Goldilocks Days

2025年6月18日水曜日

NBA選手シーズンごとの平均リバウンド

NBA選手のシーズン当たりのリバウンド

シーズン毎の得点に続き、シーズン毎のリバウンドを可視化してみます。

外れ値を省くために、1シーズン40試合以上出場した選手で構成しています。

#! /usr/bin/env python

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

sns.set()

fn = "data/player_per_game.csv"
df = pd.read_csv(fn)

df2 = df[df["g"] >= 40] 

des = df2.groupby("season")["TRB"].describe()
print(des)

	count	mean	std	min	25%	50%	75%	max
season
1951	108.0	4.960185	2.849986	1.3	2.900	4.35	6.525	16.4
1952	94.0	5.255319	3.140770	1.0	2.925	4.55	6.950	13.5
1953	102.0	5.138235	3.093143	0.9	3.000	4.25	6.875	14.4
1954	91.0	5.126374	3.164871	0.9	2.800	4.30	6.900	15.3
1955	81.0	5.669136	3.186952	1.2	3.400	4.60	7.600	15.1
1956	80.0	5.626250	3.401479	0.9	3.175	4.45	7.650	16.3
1957	83.0	5.906024	3.658580	1.8	3.400	4.60	8.050	19.6
1958	78.0	6.698718	4.116217	1.7	3.850	5.50	9.550	22.7
1959	85.0	6.207059	3.708510	1.8	3.600	5.30	7.900	23.0
1960	87.0	6.686207	4.410774	1.8	3.800	5.30	8.450	27.0
1961	83.0	6.719277	4.765052	1.2	3.750	5.70	8.200	27.2
1962	100.0	6.430000	4.680488	0.4	3.025	5.80	8.050	25.7
1963	94.0	6.020213	4.181155	0.9	3.000	5.15	7.175	24.3
1964	102.0	5.810784	4.364481	1.1	2.925	4.45	7.350	24.7
1965	94.0	6.128723	4.669637	1.0	2.725	4.75	8.050	24.1
1966	103.0	6.262136	4.472599	1.3	3.200	5.20	7.800	24.6
1967	108.0	6.163889	4.304040	1.1	3.300	5.15	7.650	24.2
1968	136.0	5.927206	4.252833	0.5	2.800	4.70	7.625	23.8
1969	146.0	6.357534	4.192914	0.9	3.500	4.85	8.800	21.1
1970	154.0	5.625974	3.667144	0.9	3.025	4.50	7.475	17.7
1971	181.0	5.475138	3.671193	0.5	3.000	4.50	7.000	18.2
1972	189.0	5.408466	3.859353	0.4	2.800	4.10	6.900	19.2
1973	194.0	5.215464	3.676542	0.8	2.600	4.15	6.450	18.6
1974	184.0	4.972283	3.410149	0.7	2.700	4.00	6.225	18.1
1975	210.0	4.678095	3.153868	0.6	2.200	3.90	6.175	14.8
1976	199.0	4.830151	3.142201	0.6	2.600	4.00	6.250	16.9
1977	260.0	4.676923	3.061885	0.6	2.475	3.80	6.400	14.4
1978	259.0	4.747490	3.039906	0.8	2.600	3.60	6.550	15.7
1979	247.0	4.559514	3.029057	0.8	2.300	3.60	6.050	17.6
1980	248.0	4.656048	2.829866	0.7	2.375	4.00	6.425	15.0
1981	262.0	4.246947	2.670696	0.7	2.100	3.60	5.875	14.8
1982	270.0	4.197778	2.653551	0.6	2.100	3.40	5.700	14.7
1983	277.0	4.253069	2.669222	0.9	2.300	3.60	5.700	15.3
