🧑 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
在当今社会，城市的幸福指数不仅是居民生活质量的重要体现，也是衡量城市竞争力的关键指标。本文将通过 Python 和 Pyecharts 对中国城市幸福指数及其影响因素进行深度可视化分析。我们将从多个维度出发，结合多种炫酷的图表，展示数据背后的深刻洞察，并最终生成一个可移动的可视化大屏，为数据分析和决策提供有力支持。
二、数据准备与预处理
首先，我们需要加载数据，在进行可视化之前，需要对数据进行清洗，去除异常值和缺失值。：
import pandas as pdimport numpy as npfrom pyecharts import options as optsfrom pyecharts.charts import *from pyecharts.globals import ThemeType # 读取数据df = pd.read_csv("updated_city_happiness.csv") # 清理数据df = df[~df['省份'].str.contains('ce1')] # 删除异常行numeric_cols = df.columns[4:-1] # 从第5列开始是数值列df[numeric_cols] = df[numeric_cols].apply(pd.to_numeric, errors='coerce')df = df.drop(['status'], axis=1)三、多维度可视化分析
3.1 各区域幸福指数占比玫瑰图
# 计算各区域幸福指数占比region_happiness_percentage = df.groupby('区域')['幸福指数'].mean().reset_index()region_happiness_percentage.columns = ['区域', '平均幸福指数'] # 创建玫瑰图pie = ( Pie(init_opts=opts.InitOpts(theme=ThemeType.DARK, width="100%", height="400px")) .add("", [list(z) for z in zip(region_happiness_percentage['区域'], region_happiness_percentage['平均幸福指数'])]) .set_global_opts( title_opts=opts.TitleOpts(title="各区域幸福指数占比玫瑰图", pos_left="center"), legend_opts=opts.LegendOpts(orient="vertical", pos_left="left"), tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)") ) .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)")))3.2 各区域教育满意度与幸福指数关系
# 计算各区域教育满意度与幸福指数的关系region_education_happiness = df.groupby('区域')[['教育满意度(10分制)', '幸福指数']].mean().reset_index() # 创建柱状图bar = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK, width="100%", height="400px")) .add_xaxis(region_education_happiness['区域'].tolist()) .add_yaxis("教育满意度(10分制)", region_education_happiness['教育满意度(10分制)'].tolist(), yaxis_index=0, color="#67E0E3") .add_yaxis("幸福指数", region_education_happiness['幸福指数'].tolist(), yaxis_index=1, color="#FFD700") )3.3 人均可支配收入区间与平均幸福指数
# 将人均可支配收入分组bins = [0, 2, 4, 6, 8, 10]labels = ['0-2万', '2-4万', '4-6万', '6-8万', '8-10万']df['收入区间'] = pd.cut(df['人均可支配收入(万元)'], bins=bins, labels=labels, right=False) # 计算每个收入区间的平均幸福指数grouped_data = df.groupby('收入区间')['幸福指数'].mean().reset_index() # 创建柱状图bar1 = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK, width="100%", height="400px")) .add_xaxis(grouped_data['收入区间'].tolist()) .add_yaxis("平均幸福指数", grouped_data['幸福指数'].round(2).tolist(), color="#FF6B6B"))3.4 省份平均幸福指数地图
# 计算各省份的平均幸福指数province_happiness = df.groupby('省份')['幸福指数'].mean().reset_index()province_happiness.columns = ['省份', '平均幸福指数'] # 创建地图province_map = ( Map(init_opts=opts.InitOpts(theme=ThemeType.DARK, width="100%", height="600px")) .add("平均幸福指数", [list(z) for z in zip(province_happiness['省份'], province_happiness['平均幸福指数'])], "china"))3.5 创建城市平均幸福指数
geo = ( Geo(init_opts=opts.InitOpts(theme=ThemeType.DARK)) .add_schema(maptype="china") .add( "平均幸福指数", [(row['城市'], row['幸福指数']) for index, row in df.iterrows()], # type_=GeoType.HEATMAP, ))geo.render("城市平均幸福指数地图.html")3.6 区域平均幸福指数地图（增强版）
