一、主题式网络爬虫设计方案(15分)
1.主题式网络爬虫名称
《Python爬虫之国家统计局相关数据的爬取及分析》
2.主题式网络爬虫爬取的内容与数据特征分析
本次爬取内容为:国家统计局(http://www.stats.gov.cn/)中,改革开放以来GDP增长率、三大产业对GDP的贡献率以及三大产业对GDP增长的拉动。
数据特征分析:根据网页显示,可以直观地看出这些数据年年在变化,并且第三产业对GDP的贡献率呈上升趋势。三大产业对GDP增长的拉动=三大产业对GDP的贡献率×GDP增长率。
3.主题式网络爬虫设计方案概述(包括实现思路与技术难点)
① 通过数据查询(http://data.stats.gov.cn/)页面,查询所要的数据,并找到数据所在的URL。
②利用Python爬取URL中的所有数据,并保存为xlsx文件(要用到requests、json、os库)。
③进行数据清洗、提取所需数据,整理好并保存为xlsx文件(要用到pandas、numpy、matplotlib库)。
④通过制图,对数据进行可视化分析,并得出结论。
技术难点:网页上的数据是动态的,单纯依靠bs4库没办法解决,要另寻他法。
二、主题页面的结构特征分析(15分)
1.主题页面的结构特征
2.Htmls页面解析
3.节点(标签)查找方法与遍历方法
(必要时画出节点树结构)
查看国家统计局的robots协议,发现是空白,那就可以大胆地进行数据爬取。搜索关键词“GDP”,显示的只有2018年和2017年两年的数据,而在网页的底部有这么一条说明“如果没有输入时间,对于月度指标,系统显示最近1个月的数据;对于季度指标,系统显示最近1个季度的数据;对于年度指标,系统显示最近2年的数据”,这就意味着,1978-2016年的数据要输入时间关键字,才能查询到数据。
查看网页HTML的源代码,并没有找到我们所要的指标名称和数据,那就说明这个网站的数据都是动态生成的,不能用搜索或遍历标签的方法来找到内容。通过寻求网络帮助,我们学习到两种获取动态数据的方法:第一种是通过Selenium模拟浏览器获取,第二种是从网页响应中找到JS脚本返回的JSON数据。这里我们使用了第二种,对数据进行JSON化。
①找到JS请求的数据接口(360浏览器可直接右击-审查元素,其他浏览器找到工具栏-开发人员工具,或者F12直接打开调试工具)
点击Network-XHR,里面有一个叫search.htm?s....的链接(如果选项卡里没有链接,刷新页面即可)
点击链接-Preview-展开result,里面有一串JSON数据,经过比对,正是我们所要的数据,接口链接就在Headers-General-Request URL
打开接口链接,查看内容是否一致。确定内容一致,对数据接口进行请求和获取响应。
链接内容为字典类型。所要内容在"result"键下,值为列表类型,列表里又包含多个字典,可通过字典的键名进行内容提取。
②比较近两年和之前年份的接口链接差异
搜索“GDP”可以搜索到近两年的相关数据,Request URL:http://data.stats.gov.cn/search.htm?s=GDP&m=searchdata&db=&p=0
搜索“2017GDP”可以搜索到2017年的相关数据,Request URL:http://data.stats.gov.cn/search.htm?s=2017GDP&m=searchdata&db=&p=0
“2017GDP”第二页数据,Request URL:http://data.stats.gov.cn/search.htm?s=2017GDP&m=searchdata&db=&p=1
对比可发现:搜索关键字不同,接口连接改变的是htm?s=后,&m=searchdata前的内容;页数不同,接口连接改变的是&p=后的数字
用requests.get()方法获取信息;用json.loads方法()将数据JSON化;用for循环,对链接进行遍历,以获取所有内容。
通用连接:http://data.stats.gov.cn/search.htm?s={0}{1}&m=searchdata&db=&p={2}
三、网络爬虫程序设计(60分)
爬虫程序主体要包括以下各部分,要附源代码及较详细注释,并在每部分程序后面提供输出结果的截图。
1.数据爬取与采集
1 #导入库 2 import requests 3 import json 4 import os 5 import pandas as pd 6 import numpy as np 7 import matplotlib.pyplot as plt 8 9 #对数据接口进行http请求 10 def getHTMLText(url): 11 try: 12 r = requests.get(url, timeout=30) #获取信息,请求超时时间为30秒 13 r.raise_for_status() #如果状态不是200,则引发异常 14 r.encoding = r.apparent_encoding #配置编码 15 return r.text #返回url对应的页面内容 16 except: 17 return "产生异常" 18 19 #对数据JSON化,并提取我们想要的内容 20 def filterHTMLText(lst,wbdata): 21 try: 22 data = json.loads(wbdata) #对HTTP响应的数据JSON化 23 newdata = data['result'] #索引到我们所要的位置 24 for i in newdata: #对索引出来的JSON数据进行遍历和提取 25 target = i['zb'] #提取“指标”内容 26 data_time = i['sj'] #提取“数据时间”内容 27 value = i['data'] #提取“数值”内容 28 attribute = i['db'] #提取“所属栏目”内容 29 lst.append([target,data_time,value,attribute]) #将数据存放到lst列表里 30 return lst #返回lst数据列表 31 except: 32 return "产生异常" 33 34 #保存数据,生成xlsx格式文件 35 def saveHTMLText(lst): 36 try: 37 headers = ['指标','数据时间','数值','所属栏目'] #设置columns名称 38 index = [i for i in range(1,len(lst)+1)] #设置index值 39 df = pd.DataFrame(lst,columns=headers,index=index) #将数据列表转换为DataFrame对象 40 if not os.path.exists('F:\\PycharmProject'): #判断磁盘里是否存在目标文件夹 41 os.makedirs('F:\\PycharmProject') #不存在,则创建该文件夹并且生成xlsx文件 42 df.to_excel('F:\\PycharmProject\\国家统计局数据.xlsx') 43 else: 44 df.to_excel('F:\\PycharmProject\\国家统计局数据.xlsx') 45 print("保存成功") #返回“保存成功”的提示 46 except: 47 print("保存失败") #返回“保存失败”的提示 48 49 #主程序 50 def main(): 51 uList = [] #存储爬取到的数据 52 for YearIndex in range(1978,2017): #遍历1978-2016年的URL 53 for PageIndex in range(0,6): #遍历每一年前6页的URL 54 url = "http://data.stats.gov.cn/search.htm?s={0}{1}&m=searchdata&db=&p={2}".format(YearIndex,'GDP',PageIndex) 55 html = getHTMLText(url) #调用getHTMLText函数 56 filterHTMLText(uList,html) #调用filterHTMLText函数 57 for PageIndex in range(0,6): #遍历2017-2018年前6页的数据 58 url = "http://data.stats.gov.cn/search.htm?s=GDP&m=searchdata&db=&p={0}".format(PageIndex) 59 html = getHTMLText(url) 60 filterHTMLText(uList,html) 61 saveHTMLText(uList) #调用saveHTMLText函数 62 63 #程序执行时调用主程序main() 64 if __name__ == '__main__': 65 main()
运行结果:
2.对数据进行清洗和处理
1 #删除无效列 2 GDP_Data = pd.DataFrame(pd.read_excel('F:\\PycharmProject\\国家统计局数据.xlsx')) 3 GDP_Data.drop(GDP_Data.columns[0],axis=1,inplace=True) 4 GDP_Data.head(10)
运行结果:
1 #查找重复值 2 GDP_Data.duplicated()
运行结果:
1 #删除重复值 2 GDP_Data = GDP_Data.drop_duplicates() 3 GDP_Data.head(10)
运行结果:
1 #统计‘数值’列空值的个数 2 GDP_Data['数值'].isnull().value_counts()
运行结果:
1 #删除‘数值’列中含有空值的行 2 GDP_Data.dropna(axis=0, how='any', inplace=True) 3 GDP_Data['数值'].isnull().value_counts()
运行结果:
1 #查看描述信息 2 GDP_Data.describe()
运行结果:
1 #对数据按照“数据时间”进行升序排序 2 GDP_Data.sort_values(by=["数据时间"],inplace=True,ascending=[True]) 3 GDP_Data
运行结果:
1 #提取“国内生产总值增长(百分点)”数据 2 GDP_Incr = GDP_Data.loc[(GDP_Data['指标'].str.contains('国内生产总值增长\(百分点\)'))&(GDP_Data['所属栏目'] == '年度数据')] 3 GDP_Incr
运行结果:
1 #补充“2018年国内生产总值增长(百分点)”的数据 2 New_Data = pd.DataFrame({'指标':'国内生产总值增长(百分点)','数据时间':'2018年','数值':6.6,'所属栏目':'年度数据'},index=[2443]) 3 GDP_Incr=GDP_Incr.append(New_Data,ignore_index=False) #将2018年的数据添加到最后一行 4 GDP_Incr
运行结果:
