分析哪个国家在总体幸福指数上排名最高，中国居然80名以外？

本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。

以下文章来源于CDA数据分析师，作者CDA数据分析师

前言

《世界幸福指数报告》是对全球幸福状况的一次具有里程碑意义的调查。

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？”

那么哪个国家在总体幸福指数上排名最高？

哪些因素对幸福指数的影响最大？

今天我们就带你用Python来聊一聊。

数据理解

关键字段含义解释：

1. rank：幸福指数排名

2. region：国家

3. happiness：幸福指数得分

4. gdp_per_capita：GDP（人均国内生产总值）

5. healthy_life_expectancy：健康预期寿命

6. freedom_to_life_choise：自由权

7. generosity：慷慨程度

8. year：年份

9. corruption_perceptions：清廉指数

10. social_support：社会支持（客观上物质上的援助和直接服务；主观上指个体感到在社会中被尊重、被支持和被理解的情绪体验和满意程度。）

数据导入和数据整理

首先导入所需包。

# 读入数据
df_2015 = pd.read_csv('./deal_data/2015.csv')
df_2016 = pd.read_csv('./deal_data/2016.csv')
df_2017 = pd.read_csv('./deal_data/2017.csv')
df_2018 = pd.read_csv('./deal_data/2018.csv')
df_2019 = pd.read_csv('./deal_data/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()

# 读入数据
df_2015 = pd.read_csv('./deal_data/2015.csv')
df_2016 = pd.read_csv('./deal_data/2016.csv')
df_2017 = pd.read_csv('./deal_data/2017.csv')
df_2018 = pd.read_csv('./deal_data/2018.csv')
df_2019 = pd.read_csv('./deal_data/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()


print(df_2015.shape, df_2016.shape, df_2017.shape, df_2018.shape, df_2019.shape)
(158, 10) (157, 10) (155, 10) (156, 11) (156, 11)df_all.info()<class 'pandas.core.frame.DataFrame'>
Int64Index: 782 entries, 0 to 155
Data columns (total 10 columns):
region                     782 non-null object
rank                       782 non-null int64
happiness                  782 non-null float64
gdp_per_capita             782 non-null float64
healthy_life_expectancy    782 non-null float64
freedom_to_life_choise     782 non-null float64
corruption_perceptions     781 non-null float64
generosity                 782 non-null float64
year                       782 non-null object
social_support             312 non-null float64
dtypes: float64(7), int64(1), object(2)
memory usage: 67.2+ KB

数据可视化

2019世界幸福地图

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。

代码展示：

data = dict(type = 'choropleth', locations = df_2019['region'],locationmode = 'country names',colorscale = 'RdYlGn',z = df_2019['happiness'], text = df_2019['region'],colorbar = {'title':'Happiness'})layout = dict(title = 'Geographical Visualization of Happiness Score in 2019', geo = dict(showframe = True, projection = {'type': 'azimuthal equal area'}))choromap3 = go.Figure(data = [data], layout=layout)
plot(choromap3, filename='./html/世界幸福地图.html')

2019世界幸福国家排行Top10

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。

代码展示：

# 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="World's happiest and least happy countries in 2019")plot(fig, filename='./html/2019世界幸福国家排行Top10和Last10.html')

幸福指数相关性

我们可以得出以下结论：

从影响因素相关性热力图可以看出，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。

以下分别观察各个因素的影响程度。

GDP和幸福得分

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。

代码展示：

# 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='GDP per capita and Happiness Score')
plot(fig, filename='./html/GDP和幸福得分.html')

健康预期寿命和幸福得分

健康预期寿命与幸福得分呈高度线性正相关关系，健康预期寿命越高的国家，幸福水平相对越高。

代码展示：

 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='Healthy Life Expecancy and Happiness Score')
plot(fig, filename='./html/健康预期寿命和幸福得分.html')

分析哪个国家在总体幸福指数上排名最高，中国居然80名以外？相关推荐

GDP越高就越幸福吗？用Python分析《世界幸福指数报告》后我们发现…
公众号后台回复"图书",了解更多号主新书内容作者:CDA数据分析师来源:CDA数据分析师 CDA数据分析师出品作者:真达.Mika 数据:真达 [导读] 今天教大 ...
幸福究竟和哪些因素有关？通过JMP来看全球幸福指数
"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幸福的生活,底层的0分代表你可能得到的最差的生活. 你觉得自己现在在哪一层呢?" 你可能要问:什么是最幸福的生活? ...
使用R语言分析世界幸福指数
使用R语言分析世界幸福指数本文中的数据为2019年的世界幸福指数报告,数据来源于kaggle. 数据详情数据包含9个字段: Rank: 排名 Country or Region: 国家或地区 Sc ...
用Python分析幸福指数
作者:huny https://www.cnblogs.com/huny/p/14146719.html 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 ...
【视频】KMEANS均值聚类和层次聚类：R语言分析生活幸福指数可视化|数据分享...
原文链接:http://tecdat.cn/?p=24198 聚类是将总体或数据点划分为多个组的任务,以使同一组中的数据点与同一组中的其他数据点更相似,而与其他组中的数据点不相似.它基本上是基于它们之 ...
数据科学导引——各国幸福指数聚类数据集的分析
各国幸福指数聚类数据集的分析注:这里能不粘贴截图的我将不会粘贴截图,因为复制到学习通提交的时候我这边还要再弄一次图很麻烦,但是没数据谢老师又不能直观的看到. 1.观察数据各国幸福指数数据集的介绍: ...
KMEANS均值聚类和层次聚类：亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数...
阅读全文:http://tecdat.cn/?p=24198 <世界幸福报告>是可持续发展解决方案网络的年度报告,该报告使用盖洛普世界民意调查的调查结果研究了150多个国家/地区的生活质量 ...
数据可视化分析2015-2017年世界幸福指数
1.查看2015-2017年每年幸福指数Happiness Rank排名前5和后5的国家所用的数据集2015.2016.2017.csv文件可以去百度,3个文件存放在4个代码所在目录code的同级目 ...
多元线性回归预测国家幸福指数
多元线性回归之前复现了单特征预测幸福指数的线性回归模型, 现在使用多向量特征回归看看是否会减小误差导库与查看数据 import numpy as np import pandas as pd im ...

分析哪个国家在总体幸福指数上排名最高，中国居然80名以外？

分析哪个国家在总体幸福指数上排名最高，中国居然80名以外？相关推荐

最新文章

热门文章