大家好！今天让小编来大家介绍下关于数据分析案例:亚洲国家人口数据计算的问题，以下是酷知号的小编对此问题的归纳整理，让我们一起来看看吧。
数据截图:
数据下载地址：链接：https://pan.baidu.com/s/1dGHwAC5 密码：nfd2
该数据包含了2006年-2015年10年间亚洲地区人口数量数据，共10行50列数据。我们需要使用Numpy完成如下数据任务:
- 计算2015年各个国家人口数据
- 计算朝鲜历史各个时期人口数据
- 计算缅甸2014年的人口数据
- 计算每一个国家历史平均人口数据
- 计算亚洲2015年总人口，及平均人口
- 计算印度、柬埔寨、阿富汗在2011、2012、2013年总人口及平均人口
- 计算任意两个国家之间的人口差数据
- 计算2012年亚洲人口数量排名前10的国家
import numpy as np
import numpy as np
In [42]:#国家索引
country_index = np.array(open('亚洲国家20年人口数据-gb2312.csv').readline()[:-1].split(',')
)#读取人口数据
p_data = np.genfromtxt('亚洲国家20年人口数据-gb2312.csv',delimiter = ',',skip_header = 1,dtype = np.str
)#时间索引
time_index = p_data[:,0]#数据行索引
time_index
#国家索引
country_index = np.array(open('亚洲国家20年人口数据-gb2312.csv').readline()[:-1].split(',')
)
#读取人口数据
p_data = np.genfromtxt('亚洲国家20年人口数据-gb2312.csv',delimiter = ',',skip_header = 1,dtype = np.str
)
#时间索引
time_index = p_data[:,0]
#数据行索引
time_index
Out[42]:
array(['2015', '2014', '2013', '2012', '2011', '2010', '2009', '2008','2007', '2006', '2005', '2004', '2003', '2002', '2001', '2000','1999', '1998', '1997', '1996'],dtype='<U10')
In [43]:#数据索引
country_index
Out[43]:
array(['时间', '阿富汗', '巴林', '孟加拉国', '不丹', '文莱', '缅甸', '柬埔寨', '塞浦路斯', '朝鲜','中国香港', '印度', '印度尼西亚', '伊朗', '伊拉克', '以色列', '日本', '约旦', '科威特', '老挝','黎巴嫩', '中国澳门', '马来西亚', '马尔代夫', '蒙古', '尼泊尔', '阿曼', '巴基斯坦', '巴勒斯坦','菲律宾', '卡塔尔', '沙特阿拉伯', '新加坡', '韩国', '斯里兰卡', '叙利亚', '泰国', '土耳其','阿联酋', '也门', '越南', '中国台湾', '东帝汶', '哈萨克斯坦', '吉尔吉斯斯坦', '塔吉克斯坦','土库曼斯坦', '乌兹别克斯坦', '马恩岛', '约旦河西岸和加沙'],dtype='<U8')
1.计算2015年各个国家人口数据
In [44]:year = '2015'
#获取year年所有国家人口数据
p_by_year = p_data[time_index == year]
#取前国家显示
p_by_year = p_by_year[0]
#给数据添加国家名称
print('%s年各个国家人口数据：'%year)
print('--------------------------')
for country_name,country_data in zip(country_index[1:],p_by_year[1:]):print('%s人口为:t%s'%(country_name,country_data))
2015年各个国家人口数据：
--------------------------
阿富汗人口为: 32526562
巴林人口为: 1377237
孟加拉国人口为: 160995642
不丹人口为: 774830
文莱人口为: 423188
缅甸人口为: 53897154
柬埔寨人口为: 15577899
塞浦路斯人口为: 1165300
朝鲜人口为: 25155317
中国香港人口为: 7305700
印度人口为: 1311050527
印度尼西亚人口为: 257563815
伊朗人口为: 79109272
伊拉克人口为: 36423395
以色列人口为: 8380100
日本人口为: 126958472
约旦人口为: 7594547
科威特人口为: 3892115
老挝人口为: 6802023
黎巴嫩人口为: 5850743
中国澳门人口为: 587606
马来西亚人口为: 30331007
马尔代夫人口为: 409163
蒙古人口为: 2959134
尼泊尔人口为: 28513700
阿曼人口为: 4490541
巴基斯坦人口为: 188924874
巴勒斯坦人口为:
菲律宾人口为: 100699395
卡塔尔人口为: 2235355
沙特阿拉伯人口为: 31540372
新加坡人口为: 5535002
韩国人口为: 50617045
斯里兰卡人口为: 20966000
叙利亚人口为: 18502413
泰国人口为: 67959359
土耳其人口为: 78665830
阿联酋人口为: 9156963
也门人口为: 26832215
越南人口为: 91713300
中国台湾人口为:
东帝汶人口为: 1184765
哈萨克斯坦人口为: 17544126
吉尔吉斯斯坦人口为: 5956900
塔吉克斯坦人口为: 8481855
土库曼斯坦人口为: 5373502
乌兹别克斯坦人口为: 31298900
马恩岛人口为: 87780
约旦河西岸和加沙人口为: 4422143
