基于Python实现中美地区经济发展对比与预测分析(商业大数据分析)【500010072】

## 准备工作 ```python import numpy as np import matplotlib.pyplot as plt import pandas as pd from sklearn.linear_model import LinearRegression import seaborn as sns from pyecharts.charts import Bar from pyecharts import options as opts from pyecharts.charts import Map from pyecharts.charts import Timeline from pyecharts.charts import Line from pyecharts.charts import Pie from pyecharts.globals import SymbolType from pyecharts.commons.utils import JsCode ``` numpy、matplotlib、pandas 三大库的导入是为了后面数据的处理，seaborn、pyecharts 库的导入是为了将数据更加精美的可视化。sklearn 库是为了后面构建模型需要导入的库。 ## 数据导入 ```python China_main_city=pd.read_csv('./data/中国主要城市经济统计数据 2012-2021.csv') China_area=pd.read_excel('./data/1997—2018年县域社会经济主要指标面板数据.xlsx') USA_state=pd.read_csv('./data/usa_states_summary.csv') USA_industry=pd.read_csv('./data/usa_states_gdp_by_industry.csv') ``` 将数据导入，并赋给不同的变量。 - 中国主要城市经济统计数据2012-2021 赋给变量China_main_City - 1997—2018 年县域社会经济主要指标面板数据赋给变量China_area - usa_states_summary 数据赋给变量USA_state - usa_states_gdp_by_industry 赋给变量 USA_industry ## 对比分析 ### 对比分析 2022 年美国各州与中国主要城市的经济 #### GDP 分析 ```python China_main_city.head(20) ```  ```python USA_industry.head() ```  ```python USA_state.head() ```  查看usa_states_summary.csv数据集是否有缺失值，如有则进行填充 ```python np.any(pd.isnull(USA_state)) ```  ```python China_main_city=China_main_city.set_index('城市') China_main_city.index ```  ```python city=np.unique(China_main_city.index) ```  ##### 中国方面 ###### 中国主要城市地区生产总值 ```python #将2021年中国主要城市的数据赋给变量city_2021 city_2021=China_main_city[China_main_city['年份']=='2021年'] city_2021=city_2021.reset_index() #将2021年中国主要城市的GDP数据赋给变量city_2021_gdp city_2021_gdp=city_2021[['城市','地区生产总值（当年价格）(亿元)']] #将2021年中国主要城市GDP数据可视化 def get_pl_bar2(city_2021_gdp): sort_info = city_2021_gdp.sort_values(by='地区生产总值（当年价格）(亿元)', ascending=True) c = ( #………… ) return c get_pl_bar2(city_2021_gdp) ```  通过分析 2021 年中国主要城市地区生产总值，可以发现 2021 年上海、北京、深圳、广州是位距前四的，因此接下来我们将挑选这四个城市去分析2022 年的 GDP 情况。 取上海、北京、深圳、广州 2012-2021 年的 GDP 数据。 ```python #取上海2012-2021年的GDP数据 shanghai_gdp=China_main_city['地区生产总值（当年价格）(亿元)']['上海'] shanghai_gdp=shanghai_gdp.values print(shanghai_gdp) #取北京2012-2021年的GDP数据 beijing_gdp=China_main_city['地区生产总值（当年价格）(亿元)']['北京'] beijing_gdp=beijing_gdp.values print(beijing_gdp) #取广州2012-2021年的GDP数据 guangzhou_gdp=China_main_city['地区生产总值（当年价格）(亿元)']['广州'] guangzhou_gdp=guangzhou_gdp.values print(guangzhou_gdp) #取深圳2012-2021年的GDP数据 shenzhen_gdp=China_main_city['地区生产总值（当年价格）(亿元)']['深圳'] shenzhen_gdp=shenzhen_gdp.values print(shenzhen_gdp) year=[i for i in range(2012,2022)] print(year) ```  根据北京、上海、广州、深圳这四个城市2011-2021年的gdp数据，构建回归模型，分别预测其2022年gdp数据。 ```python #北京 x_bj=np.array(year).reshape(-1,1) y_bj=beijing_gdp model_bj=LinearRegression() model_bj.fit(x_bj,y_bj) x_new_bj=np.array([[2022]]) y_pred_bj=model_bj.predict(x_new_bj) print(f"预测的2022年的北京GDP为：{y_pred_bj[0]}") bj_2022_gdp=y_pred_bj[0] #深圳 x_sz=np.array(year).reshape(-1,1) y_sz=shenzhen_gdp model_sz=LinearRegression() model_sz.fit(x_sz,y_sz) x_new_sz=np.array([[2022]]) y_pred_sz=model_sz.predict(x_new_sz) print(f"预测的2022年的深圳GDP为：{y_pred_sz[0]}") sz_2022_gdp=y_pred_sz[0] #广州 x_gz=np.array(year).reshape(-1,1) y_gz=guangzhou_gdp model_gz=LinearRegression() model_gz.fit(x_gz,y_gz) x_new_gz=np.array([[2022]]) y_pred_gz=model_gz.predict(x_new_gz) print(f"预测的2022年的广州GDP为：{y_pred_gz[0]}") gz_2022_gdp=y_pred_gz[0] #上海 x_sh=np.array(year).reshape(-1,1) y_sh=shanghai_gdp model_sh=LinearRegression() model_sh.fit(x_sh,y_sh) x_new_sh=np.array([[2022]]) y_pred_sh=model_sh.predict(x_new_sh) print(f"预测的2022年的上海GDP为：{y_pred_sh[0]}") sh_2022_gdp=y_pred_sh[0] ``` ![image.png](https://cdn.nlark.com/yuque/0/2024/png/2469055/1708331765557-0c4b701e-cf1a-49d7-9955-30ad8c56d717.png#averageHue=%23dcdcdc&clientId=u3f8ff922-59bb-4&from=paste&height=68&id=u5c0c0c3b&originHeight=85&originWidth=456&origina