奥运会历史年表,历届奥运会数据
指尖生活
一、数据概述背景描述该数据集整理了从1896年雅典奥运会到2016年里约热内卢奥运会120年奥运会的历史数据。
应该指出,在1896年至1992年期间,冬季奥运会和夏季奥运会是在同一年举行的。之后冬季奥运会和夏季奥运会错开举行,从1994年开始冬季奥运会每四年举行一次,夏季奥运会从1996年开始每四年举行一次。在分析这些数据时,人们往往会犯一个错误,那就是认为夏季奥运会和冬季奥运会是交错举办的。
受疫情影响,2020年东京奥运会将延期至2021年;
虽然已经延期,但本届奥运会仍将使用“2020年东京奥运会”的名称。
这也将是奥运会历史上第一次延期(1916年、1940年、1944年,一战二战闭幕);描述文件列表该数据集包含两个文件:
运动员_事件. csv:参赛运动员的基本生物学数据和奖牌成绩。
NOC _ regions . CSV:NOC的3个字母代码和对应的国家信息的属性描述文件,包含15个字段。具体信息如下:
每行代表一名运动员。
无属性数据类型字段描述
1 ID整数给每个运动员的唯一ID。
2姓名字符串运动员姓名
3性别整数性别
年龄浮动4岁
5高度浮动高度
6重量浮子重量
7国家队代表队串
8 NOC字符串3个字母的国家奥委会代码
9游戏字符串年份和季节
10年整数竞赛年
11季弦乐比赛季
1城市字符串主办城市
1运动字符串运动类别
14项赛事字符串比赛项目
15枚奖牌
noc_regions.csv文件包含3个字段,具体如下:
不
属性
数据类型
字段描述
一个
国家奥林匹克委员会(National Olympic Committee)
线
NOC的3个字母代码
2
地区
线
国家
三
笔记
线
地区
数据源数据集由kaggle平台用户共享,基于证书CC0:公共域发布。具体信息内容来自体育参考。
二、数据集可以探讨和研究方向可以从以下几个方面探讨奥运会的演变:
男女运动员历年的表现如何?不同地区呢?不同的运动?不同的事件?3.视觉分析1。各国累计奖牌进口熊猫为pd
从pyecharts.charts导入*
从pyecharts将选项作为选项导入
从pyecharts.commons.utils导入JsCode
athlete_data=pd.read_csv(。/data/athlete _ events . CSV’)
noc_region=pd.read_csv(。/data/NOC _ regions . CSV’)
#协会代表国家
data=pd.merge(athlete_data,noc_region,on=NOC ,how=left )
print(data.head())
medal_data=data.groupby([年份,季节,地区,奖牌])[事件]。努尼克()。重置索引()
medal_data.columns=[Year , Season , region , medal , Nums]
medal _ data=medal _ data . sort _ values(by= Year ,ascending=True)
def medal_stat(年,季=夏):
t _ data=medal _ data[(medal _ data[ Year ]=Year)(medal _ data[ Season ]==Season)]
t_data=t_data.groupby([region , Medal])[Nums]。sum()。重置索引()
t _ data=t _ data . set _ index([ region , Medal])。解散堆叠()。reset_index()。fillna(0,inplace=False)
t_data=已排序(
[(row[region][0],int(row[Nums][Gold]),int(row[Nums][Silver]),int(row[Nums][Bronze]))
for _,t_data.iterrows()]中的row,key=lambda x: x[1] x[2] x[3],reverse=True)[:20]
返回t_data
Year _ list=sorted(list(set(medal _ data[ Year ])。to_list())),reverse=True)
tl=Timeline(init_opts=opts。InitOpts(theme=dark ,width=1000px ,height=1000px ))
TL . add _ schema(is _ timeline _ show=True,is_rewind_play=True,is_inverse=False,
label_opts=opts。LabelOpts(is_show=False))
对于year_list中的年份:
t_data=medal_stat(year)[:-1]
bar=(
Bar(init_opts=opts。InitOpts())。add_xaxis([x[0] for x in t_data])。add_yaxis(铜牌,[x[3]为t_data中的x],
堆栈=堆栈1 ,
itemstyle_opts=opts。item style opts(border _ color= RGB(220,220,220),color=rgb(218,165,32)))。add_yaxis(银牌,[x[2] for x in t_data],
堆栈=堆栈1 ,
itemstyle_opts=opts .项目样式opts(border _ color= RGB(220,220,220),color=rgb(192,192,192)))。add_yaxis(金牌,[x[1]为t_data中的x],
堆栈=堆栈1 ,
itemstyle_opts=opts .项目样式opts(border _ color= RGB(220,220,220),color=rgb(255,215,0)))。set _ series _ opts(label _ opts=opts .LabelOpts(is_show=True,
position=insideRight ,
font_),)。集合_全局_opts(
title_opts=opts .TitleOpts(title=各国累计奖牌数(夏季奥运会)),