1984	262.0	4.107252	2.664220	0.7	2.100	3.45	5.700	13.4
1985	263.0	4.207224	2.625547	0.6	2.300	3.40	5.650	13.1
1986	260.0	4.213846	2.669888	0.7	2.075	3.45	5.725	13.1
1987	267.0	4.242697	2.804114	0.5	2.000	3.50	5.750	14.6
1988	275.0	4.285455	2.693871	0.6	2.300	3.50	6.050	13.0
1989	292.0	4.261301	2.623311	0.5	2.300	3.55	5.900	13.5
1990	312.0	4.235577	2.640006	0.5	2.375	3.60	5.800	14.0
1991	304.0	4.334539	2.647963	0.6	2.300	3.50	5.825	13.8
1992	310.0	4.260968	2.847617	0.4	2.225	3.45	5.800	18.7
1993	308.0	4.208766	2.792828	0.3	2.275	3.50	5.500	18.3
1994	304.0	4.294737	2.786668	0.7	2.300	3.60	5.500	17.3
1995	314.0	4.174522	2.698690	0.5	2.225	3.30	5.600	16.8
1996	343.0	4.156560	2.615095	0.6	2.250	3.40	5.500	14.9
1997	337.0	4.225223	2.714871	0.4	2.200	3.50	5.500	16.1
1998	342.0	4.232164	2.577404	0.7	2.200	3.50	5.600	15.0
1999	217.0	4.602304	2.575066	1.0	2.700	3.80	6.000	13.0
2000	327.0	4.210398	2.465097	0.6	2.250	3.70	5.700	14.1
2001	335.0	4.276418	2.538543	0.5	2.500	3.70	5.500	14.1
2002	332.0	4.287048	2.386337	0.8	2.600	3.90	5.400	13.0
2003	324.0	4.251235	2.390933	0.4	2.500	3.75	5.525	15.4
2004	348.0	4.263506	2.419223	0.6	2.500	3.80	5.300	13.9
2005	361.0	4.198061	2.427029	0.5	2.400	3.50	5.500	13.5
2006	345.0	4.140290	2.346627	0.4	2.300	3.60	5.200	12.7
2007	348.0	4.118391	2.485521	0.7	2.300	3.40	5.400	12.8
2008	342.0	4.285380	2.571218	0.5	2.400	3.55	5.300	14.2
2009	350.0	4.182857	2.400595	0.8	2.325	3.60	5.300	13.8
2010	348.0	4.204310	2.562793	0.6	2.300	3.50	5.500	13.2
2011	380.0	4.027105	2.375063	0.6	2.400	3.40	5.100	15.2
2012	305.0	4.275410	2.394776	0.8	2.500	3.70	5.300	14.5
2013	365.0	3.986301	2.405506	0.4	2.200	3.30	5.200	12.4
2014	366.0	4.127596	2.449787	0.8	2.400	3.50	5.200	13.6
2015	385.0	4.177143	2.338558	0.7	2.400	3.60	5.300	15.0
2016	360.0	4.134167	2.400563	0.7	2.400	3.50	5.325	14.8
2017	369.0	4.204878	2.443109	0.6	2.600	3.50	5.500	14.1
2018	355.0	4.243944	2.435144	0.4	2.500	3.80	5.400	16.0
2019	391.0	4.353964	2.510497	0.7	2.600	3.80	5.300	15.6
2020	335.0	4.497015	2.457030	1.0	2.700	4.10	5.700	15.8
2021	335.0	4.457612	2.446517	0.9	2.700	3.90	5.600	14.3
2022	384.0	4.383073	2.424720	0.8	2.675	3.90	5.400	14.7
2023	385.0	4.244416	2.354335	0.8	2.600	3.70	5.300	12.5
2024	376.0	4.213298	2.353943	0.8	2.600	3.70	5.200	13.7