1 #提取“第一产业对GDP的贡献率”数据 2 Contribution_Fir=GDP_Data.loc[GDP_Data['指标'].str.contains('第一产业对GDP的贡献率')] 3 Contribution_Fir
运行结果:
1 #提取“第二产业对GDP的贡献率”数据 2 Contribution_Sec=GDP_Data.loc[GDP_Data['指标'].str.contains('第二产业对GDP的贡献率')] 3 Contribution_Sec
运行结果:
1 #提取“第三产业对GDP的贡献率”数据 2 Contribution_Thir=GDP_Data.loc[GDP_Data['指标'].str.contains('第三产业对GDP的贡献率')] 3 Contribution_Thir
运行结果:
1 #提取“第一产业对国内生产总值增长的拉动”数据 2 Promote_Fir=GDP_Data.loc[GDP_Data['指标'].str.contains('第一产业对国内生产总值增长的拉动')] 3 Promote_Fir
运行结果:
1 #提取“第二产业对国内生产总值增长的拉动”数据 2 Promote_Sec=GDP_Data.loc[GDP_Data['指标'].str.contains('第二产业对国内生产总值增长的拉动')] 3 Promote_Sec
运行结果:
1 #提取“第三产业对国内生产总值增长的拉动”数据 2 Promote_Thir=GDP_Data.loc[GDP_Data['指标'].str.contains('第三产业对国内生产总值增长的拉动')] 3 Promote_Thir
运行结果:
1 #合并三大产业贡献率和GDP增长率 2 Contribution = pd.DataFrame({'第一产业对GDP的贡献率':Contribution_Fir['数值'].tolist(),'第二产业对GDP的贡献率':Contribution_Sec['数值'].tolist(),'第三产业对GDP的贡献率':Contribution_Thir['数值'].tolist(),'国内生产总值增长(百分点)':GDP_Incr['数值'].tolist()},index=Contribution_Fir['数据时间']) 3 Contribution_All = pd.DataFrame({'第一产业对GDP的贡献率':Contribution_Fir['数值'].tolist(),'第二产业对GDP的贡献率':Contribution_Sec['数值'].tolist(),'第三产业对GDP的贡献率':Contribution_Thir['数值'].tolist()},index=Contribution_Fir['数据时间']) 4 Contribution.to_excel('F:\\PycharmProject\\三大产业对GDP的贡献率及GDP增长率.xlsx') 5 Contribution
运行结果:
1 #合并三大产业对GDP增长的拉动 2 Promote = pd.DataFrame({'第一产业对国内生产总值增长的拉动(百分点)':Promote_Fir['数值'].tolist(),'第二产业对国内生产总值增长的拉动(百分点)':Promote_Sec['数值'].tolist(),'第三产业对国内生产总值增长的拉动(百分点)':Promote_Thir['数值'].tolist()},index=Promote_Fir['数据时间']) 3 Promote.to_excel('F:\\PycharmProject\\三大产业对GDP增长的拉动.xlsx') 4 Promote
运行结果:
3.文本分析(可选):jieba分词、wordcloud可视化
4.数据分析与可视化
(例如:数据柱形图、直方图、散点图、盒图、分布图、数据回归分析等)
1 #绘制1978年-2018年三大产业对GDP的贡献率及GDP增长率的折线图 2 plt.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体 3 plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 4 Contribution.plot(figsize=(20,10),linewidth=2.5,marker='o').set_title('1978年-2018年三大产业对GDP的贡献率及GDP增长率的折线图',size=25) 5 plt.xticks(fontsize=20) #横坐标字体大小20像素 6 plt.yticks(fontsize=20) #横坐标字体大小20像素 7 plt.xlabel('时间',fontsize=20) #横坐标标题为“时间”,字体大小为20像素 8 plt.ylabel('数值(百分点)',fontsize=20) #纵坐标标题为“数值(百分点)”,字体大小为20像素 9 plt.legend(fontsize=20) #设置图例大小为20像素 10 plt.show()
运行结果:
1 #绘制1978年-2018年三大产业对GDP的贡献率及GDP增长率的水平组合柱状图 2 Contribution.plot(kind='barh',figsize=(20,50),linewidth=5).set_title('1978年-2018年三大产业对GDP的贡献率及GDP增长率的水平组合柱状图',size=25) 3 plt.xticks(fontsize=20) 4 plt.yticks(fontsize=20) 5 plt.ylabel('时间',fontsize=20) 6 plt.xlabel('数值(百分点)',fontsize=20) 7 plt.legend(fontsize=20) 8 plt.show()