xaxis_opts=opts .AxisOpts(axislabel_opts=opts .标签opts(旋转=45),
legend_opts=opts .LegendOpts(is_show=True),
graphic_opts=[opts .GraphicGroup(graphic_item=opts .图形项目(
rotation=JsCode( Math ./4 ),
边界=原始,
右=110,
底部=110,
z=100),
儿童=[
opts .图形接触(
graphic_item=opts图形项目(
左=中心,上=中心,z=100
),
graphic_shape_opts=opts图形形状选项(
宽度=400,高度=50
),
graphic_basicstyle_opts=opts .GraphicBasicStyleOpts(
fill=rgba(0,0,0,0.3)
),
),
opts .图形文本(
graphic_item=opts图形项目(
左=中心,上=中心,z=100
),
graphic_textstyle_opts=opts .GraphicTextStyleOpts(
文本=年份,
font=bold 26px微软雅黑,
graphic_basicstyle_opts=opts .GraphicBasicStyleOpts(
fill=#fff
),
),
),
],
)
], )。反转_轴())
tl.add(条形,年份)
tl.render(r .\htmlRender\01_各国累计奖牌数(夏季奥运会).html’)
进口熊猫作为螺纹中径
从pyecharts .图表导入*
从肾盂造影图将选项作为选项导入
从pyecharts.commons.utils导入代码
运动员数据=pd.read_csv(./data/运动员_赛事。CSV’)
noc_region=pd.read_csv( ./data/NOC _ regions。CSV’)
# 关联代表国家
data=pd.merge(athlete_data,noc_region,on=NOC ,how=left )
print(data.head())
medal_data=data.groupby([年份,季节,地区,奖牌])[事件]。努尼克()。重置索引()
medal_data.columns=[Year , Season , region , medal , Nums]
奖牌数据=奖牌数据。sort _ values(by= Year ,ascending=True)
def奖牌_统计(年,季=夏):
t _ data=medal _ data[(medal _ data[ Year ]=Year)(medal _ data[ Season ]==Season)]
t_data=t_data.groupby([region , Medal])[Nums].sum().重置索引()
t _ data=t _ dataset _ index([ region , Medal])。解散堆叠()。reset_index()。fillna(0,inplace=False)
t_data=已排序(
[(row[region][0],int(row[Nums][Gold]),int(row[Nums][Silver]),int(row[Nums][Bronze]))
for _,t_data.iterrows()]中的row,key=lambda x: x[1] x[2] x[3],reverse=True)[:20]
返回t_data
Year _ list=sorted(list(set(medal _ data[ Year ]).to_list())),reverse=True)
tl=Timeline(init_opts=opts .InitOpts(theme=dark ,width=1000px ,height=1000px ))
TL。add _ schema(is _ timeline _ show=True,is_rewind_play=True,is_inverse=False,
label_opts=opts .LabelOpts(is_show=False))
Year _ list=sorted(list(set(medal _ data[ Year ][medal _ data .季节==冬天]。to_list())),reverse=True)
tl=Timeline(init_opts=opts .InitOpts(theme=dark ,width=1000px ,height=1000px ))
TL。add _ schema(is _ timeline _ show=True,is_rewind_play=True,is_inverse=False,
label_opts=opts .LabelOpts(is_show=False))
对于年份_列表中的年份:
t_data=medal_stat(year, Winter)[:-1]
bar=(
Bar(init_opts=opts .InitOpts(theme=dark ))。add_xaxis([x[0] for x in t_data])。add_yaxis(铜牌,[x[3] for x in t_data],
堆栈=堆栈1 ,
itemstyle_opts=opts .项目样式opts(border _ color= RGB(220,220,220),color=rgb(218,165,32)))。add_yaxis(银牌,[x[2] for x in t_data],
堆栈=堆栈1 ,
itemstyle_opts=opts .项目样式opts(border _ color= RGB(220,220,220),color=rgb(192,192,192)))。add_yaxis(金牌,[x[1]为t_data中的x],
堆栈=堆栈1 ,
itemstyle_opts=opts .项目样式opts(border _ color= RGB(220,220,220),color=rgb(255,215,0)))。set _ series _ opts(label _ opts=opts .LabelOpts(is_show=True,
position=insideRight ,
font_),)。集合_全局_opts(