結果

1950年代から60年代がレギュラー選手当たり1試合平均5リバウンド以上と高いですね。maxは歴代シーズンリバウンド王です。

ウィルト・チェンバレン選手やビル・ラッセル選手が1試合当たり20リバウンド以上と今では考えられない数値を叩き出しています。

3ポイントが導入された1980年以降は平均4リバウンド台を安定して推移しています。

現代バスケは3ポイントが重視され、戦略や平均得点が変わっていく中、レギュラー選手たちの平均リバウンド回数は1980年から意外に安定していることが分かります。

2025年6月15日日曜日

NBA選手シーズンごとの平均得点

NBA選手のシーズン当たりの得点

データを元にシーズン毎の平均得点の推移をグラフ化してみます。

外れ値を省くために、1シーズン40試合以上出場した選手で構成しています。

#! /usr/bin/env python  
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns


fn = "data/player_per_game.csv"
df = pd.read_csv(fn, index_col=0)

df2 = df[df["g"] >= 40]

des = df2.groupby("season")["PPG"].describe()
print(des)

	count	mean	std	min	25%	50%	75%	max
season
1950	183.0	8.178142	4.114657	1.7	5.000	7.40	10.800	27.4
1951	108.0	8.976852	4.619314	2.1	5.975	8.10	11.325	28.4
1952	94.0	9.263830	4.777610	1.3	6.100	8.75	12.000	25.4
1953	102.0	9.023529	4.408142	2.2	5.525	8.85	11.275	22.3
1954	91.0	8.651648	4.246943	1.6	5.900	8.20	10.450	24.4
1955	81.0	10.046914	5.192087	2.4	5.900	9.60	13.100	22.7
1956	80.0	10.177500	5.222056	2.4	6.525	8.85	13.225	25.7
1957	83.0	10.397590	5.245439	2.2	6.600	9.70	12.400	25.6
1958	78.0	11.506410	5.798216	3.4	7.400	9.40	16.400	27.8
1959	85.0	11.260000	5.994466	3.5	6.500	9.80	14.400	29.2
1960	87.0	11.886207	6.852264	3.0	7.350	9.90	14.350	37.6
1961	83.0	12.225301	7.547199	2.2	6.400	10.20	15.350	38.4
1962	100.0	12.348000	8.555221	1.5	6.050	10.35	15.950	50.4
1963	94.0	12.045745	7.262833	2.2	7.200	10.50	14.300	44.8
1964	102.0	11.489216	6.883585	1.7	5.775	9.90	15.775	36.9
1965	94.0	11.620213	6.724751	2.5	6.300	11.00	14.575	34.7
1966	103.0	11.838835	6.569899	2.6	7.300	10.70	15.350	33.5
1967	108.0	12.126852	6.489396	3.0	7.225	10.55	17.400	35.6
1968	136.0	11.949265	6.489273	2.0	6.550	11.65	16.625	29.2
1969	146.0	12.370548	6.392174	2.3	7.325	11.50	17.350	28.4
1970	154.0	12.246753	6.560719	2.1	7.200	11.50	15.550	31.2
1971	181.0	11.462431	6.616757	1.5	5.900	9.70	16.000	31.7
1972	189.0	11.605820	6.817438	1.5	5.900	11.10	15.700	34.8
1973	194.0	10.764433	6.656815	1.6	5.700	9.05	14.800	34.0
1974	184.0	10.810326	6.559276	1.8	5.575	9.30	14.975	30.6
1975	210.0	10.341429	6.244741	1.3	5.700	9.00	13.375	34.5
1976	199.0	10.492462	5.890430	1.7	5.900	9.20	13.850	31.1
1977	260.0	10.482308	5.847033	1.4	6.000	9.05	13.225	31.1
1978	259.0	10.945174	5.930006	2.0	6.250	9.60	14.750	27.2
1979	247.0	11.290283	6.263495	1.5	6.500	10.10	15.650	29.6
1980	248.0	11.283065	5.887415	2.5	6.600	10.25	14.900	33.1
1981	262.0	10.632824	5.939516	0.7	5.800	9.55	14.400	30.7
1982	270.0	10.534815	6.001231	1.3	5.700	9.80	14.350	32.3