2.计算朝鲜历史各个时期人口数据
In [45]:country = '朝鲜'
#先查找朝鲜在数组的索引
country_where = np.argwhere(country_index == country)[0][0]
#按照索引计算人口数据
print('%s各个年份人口数据：'%country)
print('=============================')
for data in zip(time_index,p_data[:,country_where]):print(data)print('==============================')
朝鲜各个年份人口数据：
=============================
('2015', '25155317')
('2014', '25026772')
('2013', '24895705')
('2012', '24763353')
('2011', '24631359')
('2010', '24500506')
('2009', '24371806')
('2008', '24243829')
('2007', '24111945')
('2006', '23969897')
('2005', '23813324')
('2004', '23639296')
('2003', '23449173')
('2002', '23248053')
('2001', '23043441')
('2000', '22840218')
('1999', '22641747')
('1998', '22444986')
('1997', '22240826')
('1996', '22016510')
==============================
3.计算缅甸2014年人口数据
In [46]:country = '缅甸'
year = '2014'
country_data = p_data[time_index==year][0][np.argwhere(country_index == country)[0][0]]
print('%s在%s年人口数据为：%s'%(country,year,country_data))
缅甸在2014年人口数据为：53437159
4.计算每一个国家历史平均人口数据
In [47]:#去除第一行时间数据
every_country_data = np.delete(p_data.T,0,axis=0)
#处理数据中的空值为0
every_country_data = np.where(every_country_data=='',0,every_country_data).astype(np.int32)
#计算每一个国家平均人口
avg_data = np.mean(every_country_data,axis=1).astype(np.int32)
print('各个国家历史平均人口数据')
print('=========================')
#各个国家名称
country_name = country_index[1:]
for country_name,data in zip(country_index[1:],avg_data):print('%s国家历史平均人口数据：%s'%(country_name,data))
各个国家历史平均人口数据
=========================
阿富汗国家历史平均人口数据：24566255
巴林国家历史平均人口数据：961489
孟加拉国国家历史平均人口数据：142511842
不丹国家历史平均人口数据：650117
文莱国家历史平均人口数据：364592
缅甸国家历史平均人口数据：49912636
柬埔寨国家历史平均人口数据：13384934
塞浦路斯国家历史平均人口数据：1030891
朝鲜国家历史平均人口数据：23752403
中国香港国家历史平均人口数据：6865960
印度国家历史平均人口数据：1150202417
印度尼西亚国家历史平均人口数据：228174990
伊朗国家历史平均人口数据：70450024
伊拉克国家历史平均人口数据：27799113
以色列国家历史平均人口数据：7016715
日本国家历史平均人口数据：127318832
约旦国家历史平均人口数据：5723731
科威特国家历史平均人口数据：2545149
老挝国家历史平均人口数据：5842897
黎巴嫩国家历史平均人口数据：4085650
中国澳门国家历史平均人口数据：487277
马来西亚国家历史平均人口数据：25966300
马尔代夫国家历史平均人口数据：331258
蒙古国家历史平均人口数据：2579777
尼泊尔国家历史平均人口数据：25465307
阿曼国家历史平均人口数据：2798350
巴基斯坦国家历史平均人口数据：155928633
巴勒斯坦国家历史平均人口数据：0
菲律宾国家历史平均人口数据：86371329
卡塔尔国家历史平均人口数据：1179044
沙特阿拉伯国家历史平均人口数据：25157752
新加坡国家历史平均人口数据：4551772
韩国国家历史平均人口数据：48298055
斯里兰卡国家历史平均人口数据：19483750
叙利亚国家历史平均人口数据：18060010
泰国国家历史平均人口数据：64970255
土耳其国家历史平均人口数据：68492236
阿联酋国家历史平均人口数据：5575669
也门国家历史平均人口数据：21019667
越南国家历史平均人口数据：82703935
中国台湾国家历史平均人口数据：0
东帝汶国家历史平均人口数据：984978
哈萨克斯坦国家历史平均人口数据：15734151
吉尔吉斯斯坦国家历史平均人口数据：5217475
塔吉克斯坦国家历史平均人口数据：6965083
土库曼斯坦国家历史平均人口数据：4799654
乌兹别克斯坦国家历史平均人口数据：26807230
马恩岛国家历史平均人口数据：80731
约旦河西岸和加沙国家历史平均人口数据：3424896
5.计算亚洲2015年总人口，以及平均数
In [48]:year = '2015'
#2015年亚洲各个国家人口数量
