最近奥运会也是非常热门的事件，但是针对本次奥运会有很多值得吐槽的地方,小岛国的骚气操作不想写😠

于是Peter从网上收集的我国从1984年第一次参加夏季奥运会到2016年的历届奥运会获奖情况，了解下历届的奥运会成绩。

数据整理成宽表和长表两种形式，进行简单的数据处理和不同方式的可视化图形展示，方便大家了解我国的奥运会成绩。

文中全程使用的绘图工具是高级可视化库：plotly

图形预览

看看部分图形效果展示：

导入库

导入的库主要是两种：数据处理和绘图相关

# 数据处理相关
import pandas as pd
import numpy as np

# 绘图相关
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots  # 制作多子图

两种形式数据

从网上收集的中国队历届夏季奥运会获奖情况，整理成两种形式：宽表和长表

1、宽表

宽表形式是将字段尽可能多罗列出来

2、长表

长表形式是将字段尽可能减少，同一个字段的数据信息可能出现重复

中国参加了多少届夏季奥运会

主要讲解的是Python中字符串格式化的知识点，3种不同的格式化展示方式：

• 占位符%s
• format()
• f-string

总奖牌数

展示的是中国历届奥运会的总奖牌数变化趋势：

fig = px.line(df,x="地点",y="总数",text="总数")

fig.update_layout(title="中国获得总奖牌数")

fig.show()

从结果的图形中，我们看到2008年是最多的，刚好是100枚👏毕竟是家门口的比赛

fig = px.scatter(
    df,
    x="地点",
    y="总数",
    color="金牌",
    size="总数",
    text="总数"
    )

fig.show()

男子和女子金牌对比

从结果中我们可以看出来：

• 1984年第一次参加奥运会，男子金牌数量是高于女子的
• 此后，每届都是女子高于男子：巾帼不让须眉👏

多指标变化

fig = go.Figure()

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["总数"].tolist(),
    name="总数"
))

fig.add_trace(go.Bar(
    x=df["年份"].tolist(),
    y=df["金牌"].tolist(),
    name="金牌"
))

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["银牌"].tolist(),
    name="银牌"
))

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["铜牌"].tolist(),
    name="铜牌"
))

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["金牌榜"].tolist(),
    name="金牌榜"
))


fig.add_trace(go.Bar(
    x=df["年份"].tolist(),
    y=df["男子金牌"].tolist(),
    name="男子金牌"
))

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["女子金牌"].tolist(),
    name="女子金牌"
))

fig.show()

多指标变化

通过子图的形式展示不同指标的变化趋势：

# 两个基本参数：设置行、列
fig = make_subplots(rows=4, cols=2,
                   subplot_titles=["奖牌总数","金牌","银牌","铜牌","金牌榜","男子金牌","女子金牌","金牌占比"]) 

# 添加数据轨迹
fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["总数"].tolist(),
    name="总数"
),1,1)

fig.add_trace(go.Bar(
    x=df["年份"].tolist(),
    y=df["金牌"].tolist(),
    name="金牌"
),1,2)

fig.add_trace(go.Bar(
    x=df["年份"].tolist(),
    y=df["银牌"].tolist(),
    text=df["银牌"].tolist(),
    textposition="outside",
    name="银牌"
),2,1)

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["铜牌"].tolist(),
    name="铜牌"
),2,2)

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["金牌榜"].tolist(),
    mode="markers+text",
    text=df["金牌榜"].tolist(),
    textposition="bottom center",    # 位置
    name="金牌榜"
),3,1)


fig.add_trace(go.Bar(
    x=df["年份"].tolist(),
    y=df["男子金牌"].tolist(),
    name="男子金牌"
),3,2)

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["女子金牌"].tolist(),
    name="女子金牌"
),4,1)

fig.add_trace(go.Scatter(
    x=df["年份"].tolist(),
    y=df["金牌占比"].tolist(),
    mode="lines+markers",
    text=df["金牌占比"].tolist(),
    textposition="top center",
    name="金牌占比"
),4,2)


# 设置图形的宽高和标题
fig.update_layout(height=600, 
                  width=800, 
                  title_text="奥运会奖牌可视化")
fig.show()

雷达图

雷达图展示的是不同年份的获奖情况

import plotly.graph_objects as go

categories = ['金牌','银牌','铜牌']

fig = go.Figure()

fig.add_trace(go.Scatterpolar(
      r=df.iloc[0,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='洛杉矶-1984'
))
fig.add_trace(go.Scatterpolar(
      r=df.iloc[1,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='汉城-1988'
))

fig.add_trace(go.Scatterpolar(
      r=df.iloc[2,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='巴塞罗那-1992'
))
fig.add_trace(go.Scatterpolar(
      r=df.iloc[3,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='亚特兰大-1996'
))

fig.add_trace(go.Scatterpolar(
      r=df.iloc[4,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='悉尼-2000'
))

fig.add_trace(go.Scatterpolar(
      r=df.iloc[5,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='雅典-2004'
))
fig.add_trace(go.Scatterpolar(
      r=df.iloc[6,2:5].tolist(),
      theta=categories,
      fill='tonext',   # ['none', 'toself', 'tonext']
      name='北京-2008'
))

fig.add_trace(go.Scatterpolar(
      r=df.iloc[7,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='伦敦-2012'
))
fig.add_trace(go.Scatterpolar(
      r=df.iloc[8,2:5].tolist(),
      theta=categories,
      fill='tonext',
      name='里约热内卢-2016'
))

fig.update_layout(
  polar=dict(
    radialaxis=dict(
      visible=True,
      range=[0, 54]
    )),
  showlegend=True
)

fig.show()