1983	277.0	10.419134	6.093150	1.5	5.300	8.90	14.100	28.4
1984	262.0	10.524809	6.278965	1.3	5.425	9.00	14.500	30.6
1985	263.0	10.649810	6.560726	1.3	5.400	9.30	14.800	32.9
1986	260.0	10.577692	6.095973	0.6	5.375	9.25	14.300	30.3
1987	267.0	10.570412	6.424687	1.7	5.600	9.20	14.500	37.1
1988	275.0	10.619636	6.160800	1.1	6.000	9.50	14.200	35.0
1989	292.0	10.566438	6.399106	0.7	5.375	9.20	15.000	32.5
1990	312.0	10.410897	6.379762	1.1	5.175	8.95	14.700	33.6
1991	304.0	10.608224	6.295456	1.3	5.300	9.25	14.925	31.5
1992	310.0	10.226129	6.052927	1.1	5.100	9.20	14.175	30.1
1993	308.0	10.318831	6.016749	0.7	5.700	8.80	14.400	32.6
1994	304.0	10.280592	5.696689	1.7	5.675	9.25	14.125	29.8
1995	314.0	10.038854	5.879826	1.2	5.000	9.20	13.550	29.3
1996	343.0	9.868513	5.705394	0.3	5.100	9.10	13.300	30.4
1997	337.0	9.747478	5.926339	1.2	4.800	8.00	13.800	29.6
1998	342.0	9.711988	5.496349	1.1	5.300	9.00	13.275	28.7
1999	217.0	10.335945	5.207891	1.2	6.400	9.30	13.300	26.8
2000	327.0	9.568807	5.702088	0.8	5.400	8.10	12.500	29.7
2001	335.0	9.408955	5.914256	0.6	4.950	7.90	12.000	31.1
2002	332.0	9.771988	5.841670	1.1	5.100	8.40	12.950	31.4
2003	324.0	9.716667	6.016440	0.8	5.175	8.10	13.125	32.1
2004	348.0	9.454885	5.631074	0.9	4.900	7.95	13.225	28.0
2005	361.0	9.865097	5.911378	1.0	5.300	8.40	13.000	30.7
2006	345.0	9.857681	6.261762	1.1	5.000	8.60	13.000	35.4
2007	348.0	10.052299	6.163668	1.1	5.200	8.85	13.325	31.6
2008	342.0	10.047076	5.904616	0.9	5.725	8.65	13.100	30.0
2009	350.0	10.225143	5.957750	0.8	5.200	9.05	14.175	30.2
2010	348.0	10.136782	5.666940	0.7	6.000	8.90	13.800	30.1
2011	380.0	9.819211	5.582670	1.1	5.300	8.70	13.225	27.7
2012	305.0	9.887541	5.262952	1.0	5.500	9.30	12.700	28.0
2013	365.0	9.390959	5.262332	0.5	5.200	8.60	12.800	28.7
2014	366.0	9.807923	5.548187	1.6	5.525	9.05	13.200	32.0
2015	385.0	9.748052	5.014614	1.8	5.900	8.70	12.700	28.1
2016	360.0	9.875833	5.395877	1.3	5.900	8.70	12.700	30.1
2017	369.0	10.226016	5.935251	1.7	6.100	8.70	13.200	31.6
2018	355.0	10.488451	5.692110	1.4	6.050	9.20	13.500	30.4
2019	391.0	10.691560	5.802060	1.0	6.500	9.30	13.700	36.1
2020	335.0	11.280896	6.125054	1.5	6.600	9.80	15.050	34.3
2021	335.0	11.455224	6.338176	1.9	6.750	9.70	14.600	32.0
2022	384.0	10.966927	5.995893	2.2	6.400	9.25	14.450	30.6
2023	385.0	11.378701	6.651446	2.1	6.600	9.50	14.700	33.1
2024	376.0	11.025532	6.538390	1.7	5.975	9.35	14.700	33.9

plt.figure(figsize=(20, 6))
plt.xlim(1950, 2024)
plt.title("points per season")
sns.lineplot(data=des[["mean", "min", "max"]])
plt.show()