运行结果:
1 #绘制1978年-2018年三大产业对GDP贡献率的盒图 2 plt.figure(figsize=(20,15)) 3 plt.xticks(fontsize=20) 4 plt.yticks(fontsize=20) 5 sns.boxplot(data=Contribution_All).set_title("1978年-2018年三大产业对GDP贡献率的盒图",size=25) 6 plt.show()
运行结果:
1 #绘制1978年-2018年三大产业对GDP增长拉动的折线图 2 Promote.plot(figsize=(20,10),linewidth=2.5,marker='D',linestyle='-.').set_title('1978年-2018年三大产业对GDP增长拉动的折线图',size=25) 3 plt.xticks(fontsize=20) 4 plt.yticks(fontsize=20) 5 plt.xlabel('时间',fontsize=20) 6 plt.ylabel('数值(百分点)',fontsize=20) 7 plt.legend(fontsize=20) 8 plt.show()
运行结果:
1 #绘制1978年-2018年GDP增长百分点的小提琴图 2 plt.figure(figsize=(10,10)) 3 plt.xticks(fontsize=20) 4 plt.yticks(fontsize=20) 5 sns.violinplot(data=Contribution['国内生产总值增长(百分点)']).set_title('1978年-2018年GDP增长百分点的小提琴图',size=20) 6 plt.show()
运行结果:
5.数据持久化
上述已将相关数据以xlsx格式存入本地磁盘,实现数据持久化。
6.附完整程序代码
1 #导入库 2 import requests 3 import json 4 import os 5 import pandas as pd 6 import numpy as np 7 import matplotlib.pyplot as plt 8 9 #对数据接口进行http请求 10 def getHTMLText(url): 11 try: 12 r = requests.get(url, timeout=30) #获取信息,请求超时时间为30秒 13 r.raise_for_status() #如果状态不是200,则引发异常 14 r.encoding = r.apparent_encoding #配置编码 15 return r.text #返回url对应的页面内容 16 except: 17 return "产生异常" 18 19 #对数据JSON化,并提取我们想要的内容 20 def filterHTMLText(lst,wbdata): 21 try: 22 data = json.loads(wbdata) #对HTTP响应的数据JSON化 23 newdata = data['result'] #索引到我们所要的位置 24 for i in newdata: #对索引出来的JSON数据进行遍历和提取 25 target = i['zb'] #提取“指标”内容 26 data_time = i['sj'] #提取“数据时间”内容 27 value = i['data'] #提取“数值”内容 28 attribute = i['db'] #提取“所属栏目”内容 29 lst.append([target,data_time,value,attribute]) #将数据存放到lst列表里 30 return lst #返回lst数据列表 31 except: 32 return "产生异常" 33 34 #保存数据,生成xlsx格式文件 35 def saveHTMLText(lst): 36 try: 37 headers = ['指标','数据时间','数值','所属栏目'] #设置columns名称 38 index = [i for i in range(1,len(lst)+1)] #设置index值 39 df = pd.DataFrame(lst,columns=headers,index=index) #将数据列表转换为DataFrame对象 40 if not os.path.exists('F:\\PycharmProject'): #判断磁盘里是否存在目标文件夹 41 os.makedirs('F:\\PycharmProject') #不存在,则创建该文件夹并且生成xlsx文件 42 df.to_excel('F:\\PycharmProject\\国家统计局数据.xlsx') 43 else: 44 df.to_excel('F:\\PycharmProject\\国家统计局数据.xlsx') 45 print("保存成功") #返回“保存成功”的提示 46 except: 47 print("保存失败") #返回“保存失败”的提示 48 49 #主程序 50 def main(): 51 uList = [] #存储爬取到的数据 52 for YearIndex in range(1978,2017): #遍历1978-2016年的URL 53 for PageIndex in range(0,6): #遍历每一年前6页的URL 