title_opts=opts .TitleOpts(title=各国累计奖牌数(冬季奥运会)),
xaxis_opts=opts .AxisOpts(axislabel_opts=opts .标签opts(旋转=45),
legend_opts=opts .LegendOpts(is_show=True),
graphic_opts=[opts .GraphicGroup(graphic_item=opts .图形项目(
rotation=JsCode( Math ./4 ),
边界=原始,
右=110,
底部=110,
z=100),
儿童=[
opts .图形接触(
graphic_item=opts图形项目(
左=中心,上=中心,z=100
),
graphic_shape_opts=opts图形形状选项(
宽度=400,高度=50
),
graphic_basicstyle_opts=opts .GraphicBasicStyleOpts(
fill=rgba(0,0,0,0.3)
),
),
opts .图形文本(
graphic_item=opts图形项目(
左=中心,上=中心,z=100
),
graphic_textstyle_opts=opts .GraphicTextStyleOpts(
text=截止{}.格式(年份),
font=bold 26px微软雅黑,
graphic_basicstyle_opts=opts .GraphicBasicStyleOpts(
fill=#fff
),
),
),
],
)
], )。反转_轴())
tl.add(条形,年份)
tl.render(r .\htmlRender\02_各国累计奖牌数(冬季奥运会).html’)
2.各项运动产生金牌数进口熊猫作为螺纹中径
从pyecharts .图表导入*
从肾盂造影图将选项作为选项导入
从pyecharts.commons.utils导入代码
运动员数据=pd.read_csv(./data/运动员_赛事。CSV’)
noc_region=pd.read_csv( ./data/NOC _ regions。CSV’)
# 关联代表国家
data=pd.merge(athlete_data,noc_region,on=NOC ,how=left )
print(data.head())
medal_data=data.groupby([年份,季节,地区,奖牌])[事件]。努尼克()。重置索引()
medal_data.columns=[Year , Season , region , medal , Nums]
奖牌数据=奖牌数据。sort _ values(by= Year ,ascending=True)
background _ color _ js= 新电子海图。图形。径向梯度(0.5,0.5,1,[{
偏移量:0,
颜色: #696969
}, {
偏移量:1,
颜色: #000000
}])
tab=Tab()
temp=data[(data[奖牌]=黄金)(数据[年份]==2016)(数据[季节]=夏季)]
Event _ medal=temp分组依据([ Sport ])[ Event ].努尼克()。重置索引()
event_medal.columns=[Sport , Nums]
事件_奖章=事件_奖章。sort _ values(by= Nums ,ascending=False)
pie=(Pie(init_opts=opts .InitOpts(BG _ color=JsCode(background _ color _ js),width=1000px ,height=800px ))。添加(金牌,[(row[sport],row[nums]],在event_medal.iterrows()],
半径=[30% , 75%],
rosetype=radius )。set _ global _ opts(title _ opts=opts .标题选项(标题=2016年夏季奥运会各项运动产生金牌占比,
pos_left=center ,
title_textstyle_opts=opts .TextStyleOpts(color=white ,
font_size=20),),
legend_opts=opts .LegendOpts(is_show=False))。set _ series _ opts(label _ opts=opts .LabelOpts(formatter={b}: {d}% ),
工具提示_opts=opts .TooltipOpts(trigger=item ,formatter={a} br/{b}: {c} ({d}%)),)
)
tab.add(饼图,2016年夏奥会)
temp=data[(data[奖牌]=黄金)(数据[年份]==2014)(数据[季节]=冬季)]
Event _ medal=temp分组依据([ Sport ])[ Event ].努尼克()。重置索引()
event_medal.columns=[Sport , Nums]
事件_奖章=事件_奖章。sort _ values(by= Nums ,ascending=False)
pie=(Pie(init_opts=opts .InitOpts(BG _ color=JsCode(background _ color _ js),width=1000px ,height=800px ))。添加(金牌,[(row[sport],row[nums]],在event_medal.iterrows()],
半径=[30% , 75%],
rosetype=radius )。set _ global _ opts(title _ opts=opts .标题选项(标题=2014年冬季奥运会各项运动产生金牌占比,
pos_left=center ,
title_textstyle_opts=opts .TextStyleOpts(color=white ,
font_size=20),),
legend_opts=opts .LegendOpts(is_show=False))。set _ series _ opts(label _ opts=opts .LabelOpts(formatter={b}: {d}% ),
