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。