54 url = "http://data.stats.gov.cn/search.htm?s={0}{1}&m=searchdata&db=&p={2}".format(YearIndex,'GDP',PageIndex) 55 html = getHTMLText(url) #调用getHTMLText函数 56 filterHTMLText(uList,html) #调用filterHTMLText函数 57 for PageIndex in range(0,6): #遍历2017-2018年前6页的数据 58 url = "http://data.stats.gov.cn/search.htm?s=GDP&m=searchdata&db=&p={0}".format(PageIndex) 59 html = getHTMLText(url) 60 filterHTMLText(uList,html) 61 saveHTMLText(uList) #调用saveHTMLText函数 62 63 #程序执行时调用主程序main() 64 if __name__ == '__main__': 65 main() 66 67 #删除无效列 68 GDP_Data = pd.DataFrame(pd.read_excel('F:\\PycharmProject\\国家统计局数据.xlsx')) 69 GDP_Data.drop(GDP_Data.columns[0],axis=1,inplace=True) 70 GDP_Data.head(10) 71 72 #查找重复值 73 GDP_Data.duplicated() 74 75 #删除重复值 76 GDP_Data = GDP_Data.drop_duplicates() 77 GDP_Data.head(10) 78 79 #统计‘数值’列空值的个数 80 GDP_Data['数值'].isnull().value_counts() 81 82 #删除‘数值’列中含有空值的行 83 GDP_Data.dropna(axis=0, how='any', inplace=True) 84 GDP_Data['数值'].isnull().value_counts() 85 86 #查看描述信息 87 GDP_Data.describe() 88 89 #对数据按照“数据时间”进行升序排序 90 GDP_Data.sort_values(by=["数据时间"],inplace=True,ascending=[True]) 91 GDP_Data 92 93 #提取“国内生产总值增长(百分点)”数据 94 GDP_Incr = GDP_Data.loc[(GDP_Data['指标'].str.contains('国内生产总值增长\(百分点\)'))&(GDP_Data['所属栏目'] == '年度数据')] 95 GDP_Incr 96 97 #补充“2018年国内生产总值增长(百分点)”的数据 98 New_Data = pd.DataFrame({'指标':'国内生产总值增长(百分点)','数据时间':'2018年','数值':6.6,'所属栏目':'年度数据'},index=[2443]) 99 GDP_Incr=GDP_Incr.append(New_Data,ignore_index=False) #将2018年的数据添加到最后一行 100 GDP_Incr 101 102 #提取“第一产业对GDP的贡献率”数据 103 Contribution_Fir=GDP_Data.loc[GDP_Data['指标'].str.contains('第一产业对GDP的贡献率')] 104 Contribution_Fir 105 106 #提取“第二产业对GDP的贡献率”数据 107 Contribution_Sec=GDP_Data.loc[GDP_Data['指标'].str.contains('第二产业对GDP的贡献率')] 108 Contribution_Sec 109 110 #提取“第三产业对GDP的贡献率”数据 111 Contribution_Thir=GDP_Data.loc[GDP_Data['指标'].str.contains('第三产业对GDP的贡献率')] 112 Contribution_Thir 113 114 #提取“第一产业对国内生产总值增长的拉动”数据 115 Promote_Fir=GDP_Data.loc[GDP_Data['指标'].str.contains('第一产业对国内生产总值增长的拉动')] 116 Promote_Fir 117 118 #提取“第二产业对国内生产总值增长的拉动”数据 119 Promote_Sec=GDP_Data.loc[GDP_Data['指标'].str.contains('第二产业对国内生产总值增长的拉动')] 120 Promote_Sec 121 122 #提取“第三产业对国内生产总值增长的拉动”数据 123 Promote_Thir=GDP_Data.loc[GDP_Data['指标'].str.contains('第三产业对国内生产总值增长的拉动')] 124 Promote_Thir 125 126 #合并三大产业贡献率和GDP增长率 127 Contribution = pd.DataFrame({'第一产业对GDP的贡献率':Contribution_Fir['数值'].tolist(),'第二产业对GDP的贡献率':Contribution_Sec['数值'].tolist(),'第三产业对GDP的贡献率':Contribution_Thir['数值'].tolist(),'国内生产总值增长(百分点)':GDP_Incr['数值'].tolist()},index=Contribution_Fir['数据时间']) 