工具提示_opts=opts .TooltipOpts(trigger=item ,formatter={a} br/{b}: {c} ({d}%)
), )
)
tab.add(饼图,2014年冬奥会)
tab.render(r .\htmlRender\03_2016夏2014年冬奥会各项运动金牌数. html’)
3.运动员层面参赛人数趋势进口熊猫作为螺纹中径
从pyecharts .图表导入*
从肾盂造影图将选项作为选项导入
从pyecharts.commons.utils导入代码
运动员数据=pd.read_csv(./data/运动员_赛事。CSV’)
noc_region=pd.read_csv( ./data/NOC _ regions。CSV’)
# 关联代表国家
data=pd.merge(athlete_data,noc_region,on=NOC ,how=left )
print(data.head())
medal_data=data.groupby([年份,季节,地区,奖牌])[事件]。努尼克()。重置索引()
medal_data.columns=[Year , Season , region , medal , Nums]
奖牌数据=奖牌数据。sort _ values(by= Year ,ascending=True)
运动员=data.groupby([年份,赛季])[姓名]。努尼克()。重置索引()
athlete.columns=[Year , Season , Nums]
运动员=运动员。排序值(按=年,升序=真)
x_list,y1_list,y2_list=[],[],[]
对于_,运动员。iterrows()中的行:
x_list.append(str(row[Year]))
如果行[季节]=夏季:
y1_list.append(行[Nums])
y2_list.append(无)
否则:
y2_list.append(行[Nums])
y1_list.append(无)
背景_颜色_js=(
新埃查尔兹。图形。线性梯度(1,1,0,0
[{offset: 0,color: #008B8B},{offset: 1,color: #FF6347}],false)
)
line=(
Line(init_opts=opts .InitOpts(BG _ color=JsCode(background _ color _ js),width=1000px ,height=600px ))。add_xaxis(x_list)。add_yaxis(夏季奥运会,
y1_list,
is_smooth=True,
is_connect_nones=True,
symbol=圆形,
符号大小=6,
linestyle_opts=opts .LineStyleOpts(color=#fff ),
label_opts=opts .LabelOpts(is_show=False,position=top ,color=white ),
itemstyle_opts=opts .ItemStyleOpts(
color=green ,border_color=#fff ,border_width=3),
工具提示_opts=opts .TooltipOpts(is_show=True))。add_yaxis(冬季季奥运会,
y2 _列表,
is_smooth=True,
is_connect_nones=True,
symbol=圆形,
符号大小=6,
linestyle_opts=opts .LineStyleOpts(color=#FF4500 ),
label_opts=opts .LabelOpts(is_show=False,position=top ,color=white ),
itemstyle_opts=opts .ItemStyleOpts(
color=red ,border_color=#fff ,border_width=3),
工具提示_opts=opts .TooltipOpts(is_show=True))。集合系列选项(
markarea_opts=opts .MarkAreaOpts(
label_opts=opts .LabelOpts(is_show=True,position=bottom ,color=white ),
数据=[
opts .markariatem(name=第一次世界大战,x=(1914,1918)),
opts .markariatem(name=第二次世界大战,x=(1939,1945)),
]
)
)。set _ global _ opts(title _ opts=opts .TitleOpts(title=历届奥运会参赛人数,
pos_left=center ,
title_textstyle_opts=opts .TextStyleOpts(color=white ,font_size=20),),
legend_opts=opts .LegendOpts(is_show=True,pos_top=5% ,
textstyle_opts=opts .TextStyleOpts(color=white ,font_size=12)),
xaxis_opts=opts .AxisOpts(type_=value ,
min_=1904,
max_=2016,
边界间隙=假
axislabel_opts=opts .LabelOpts(margin=30,color=#ffffff63 ,
formatter=JsCode(“”)函数(值)
{返回值年;})),
axisline_opts=opts .axis lino pts(is _ show=False),
axistick_opts=opts .AxisTickOpts(
is_show=True,
长度=25,
linestyle_opts=opts .LineStyleOpts(color= # ffff1f ),
),
splitline_opts=opts .SplitLineOpts(
is_show=True,linestyle_opts=opts .LineStyleOpts(color= # ffff1f )
),
),
yaxis_opts=opts .轴零件(
type_=value ,
位置=右,
