总量倒数的10个国家呢都是一些不大的国家，差距还是太大了！

历年各国 GDP 走势

我们先来看一下 GDP 总量排行前五的国家，历年 GDP 总量的走势情况

美国

中国

日本

德国

英国

可以看出，除了中美两国外，其他的国家 GDP 总量都出现过大幅度的波动情况，而持续增长的中美两国，则一骑绝尘，遥遥领先于世界了！

世界 GDP 地图

下面我们通过世界地图的方式来看看 GDP 的分布情况

我们先进行数据处理，把国家代码和 GDP 数据相结合

country_code = pd.read_json('countries.json')
country_code.rename(columns={'iso3': 'Country Code'}, inplace=True)
conutry_code_name = country_code[['name', 'Country Code']]
country_gdp_code = pd.merge(country_gdp, conutry_code_name, on='Country Code', how='inner')