128 Contribution_All = pd.DataFrame({'第一产业对GDP的贡献率':Contribution_Fir['数值'].tolist(),'第二产业对GDP的贡献率':Contribution_Sec['数值'].tolist(),'第三产业对GDP的贡献率':Contribution_Thir['数值'].tolist()},index=Contribution_Fir['数据时间']) 129 Contribution.to_excel('F:\\PycharmProject\\三大产业对GDP的贡献率及GDP增长率.xlsx') 130 Contribution 131 132 #合并三大产业对GDP增长的拉动 133 Promote = pd.DataFrame({'第一产业对国内生产总值增长的拉动(百分点)':Promote_Fir['数值'].tolist(),'第二产业对国内生产总值增长的拉动(百分点)':Promote_Sec['数值'].tolist(),'第三产业对国内生产总值增长的拉动(百分点)':Promote_Thir['数值'].tolist()},index=Promote_Fir['数据时间']) 134 Promote.to_excel('F:\\PycharmProject\\三大产业对GDP增长的拉动.xlsx') 135 Promote 136 137 #绘制1978年-2018年三大产业对GDP的贡献率及GDP增长率的折线图 138 plt.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体 139 plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题 140 Contribution.plot(figsize=(20,10),linewidth=2.5,marker='o').set_title('1978年-2018年三大产业对GDP的贡献率及GDP增长率的折线图',size=25) 141 plt.xticks(fontsize=20) #横坐标字体大小20像素 142 plt.yticks(fontsize=20) #横坐标字体大小20像素 143 plt.xlabel('时间',fontsize=20) #横坐标标题为“时间”,字体大小为20像素 144 plt.ylabel('数值(百分点)',fontsize=20) #纵坐标标题为“数值(百分点)”,字体大小为20像素 145 plt.legend(fontsize=20) #设置图例大小为20像素 146 plt.show() 147 148 #绘制1978年-2018年三大产业对GDP的贡献率及GDP增长率的水平组合柱状图 149 Contribution.plot(kind='barh',figsize=(20,50),linewidth=5).set_title('1978年-2018年三大产业对GDP的贡献率及GDP增长率的水平组合柱状图',size=25) 150 plt.xticks(fontsize=20) 151 plt.yticks(fontsize=20) 152 plt.ylabel('时间',fontsize=20) 153 plt.xlabel('数值(百分点)',fontsize=20) 154 plt.legend(fontsize=20) 155 plt.show() 156 157 #绘制1978年-2018年三大产业对GDP贡献率的盒图 158 plt.figure(figsize=(20,15)) 159 plt.xticks(fontsize=20) 160 plt.yticks(fontsize=20) 161 sns.boxplot(data=Contribution_All).set_title("1978年-2018年三大产业对GDP贡献率的盒图",size=25) 162 plt.show() 163 164 #绘制1978年-2018年三大产业对GDP增长拉动的折线图 165 Promote.plot(figsize=(20,10),linewidth=2.5,marker='D',linestyle='-.').set_title('1978年-2018年三大产业对GDP增长拉动的折线图',size=25) 166 plt.xticks(fontsize=20) 167 plt.yticks(fontsize=20) 168 plt.xlabel('时间',fontsize=20) 169 plt.ylabel('数值(百分点)',fontsize=20) 170 plt.legend(fontsize=20) 171 plt.show() 172 173 #绘制1978年-2018年GDP增长百分点的小提琴图 174 plt.figure(figsize=(10,10)) 175 plt.xticks(fontsize=20) 176 plt.yticks(fontsize=20) 177 sns.violinplot(data=Contribution['国内生产总值增长(百分点)']).set_title('1978年-2018年GDP增长百分点的小提琴图',size=20) 178 plt.show()
四、结论(10分)
1.经过对主题数据的分析与可视化,可以得到哪些结论?