axislabel_opts=opts .LabelOpts(margin=20,color=#ffffff63 ),
axisline_opts=opts .AxisLineOpts(
linestyle_opts=opts .LineStyleOpts(width=2,color=#fff )
),
axistick_opts=opts .AxisTickOpts(
is_show=True,
长度=15,
linestyle_opts=opts .LineStyleOpts(color= # ffff1f ),
),
splitline_opts=opts .SplitLineOpts(
is_show=True,linestyle_opts=opts .LineStyleOpts(color= # ffff1f )
),
), )
)
line.render(r .\htmlRender\04_历届奥运会参赛人数. html’)
女性参赛比例趋势
进口熊猫作为螺纹中径
从pyecharts .图表导入*
从肾盂造影图将选项作为选项导入
从pyecharts.commons.utils导入代码
运动员数据=pd.read_csv(./data/运动员_赛事。CSV’)
noc_region=pd.read_csv( ./data/NOC _ regions。CSV’)
# 关联代表国家
data=pd.merge(athlete_data,noc_region,on=NOC ,how=left )
print(data.head())
medal_data=data.groupby([年份,季节,地区,奖牌])[事件]。努尼克()。重置索引()
medal_data.columns=[Year , Season , region , medal , Nums]
奖牌数据=奖牌数据。sort _ values(by= Year ,ascending=True)
# 历年男性运动员人数
m_data=data[data .Sex==M].groupby([年,季])[名]。努尼克()。重置索引()
m_data.columns=[Year , Season , M-Nums]
m _ data=m _ datasort _ values(by= Year ,ascending=True)
# 历年女性运动员人数
f_data=data[data .Sex==F].groupby([年,季])[名]。努尼克()。重置索引()
f_data.columns=[Year , Season , F-Nums]
f数据=f数据。sort _ values(by= Year ,ascending=True)
t_data=pd.merge(m_data,f_data,on=[Year , Season])
t _ data[ F-rate ]=round(t _ data[ F-Nums ]/(t _ data[ F-Nums ]t _ data[ M-Nums ]),4)
x_list,y1_list,y2_list=[],[],[]
对于_,t_data.iterrows()中的行:
x_list.append(str(row[Year]))
如果行[季节]=夏季:
y1_list.append(行[F利率])
y2_list.append(无)
否则:
y2_list.append(行[F利率])
y1_list.append(无)
背景_颜色_js=(
新埃查尔兹。图形。线性梯度(0,0,0,1
[{offset: 0,color: #008B8B},{offset: 1,color: #FF6347}],false)
)
line=(
Line(init_opts=opts .InitOpts(BG _ color=JsCode(background _ color _ js),width=1000px ,height=600px ))。add_xaxis(x_list)。add_yaxis(夏季奥运会,
y1_list,
is_smooth=True,
is_connect_nones=True,
symbol=圆形,
符号大小=6,
linestyle_opts=opts .LineStyleOpts(color=#fff ),
label_opts=opts .LabelOpts(is_show=False,position=top ,color=white ),
itemstyle_opts=opts .ItemStyleOpts(color=green ,border_color=#fff ,border_width=3),
工具提示_opts=opts .TooltipOpts(is_show=True),)。add_yaxis(冬季季奥运会,
y2 _列表,
is_smooth=True,
is_connect_nones=True,
symbol=圆形,
符号大小=6,
linestyle_opts=opts .LineStyleOpts(color=#FF4500 ),
label_opts=opts .LabelOpts(is_show=False,position=top ,color=white ),
itemstyle_opts=opts .ItemStyleOpts(color=red ,border_color=#fff ,border_width=3),
工具提示_opts=opts .TooltipOpts(is_show=True),)。set _ series _ opts(tooltip _ opts=opts .TooltipOpts(trigger=item ,formatter=JsCode( 函数(参数)
{return params.data[0]年: Number(参数。数据[1])* 100% ;})), )。set _ global _ opts(title _ opts=opts .TitleOpts(title=历届奥运会参赛女性占比趋势,
pos_left=center ,
title_textstyle_opts=opts .TextStyleOpts(color=white ,font_size=20),),
legend_opts=opts .LegendOpts(is_show=True,pos_top=5% ,
