🧑 博主简介：曾任某智慧城市类企业算法总监，CSDN / 稀土掘金 等平台人工智能领域优质创作者。
目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。
一、引言
本文基于 2024-25 赛季 400+ 名土超球员的薪资明细（CSV 文件 turkish_superleague_salaries.csv），使用 Python + PyEcharts 从俱乐部、位置、年龄、国籍、合同年限、薪资结构六大维度做可视化与洞察。所有代码均可直接复制运行，生成交互式 HTML 报告，助你快速完成职场/课堂数据分析需求。
一、技术栈与数据说明
• 工具：Python 3.9、Pandas 1.5、PyEcharts 2.0
• 核心字段：Gross P/Y（年薪）、Pos.、Club、Age、Country、Years Remaining
• 预处理：
– 去掉“€”和千位分隔符，转 float
– 缺失年薪的三条记录（Saint-Maximin、Zaha、Mimovic）用 NaN 标记，不参与金额类可视化
– 将 Pos. Detail 映射为 6 大类别：GK、DF、MF、FW、AM、DM
二、数据准备
import pandas as pd, numpy as np, pyecharts.options as optsfrom pyecharts.charts import Bar, Pie, Scatter, WordCloud, HeatMap, Line, Boxplotfrom pyecharts.commons.utils import JsCodedf = pd.read_csv('turkish_superleague_salaries.csv')# 1. 金额清洗df['Gross_P_Y_EUR'] = ( df['Gross P/Y (EUR)'] .str.replace('€', '', regex=False) .str.replace(',', '', regex=False) .astype(float))# 2. 位置合并pos_map = {'GK': ['GK'], 'DF': ['CB', 'LB', 'RB'], 'MF': ['CM', 'DM'], 'AM': ['AM', 'RW', 'LW', 'SS'], 'FW': ['CF']}def map_pos(x): for k, v in pos_map.items(): if x in v: return k return 'Other'df['Pos_simple'] = df['Pos. Detail'].apply(map_pos)# 3. 年龄分段df['Age_group'] = pd.cut(df['Age'], bins=[0, 22, 26, 30, 35, 100], labels=['U22', '22-26', '27-30', '31-35', '35+'])三、六大可视化与洞察
（以下代码块均可独立运行，生成 .html 文件，浏览器直接打开查看交互）
1. 俱乐部薪资 TOP10（Bar + 自定义渐变）
top_club = (df.groupby('Club')['Gross_P_Y_EUR'] .agg(total='sum', avg='mean', count='size') .sort_values('total', ascending=False) .head(10))bar = ( Bar() .add_xaxis(top_club.index.tolist()) .add_yaxis("年薪总额(€)", [int(v) for v in top_club['total']]) .set_series_opts(itemstyle_opts=opts.ItemStyleOpts( color=JsCode("new echarts.graphic.LinearGradient(0,0,0,1,[{offset:0,color:'#ff7f50'},{offset:1,color:'#1e90ff'}])"))) .set_global_opts(title_opts=opts.TitleOpts(title="俱乐部薪资 TOP10")))bar.render('club_salary_top10.html')洞察：Fenerbahce、Galatasaray、Besiktas 三强合计占全联盟 55% 薪资池；第四名差距断崖。
2. 位置薪资箱线图
pos_box = [df[df['Pos_simple']==p]['Gross_P_Y_EUR'].dropna().tolist() for p in ['GK','DF','MF','AM','FW']]box = Boxplot().add_xaxis(['GK','DF','MF','AM','FW']) \ .add_yaxis("", Boxplot.prepare_data(pos_box)) \ .set_global_opts(title_opts=opts.TitleOpts("不同位置年薪分布"))box.render('position_box.html')洞察：前锋(FW)与进攻型中场(AM)中位数显著高于后卫与门将，但波动极大；门将薪资最集中。
3. 年龄 vs 薪资 气泡图