# 模拟区域数据region_happiness = pd.DataFrame({ "区域": ["东北", "华东", "华中", "华北", "华南", "西北", "西南"], "平均幸福指数": [80.87, 82.35, 78.60, 74.69, 89.81, 76.89, 87.32]}) # 区域与省份映射region_to_provinces = { "东北": ["辽宁省", "吉林省", "黑龙江省"], # ... 其他区域映射} # 准备地图数据map_data = []for _, row in region_happiness.iterrows(): region = row["区域"] happiness = row["平均幸福指数"] for province in region_to_provinces[region]: map_data.append([province, happiness]) # 创建地图region_map_chart = ( Map(init_opts=opts.InitOpts(theme=ThemeType.DARK, width="100%", height="600px")) .add( series_name="平均幸福指数", data_pair=map_data, maptype="china", is_map_symbol_show=False ))3.7不同区域多维表现雷达图
# 计算各区域多维指标均值dimensions = [ '人均可支配收入(万元)', '房价收入比', '教育满意度(10分制)', '医疗资源指数', 'PM2.5年均值', '公园绿地面积(㎡/人)', '养老保险覆盖率(%)', '每万人警力数', '通勤时间(分钟)']region_data = df.groupby('区域')[dimensions].mean().reset_index() # 准备雷达图数据radar_data = [ { "value": [round(x, 1) for x in region_data.iloc[i][1:].values.tolist()], "name": region_data.iloc[i]["区域"] } for i in range(len(region_data))] # 创建雷达图radar = ( Radar(init_opts=opts.InitOpts(theme=ThemeType.DARK)) .add_schema( schema=[ opts.RadarIndicatorItem(name=str('人均可支配收入(万元)'), max_=5,min_=1),... ], splitarea_opt=opts.SplitAreaOpts(is_show=False, areastyle_opts=opts.AreaStyleOpts(opacity=1)) ))3.8 幸福指数相关因素热力图
# 计算相关系数矩阵corr_matrix = df[['幸福指数', '人均可支配收入(万元)', '教育满意度(10分制)', '医疗资源指数', '公园绿地面积(㎡/人)', 'PM2.5年均值']].corr() # 准备热力图数据columns = corr_matrix.index.tolist()heatmap_data = [[i, j, round(corr_matrix.iloc[i, j], 2)] for i in range(len(columns)) for j in range(len(columns))] # 创建热力图heatmap = ( HeatMap(init_opts=opts.InitOpts(theme=ThemeType.DARK, width="100%", height="500px")) .add_xaxis(columns) .add_yaxis( "相关性系数", columns, heatmap_data, label_opts=opts.LabelOpts(color="#fff"), ))四、构建可视化大屏
from pyecharts.charts import Page # 创建页面page = Page(layout=Page.DraggablePageLayout, page_title="中国城市幸福指数可视化大屏") # 添加所有图表page.add( pie, bar, bar1, province_map, geo, region_map_chart, radar, heatmap) # 保存为HTML文件page.render("中国城市幸福指数可视化大屏.html")五、分析与结论
通过以上多维度可视化分析，我们可以得出以下结论：
区域差异显著： 华南地区幸福指数最高，可能与经济发展水平、气候条件等因素相关。
经济与幸福指数： 人均可支配收入在4-6万区间时，幸福指数达到峰值，说明收入与幸福感并非线性关系。
多维表现： 各区域在医疗、教育、环境等维度表现各异，雷达图清晰展示了区域发展的不平衡性。
关键影响因素： 热力图显示，PM2.5年均值与幸福指数呈强负相关，说明环境质量对幸福感有重要影响。
六、总结
本文通过PyEcharts构建了一个炫酷的交互式可视化大屏，从多个角度分析了中国城市的幸福指数。这种可视化方式不仅直观展示了数据特征，还通过交互功能增强了用户体验。对于数据分析和可视化从业者来说，这种多图表组合的大屏展示方式值得借鉴。
最终生成的可视化大屏文件"中国城市幸福指数可视化大屏.html"可以直接在浏览器中打开，支持拖拽、缩放等交互操作。
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！