textstyle_opts=opts .TextStyleOpts(color=white ,font_size=12)),
xaxis_opts=opts .AxisOpts(type_=value ,
min_=1904,
max_=2016,
边界间隙=假
axislabel_opts=opts .LabelOpts(margin=30,color=#ffffff63 ,
formatter=JsCode(“”)函数(值)
{返回值年;})),
axisline_opts=opts .axis lino pts(is _ show=False),
axistick_opts=opts .AxisTickOpts(
is_show=True,
长度=25,
linestyle_opts=opts .LineStyleOpts(color= # ffff1f ),
),
splitline_opts=opts .SplitLineOpts(
is_show=True,linestyle_opts=opts .LineStyleOpts(color= # ffff1f )
),
),
yaxis_opts=opts .轴零件(
type_=value ,
位置=右,
axislabel_opts=opts .LabelOpts(margin=20,color=#ffffff63 ,
formatter=JsCode(“”)函数(值)
{返回数字(值* 100) % ;})),
axisline_opts=opts .AxisLineOpts(
linestyle_opts=opts .LineStyleOpts(width=2,color=#fff )
),
axistick_opts=opts .AxisTickOpts(
is_show=True,
长度=15,
linestyle_opts=opts .LineStyleOpts(color= # ffff1f ),
),
splitline_opts=opts .SplitLineOpts(
is_show=True,linestyle_opts=opts .LineStyleOpts(color= # ffff1f )
),
), )
)
line.render(r .\htmlRender\05_历届奥运会参赛女性占比趋势. html’)
获得金牌最多的运动员
进口熊猫作为螺纹中径
从pyecharts .图表导入*
从肾盂造影图将选项作为选项导入
从pyecharts.commons.utils导入代码
运动员数据=pd.read_csv(./data/运动员_赛事。CSV’)
noc_region=pd.read_csv( ./data/NOC _ regions。CSV’)
# 关联代表国家
data=pd.merge(athlete_data,noc_region,on=NOC ,how=left )
print(data.head())
medal_data=data.groupby([年份,季节,地区,奖牌])[事件]。努尼克()。重置索引()
medal_data.columns=[Year , Season , region , medal , Nums]
奖牌数据=奖牌数据。sort _ values(by= Year ,ascending=True)
temp=data[(data[ Medal ]= Gold )]
运动员=temp.groupby([姓名])[奖牌]。计数()。重置索引()
athlete.columns=[Name , Nums]
运动员=运动员。排序_值(by=Nums ,升序=真)
背景_颜色_js=(
新埃查尔兹。图形。线性梯度(0,0,1,1
[{offset: 0,color: #008B8B},{offset: 1,color: #FF6347}],false)
)
pb=(
PictorialBar(init_opts=opts .InitOpts(BG _ color=JsCode(background _ color _ js),width=1000px ,height=800px ))。add_xaxis([x.replace(, \n )用于运动员[名称]中的十.尾巴(10)。tolist()])。add_yaxis(
,
运动员。尾巴(10)。tolist(),
label_opts=opts .LabelOpts(is_show=False),
symbol_size=25
symbol_repeat=固定,
symbol_offset=[0,0]
is_symbol_clip=True,
symbol= image://https://cdn。凯茜。F8 OTR LFC。png’)。反转_轴()。集合_全局_opts(
title_opts=opts .TitleOpts(title=获得金牌数量最多的运动员,pos_left=center ,
title_textstyle_opts=opts .TextStyleOpts(color=white ,font_size=20),),
xaxis_opts=opts .AxisOpts(is_show=False,),
yaxis_opts=opts .轴零件(
axistick_opts=opts .AxisTickOpts(is_show=False),
axisline_opts=opts .AxisLineOpts(
linestyle_opts=opts .线条样式选项(不透明度=0)
),
),
))
pb.render(r .\htmlRender\06_获得金牌数量最多的运动员. html’)
获得奖牌/金牌比例
进口熊猫作为螺纹中径
从pyecharts .图表导入*
从肾盂造影图将选项作为选项导入
从pyecharts.commons.utils导入代码
运动员数据=pd.read_csv(./data/运动员_赛事。CSV’)
noc_region=pd.read_csv( ./data/NOC _ regions。CSV’)
# 关联代表国家
data=pd.merge(athlete_data,noc_region,on=NOC。
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。