小结：从雷达图的不同维度顶端触角，就可以观察到各自的最大值，比如金牌和铜牌最多的就是北京奥运会，银牌最多的是伦敦奥运会

⚠️：上面的图形都是基于宽表形式的数据，下面是基于长表形式

金银铜牌对比

3种不同奖牌的地点（年份）对比情况：

px.bar(df2,
       x="地点",
       y="数量",
       color="奖牌",
       text="数量",
       barmode="group"
      )

多子图-不同年份的3种奖牌数

# 不共享y轴

fig = px.scatter(
    df2,
    x="排名",
    y="数量",
    color="奖牌",
    size="数量",
    facet_col="年份",
    facet_col_wrap=3
)

#fig.update_yaxes(matches=None)  # 不共享y轴

fig.show()

图形解释：

1. 横坐标：整体的排名。越靠左，数值越小，排名靠前。可以看到北京奥运会是最棒的：整体排名靠左
2. 纵坐标：每个奖牌的数量，气泡越大，数量越多。银牌是2012年伦敦，铜牌是2008年北京（看点的高度）

3种奖牌整体占比

3种奖牌不同年份占比

3种奖牌在不同届奥运会的占比情况：

# 两个基本参数：设置行、列
fig = make_subplots(rows=3, cols=3,
                    horizontal_spacing=0.08,
                    vertical_spacing=0.1,
                    column_widths=[0.4,0.4,0.4],
                    specs=[[{"type":"domain"},{"type":"domain"},{"type":"domain"}],
                          [{"type":"domain"},{"type":"domain"},{"type":"domain"}],
                          [{"type":"domain"},{"type":"domain"},{"type":"domain"}]
                         ],
                   subplot_titles=["1984-洛杉矶","1988-汉城","1992-巴塞罗那","1996-亚特兰大",
                                   "2000-悉尼","2004-雅典","2008-北京","2012-伦敦","2016-里约热内卢"]) 

fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][:3].tolist(),
    name="1984-洛杉矶"
),1,1)


fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][3:6].tolist(),
    name="1988-汉城"
),1,2)

fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][6:9].tolist(),
    name="1992-巴塞罗那"
),1,3)


fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][9:12].tolist(),
    name="1996-亚特兰大"
),2,1)

fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][12:15].tolist(),
    name="2000-悉尼"
),2,2)

fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][15:18].tolist(),
    name="2004-雅典"
),2,3)

fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][18:21].tolist(),
    name="2008-北京"
),3,1)

fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][21:24].tolist(),
    name="2012-伦敦"
),3,2)

fig.add_trace(go.Pie(
    labels=df2["奖牌"][:3].tolist(),
    values=df2["数量"][24:27].tolist(),
    name="2016-里约热内卢"
),3,3)


fig.update_traces(hole=0.2)

fig.show()

从图形可以看出来：

• 北京奥运会占比最高：51%；其次是雅典奥运会
• 1988年的汉城奥运会最低，才17.9%

3种奖牌旭日图

px.sunburst(df2,path=["奖牌","地点"],
           values="数量",
           color="年份",
           color_continuous_scale="RdBu"
           )

根据3种奖牌的旭日图，能够看到3种奖牌各自的排序：

• 金牌：北京、伦敦、雅典
• 银牌：伦敦、亚特兰大、巴塞罗那
• 铜牌：北京、里约热内卢、伦敦

总结

本文通过不同的可视化图形展示了我国的获奖情况，数据显示在北京奥运会中取得成绩是最亮眼的；其次，女子的金牌一直都是高于男子，女队员真的是巾帼不让须眉。希望在这次奥运会中国队再创辉煌！中国队🇨🇳，yyds！

最后推荐一下我们的星球：由菜鸟学Python原班人马建了一个投资星球，汇聚一批喜欢投资的朋友一起分享投资的技巧，不限于基金，股票等其他品种，提高自己的财商，一起读书打卡，欢迎加入。

推荐阅读:
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径

干货:爬取豆瓣短评，电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街！唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 ｜用Python做个海量小姐姐素描图 ｜碟中谍这么火，我用机器学习做个迷你推荐系统电影

趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!

AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火，我用机器学习做个迷你推荐系统电影

小工具: Pdf转Word，轻松搞定表格和水印！ | 一键把html网页保存为pdf！|  再见PDF提取收费！ | 用90行代码打造最强PDF转换器，word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器！ ｜60行代码做了一个语音壁纸切换器天天看小姐姐！｜

年度爆款文案
1).卧槽！Pdf转Word用Python轻松搞定！
2).学Python真香！我用100行代码做了个网站，帮人PS旅行图片，赚个鸡腿吃
3).首播过亿，火爆全网，我分析了《乘风破浪的姐姐》，发现了这些秘密 
4).80行代码！用Python做一个哆来A梦分身 
5).你必须掌握的20个python代码，短小精悍，用处无穷 
6).30个Python奇淫技巧集 
7).我总结的80页《菜鸟学Python精选干货.pdf》,都是干货 
8).再见Python！我要学Go了！2500字深度分析！
9).发现一个舔狗福利！这个Python爬虫神器太爽了，自动下载妹子图片

点阅读原文,领廖雪峰资料！