scatter = (Scatter().add_xaxis(xaxis_data=df['Age'].tolist())\ .add_yaxis("",df['Gross_P_Y_EUR'].tolist(),color="#33FF00")\ .set_series_opts()\ .set_global_opts( #x轴配置 xaxis_opts=opts.AxisOpts( name ="年龄", name_location = 'center', name_gap = 15, # 坐标轴类型 'value': 数值轴 type_="value", # 分割线配置项 splitline_opts=opts.SplitLineOpts(is_show=True) #显示分割线 ), #y轴配置 yaxis_opts=opts.AxisOpts( name ="年薪(€)", # 坐标轴类型 'value': 数值轴 type_="value", # 坐标轴刻度配置项 axistick_opts=opts.AxisTickOpts(is_show=True),#显示刻度 # 分割线配置项 splitline_opts=opts.SplitLineOpts(is_show=True),#显示分割线 ), # 提示框配置项 tooltip_opts=opts.TooltipOpts(is_show=False), # 不显示提示框组件 ))scatter.render('age_salary.html')洞察：29-31 岁是薪资高峰，35 岁后骤降；极少数 20 岁出头新星拿到 300 万欧以上。
4. 国籍词云（仅年薪>1M）
from pyecharts.charts import WordCloudcountry_money = (df[df['Gross_P_Y_EUR'] > 1_000_000] .groupby('Country')['Gross_P_Y_EUR'].sum())wc = WordCloud().add("", list(zip(country_money.index, country_money.values)), word_size_range=[15, 80])wc.render('country_wordcloud.html')洞察：巴西、阿根廷、葡萄牙占据外援高薪三大帮；土耳其本土球员更多集中在中低薪区。
5. 合同年限热力图（俱乐部 × 年限）
hm = (df.groupby(['Club','Years Remaining']).size().unstack(fill_value=0))x_axis, y_axis = hm.columns.astype(str).tolist(), hm.index.tolist()value = [[i, j, int(hm.iloc[j, i])] for i in range(len(x_axis)) for j in range(len(y_axis))]hm = (HeatMap().add_xaxis(x_axis).add_yaxis("", y_axis, value) \ .set_global_opts(title_opts=opts.TitleOpts("俱乐部合同年限分布")))hm.render('Club_year_emaining.html')洞察：Fenerbahce、Galatasaray 大量 3-5 年长约锁定核心；小俱乐部 1 年短约为主，转会市场更灵活。
6. 年薪结构瀑布图（分位数区间）
bins = [0, 0.5e6, 1e6, 2e6, 5e6, 10e6, 50e6]labels = ['<0.5M', '0.5-1M', '1-2M', '2-5M', '5-10M', '>10M']df['salary_band'] = pd.cut(df['Gross_P_Y_EUR'], bins=bins, labels=labels)pie = Pie().add("", df['salary_band'].value_counts().items()) \ .set_global_opts(title_opts=opts.TitleOpts("年薪分布区间")) \ .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)"))pie.render('salary_band_pie.html')洞察：70% 球员年薪低于 100 万欧；>1000 万欧的“顶薪俱乐部”仅 6 人（Rafa Silva、Osimhen、Immobile、Icardi、Tadic、Fred）。
四、结论与业务建议
- 头部效应明显：Top3 俱乐部薪资 = 其余 17 队之和。小球队需在转会市场挖掘高性价比球员。高龄溢价：30+ 球员如 Immobile、Dzeko 仍享高薪，但 35 岁后断崖；球队续约需警惕风险。青年红利：U22 球员中位数仅 33 万欧，是“低买高卖”战略洼地。外援结构：巴西/阿根廷/葡萄牙球员平均年薪 2.7× 本土球员，需平衡工资帽与战力。
五、一键生成综合仪表板
使用 Page 将所有图表串成单页报告：
from pyecharts.charts import Pagepage = Page(layout=Page.SimplePageLayout)for chart in [bar, box, scatter, wc, hm, pie]: page.add(chart)page.render('turkish_super_league_2024_salary_report.html')浏览器打开 turkish_super_league_2024_salary_report.html，即可交互式查看全部洞察。
如果您在人工智能领域遇到技术难题，或是需要专业支持，无论是技术咨询、项目开发还是个性化解决方案，我都可以为您提供专业服务，如有需要可站内私信或添加下方VX名片（ID：xf982831907）
期待与您一起交流，共同探索AI的更多可能！
<--微信名片-->
