🧑 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
在经济学中，GDP（国内生产总值）是衡量一个国家经济状况的重要指标。本文将使用Python的Pyecharts库对中国历年GDP数据进行可视化分析，包括产业构成、GDP时空热力图、GDP总量与人均GDP双轴渐变折线图、行业雷达图、产业变迁热力图以及交互表格展示。
二、环境准备
首先，确保安装了Pyecharts库：
pip install pyecharts三、数据加载与预处理
import pandas as pdfrom pyecharts import options as optsfrom pyecharts.charts import *from pyecharts.globals import ThemeType# 读取数据df = pd.read_csv('中国历年的GDP数据.csv', encoding='gb18030')df = df.dropna(subset=['GDP'])for col in df.columns[1:]: df[col] = pd.to_numeric(df[col], errors='coerce')# 反向排序，让时间轴从小到大df = df[::-1].reset_index(drop=True)四、可视化分析
4.1 产业构成玫瑰图（2024年最新）
rose = ( Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add("", [list(z) for z in zip(['第一产业', '第二产业', '第三产业'], df.iloc[-1][['第一产业':'第三产业'].tolist()))], radius=["20%", "75%"], rosetype="area") .set_global_opts(title_opts=opts.TitleOpts(title="2024年产业构成·玫瑰绽放")))rose.render('4_rose_2024.html')4.2 GDP时空热力图（假想省级分布）
fake_map = [('北京', 4.98), ('上海', 5.39), ('广东', 14.16), ('江苏', 13.7), ('浙江', 9.01), ('山东', 9.86), ('四川', 6.47), ('河南', 6.36), ('湖北', 6.00), ('福建', 5.78), ('湖南', 5.32), ('安徽', 5.06), ('河北', 4.75), ('陕西', 3.55), ('江西', 3.42), ('辽宁', 3.26), ('重庆', 3.22), ('云南', 3.15), ('广西', 2.86), ('内蒙古', 2.63), ('山西', 2.55), ('贵州', 2.27), ('新疆', 2.05), ('天津', 1.80), ('黑龙江', 1.65), ('吉林', 1.44), ('甘肃', 1.30), ('海南', 0.79), ('宁夏', 0.55), ('青海', 0.40), ('西藏', 0.28)]map_bar = ( Map(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add("2024 GDP(亿元)", fake_map, "china") .set_global_opts( title_opts=opts.TitleOpts(title="2024省级GDP热力图"), visualmap_opts=opts.VisualMapOpts(max_=15, is_piecewise=True) ))map_bar.render('5_map_bar.html')4.3 GDP总量 & 人均双轴渐变折线图
line = ( Line(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add_xaxis(df['时间'].astype(str).tolist()) .add_yaxis("GDP总量(亿元)", df['GDP'].tolist(), is_smooth=True) .add_yaxis("人均GDP(元)", df['人均GDP'].tolist(), yaxis_index=1, is_smooth=True) .extend_axis(yaxis=opts.AxisOpts(name="人均GDP")) .set_global_opts( title_opts=opts.TitleOpts(title="GDP总量 & 人均GDP双轴渐变折线图"), tooltip_opts=opts.TooltipOpts(trigger="axis") ))line.render('6_gdp_line.html')4.4 行业雷达图（2021-2024年六维）
latest = df.iloc[-1]latest1 = df.iloc[-2]latest2 = df.iloc[-3]radar = Radar(bg_cfg)schema = [ {"name": "金融业", "max": 100000}, {"name": "房地产", "max": 100000}, {"name": "工业", "max": 500000}, {"name": "批发零售", "max": 150000}, {"name": "住宿餐饮", "max": 30000}, {"name": "农林牧渔", "max": 100000}]radar.add_schema(schema)radar.add("2022", [[latest2['GDP:金融业'], latest2['GDP:房地产业'], latest2['GDP:工业'], latest2['GDP:批发和零售业'], latest2['GDP:住宿和餐饮业'], latest2['GDP:农林牧渔业']]], color="#9bff59")radar.add("2023", [[latest1['GDP:金融业'], latest1['GDP:房地产业'], latest1['GDP:工业'], latest1['GDP:批发和零售业'], latest1['GDP:住宿和餐饮业'], latest1['GDP:农林牧渔业']]], color="#59dbff")radar.add("2024", [[latest['GDP:金融业'], latest['GDP:房地产业'], latest['GDP:工业'], latest['GDP:批发和零售业'], latest['GDP:住宿和餐饮业'], latest['GDP:农林牧渔业']]], color="#ff59bf")radar.set_global_opts(title_opts=opts.TitleOpts(title="2022-2024行业六维雷达"))radar.render('7_radar.html')4.5 产业变迁热力图：2015-2024
recent_10_years = df.tail(10)# 创建折线图line3 = ( Line(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000")) .add_xaxis(recent_10_years['时间'].astype(str).tolist()) .add_yaxis("第一产业", recent_10_years['第一产业'].tolist(), is_smooth=True) .add_yaxis("第二产业", recent_10_years['第二产业'].tolist(), is_smooth=True) .add_yaxis("第三产业", recent_10_years['第三产业'].tolist(), is_smooth=True) .set_global_opts( title_opts=opts.TitleOpts(title="近10年三大产业GDP变化趋势"), tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"), yaxis_opts=opts.AxisOpts(name="GDP(亿元)"), legend_opts=opts.LegendOpts(pos_left="right") ))# 渲染折线图line.render("recent_10_years_industry_trend.html")4.6 交互表格：最新5年核心指标
table = Table(init_opts=opts.InitOpts(theme=ThemeType.DARK, bg_color="#000"))headers = df.tail(5).columns.tolist()rows = df.tail(5).values.tolist()table.add(headers, rows)table.set_global_opts(title_opts=opts.ComponentTitleOpts(title="近五年核心指标"))table.render('9_table.html')五、可视化大屏
page = Page(layout=Page.DraggablePageLayout)page.add(rose, map_bar, line, radar, heat, table)page.set_global_opts(title_opts=opts.TitleOpts(title="中国历年GDP数据可视化大屏"))page.render("china_gdp_dashboard.html")六、分析总结
通过上述可视化分析，我们可以清晰地看到中国历年GDP的变化趋势和产业构成。玫瑰图展示了2024年的产业构成，地图和柱状图展示了GDP的时空分布，双轴折线图和雷达图则分别展示了GDP总量与人均GDP的变化以及各行业的GDP贡献。
希望这篇文章能帮助您更好地理解和分析中国历年GDP数据。如果您有任何问题或建议，欢迎在评论区留言！🎉
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！