every_country_data = p_data[time_index == year]
#去除第一条时间数据
every_country_data = np.delete(p_data.T,0,axis=0)
#计算数据中的缺失值，并将数据类型转换为数字类型
every_country_data= np.where(every_country_data=='',0,every_country_data).astype(np.int32)
#计算平均值
avg_data = np.mean(every_country_data)
#计算总人口
total_data = np.sum(every_country_data)
print('亚洲%s年总人口数据：%s,平均人后数据是：%s'%(year,total_data,avg_data))
亚洲2015年总人口数据：792297067,平均人后数据是：53399902.6724
6. 计算印度、柬埔寨、阿富汗在2011、2012、2013年总人口及平均人口
In [54]:contry = ['印度','柬埔寨','阿富汗']
year = ['2011','2012','2013']
#先获得所有国家11/12/13年的人口数据
all_country_data_by_year = []
for y in year:all_country_data_by_year.append(p_data[time_index == y][0])
# #计算国家所对应的列索引
indexes = []
for c in contry:indexes.append(np.argwhere(country_index == c)[0][0])
# #计算指定国家的数据
all_country_data_by_year = np.array(all_country_data_by_year)
all_country_data_by_year = all_country_data_by_year[:,indexes]
# #处理数据中可能存在的缺失值
all_country_data_by_year = np.where(all_country_data_by_year == '',0,all_country_data_by_year)
all_country_data_by_year = all_country_data_by_year.astype(np.int32)
# #计算每一年人口总和
p_sum = all_country_data_by_year.sum(axis=1)
# #计算每一年人口平均数
p_mean = all_country_data_by_year.mean(axis=1)
for y,s,m in zip(year,p_sum,p_mean):print('%s年%s国家的人口总和为:%s, 平均人口为:%s' % (y, ','.join(contry), s, m))
2011年印度,柬埔寨,阿富汗国家的人口总和为:1290848277, 平均人口为:430282759.0
2012年印度,柬埔寨,阿富汗国家的人口总和为:1308148697, 平均人口为:436049565.667
2013年印度,柬埔寨,阿富汗国家的人口总和为:1325259938, 平均人口为:441753312.667
7.计算任意两个国家之间的人口差数据
In [57]:country1 = '柬埔寨'
country2 = '越南'
year = '2013'
#计算2015年人口数据
data_2015 = p_data[time_index == year]
data_2015 = np.where(data_2015 == '',0,data_2015).astype(np.int32)
#获得两个国家的人口数据
country1_data = data_2015.T[country_index == country1][0][0]
country2_data = data_2015.T[country_index == country2][0][0]
print('%s和%s的人口差是：%s !'%(country1,country2,np.abs(country1_data-country2_data)))
柬埔寨和越南的人口差是：74680936 !
8.计算2012年亚洲人口数量排名前10的国家
In [60]:#计算2012年亚洲人口数据
year = '2012'
#获得2012年数据
data_2012 = p_data[time_index == year][0][1:]
#处理缺失值
data_2012 = np.where(data_2012 == '',0,data_2012)
#数据转换为数字类型
data_2012 = data_2012.astype(np.int32)
#对结果排序
sorted_index = np.argsort(data_2012)
#人口数量前10的国家
ret_data = data_2012[sorted_index][::-1][10:]
ret_index = country_index[1:][sorted_index][::-1][:10]
#输出结果
for a,b in zip(ret_index,ret_data):print('国家：%s人口：%s'%(a,b))
国家：印度人口：52543841
国家：印度尼西亚人口：50004441
国家：巴基斯坦人口：32957622
国家：孟加拉国人口：29774500
国家：日本人口：29726803
国家：菲律宾人口：29496047
国家：越南人口：29021940
国家：伊朗人口：27500515
国家：土耳其人口：24882792
国家：泰国人口：24763353以上就是小编对于数据分析案例:亚洲国家人口数据计算问题和相关问题的解答了，数据分析案例:亚洲国家人口数据计算的问题希望对你有用！
文章来自互联网，只做分享使用。发布者：酷知号，转转请注明出处：https://www.kuzhihao.com/article/328193.html