由上面几幅图综合对比可知:
①自改革开放以来,我国第一产业(农业)、第二产业(工业)对GDP的贡献率总体呈下降趋势,第三产业(服务业)对GDP的贡献率总体呈上升趋势,我国正在经历由第二产业向第三产业转型的阶段。
②尽管第三产业的贡献率在2015年以后都超过了第二产业,但总的来说,1987年以来,我国经济增长主要依靠第二产业的拉动,其次是第三产业,最后是第一产业,说明目前国家发展还是离不开工业。
③2015年以来,第三产业的贡献率都超过了50%,这说明目前拉动中国经济增长最重要的是第三产业,但是和美国第三产业80%以上的贡献率相比,中国还有很大的上升空间。
④截止到2018年,第三产业对GDP的贡献率最高值<第二产业对GDP的贡献率最高值
⑤改革开放以来,我国GDP的增长百分点最多聚集在9%左右。
⑥2018年GDP的增长率为6.6%,是自1990年以来最低的增长率;2016年GDP的增长率为6.7%,是改革开放以来第一次连续6年下滑。
⑦1984年、1992年、2017年GDP增长率异常高,国家经济处于过热状态,1984年和1992年,三大产业对GDP增长的拉动也大幅提高,尤其是第二产业对GDP增长的拉动达到了最高值。
⑧40年来,第二产业对GDP增长的拉动,多数情况下高于第三产业;第一产业对GDP增长的拉动,多数情况低于第二、第三产业。
2.对本次程序设计任务完成的情况做一个简单的小结。
在做本次项目任务之前,有简单学习过Python爬虫基本知识,所以在整体框架结构的搭建上,还算比较容易。由于个人能力问题,整个程序编写的并不完美,但能实现基本功能。最大的困难就是,对动态数据的爬取,好在互联网的发达,将数据JSON化,让我们的问题能够迎刃而解。另外,在设计的过程中,我也发现了数据完整性的问题。虽说国家统计局的数据是最权威最准确的,但是不知道什么原因,2018年GDP的增长率为空,而我们在数据清理的时候,把含有空值的行给删去,导致最后GDP的增长率差了一个数据,所以只能根据公式进行计算,再将其添加进去。画图本来是想用Python可视化神器pyecharts,但是找遍了各种解决方案,就是没办法成功安装,最后这个想法也不了了之。我还学习到,导入seaborn库之后,如果想导入数据库的话,只能用他在线的存储库,来加载数据集,网址是https://github.com/mwaskom/seaborn-data,这个数据集比较适合用来做练习,所以我们选择了直接用seaborn库里的方法,直接生成想要的图表。
经过本次项目,我深深地认识到自己的知识漏洞,对于所学的知识掌握得不够扎实,需要在课后花更多的时间去学习巩固。而我们所学的也只是皮毛,还有更深层次的知识等着我们去挖掘。另外,还要不断地练习,如果只是单纯地看老师怎么写程序,自己却不实际操作,那么能力永远都不会提高。只有理论与实践相结合,才能一次又一次地提升自己的认识。