結果

最高得点(max)はシーズン得点王なのでよく知られている通りです。

1962年のウィルト・チェンバレン選手や1987年のマイケル・ジョーダン選手はグラフの山を作っています。

平均を見ると概ね10点超える辺りがレギュラー選手の得点と言えます。

1960〜70年代一時12点台と高く、2000年代に一時落ちてますが3Pが増えた現在は11点台となっています。

2024年10月18日金曜日

Pythonで地図空間データを扱う⑤

ベースの地図が出来た所で、他のデータを被せてみます。

国土地理院の 500mメッシュ別将来推計人口データを使用します。

同じく神奈川県のデータ 500m_mesh_suikei_2018_shape_14.zip をダウンロードします。

ベースの地図データと同じ場所に展開します。

そして同じようにread_fileで読み込みます。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

#
import geopandas as gpd
import matplotlib.pyplot as plt
import japanize_matplotlib

fn = "../data/N03-20240101_14.shp"
gdf = gpd.read_file(fn)
fn2 = "../data/500m_mesh_2018_14.shp"
pdf = gpd.read_file(fn2)

print(gdf.head(10))
print("")
print(gdf.shape)
print("")
print(pdf.head())
print("")
print(pdf.shape)

(6193, 235)と巨大なデータフレームなので、必要なデータ以外は取り除いてもいいでしょう。

# 必要な列だけ取り出し軽量化します。
pdf2 = pdf[['SHICODE', 'PTN_2020', 'geometry']]

# ベースとなる地図
bg = gdf.boundary.plot(linewidth=0.5, edgecolor="gray", figsize=(14, 8))

# 人口データのプロット
pdf2.plot(ax=bg, column="PTN_2020", cmap="jet", legend=True)

# 地域名を表示
for name, row in citys:
    if row['N03_001'].count() > 1:
        x = row["geometry"].centroid.bounds.minx.mean()
        y = row["geometry"].centroid.bounds.miny.mean()
        bg.annotate(name, xy=(x, y), color="red")
    else:
        x = row["geometry"].centroid.bounds.minx
        y = row["geometry"].centroid.bounds.miny
        bg.annotate(name, xy=(x, y), color="red")  

plt.title("神奈川県人口マップ")
plt.show()

地図データに人口データを重ね合わせることが出来ました。

2024年10月15日火曜日

Pythonで地図空間データを扱う④

日本地図データ

テストデータで概要を掴めたら、外部からshapeファイルを読み込み使用してみます。

日本に住んでる方は、日本の地域データを活用することが多いでしょうから国土地理院のデータを読み込んでみます。

国土地理院

https://nlftp.mlit.go.jp/ksj/gml/datalist/KsjTmplt-N03-2024.html

全国はデータが大きいので今回は神奈川県のデータをダウンロードしました。

データはzipファイルなので、使用する場所に移動して解凍します。

$ unzip N03-20240101_14_GML.zip

解凍するとshapeファイルなどいくつかのファイルが出来ます。

それらをリンクして使用されるので、個別で移動させたり、ファイル名を変えたりはしないでください。

回答したshapeファイルを前回と同じように読み込みます。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import geopandas as gpd
import matplotlib.pyplot as plt
import japanize_matplotlib

fn = "../data/N03-20240101_14.shp"
gdf = gpd.read_file(fn)

print(gdf.head())
print("")
print(gdf.shape)
print("")

結果

	N03_001	N03_002	N03_003	N03_004	N03_005	N03_007	geometry
0	神奈川県	None	None	横浜市	鶴見区	14101	POLYGON ((139.65294 35.50000, 139.65281 35.50010, 139.65270 35.50015, 139.65221 35.50030, 139.65214 35.50034, 139.65207 35.50038,・・・
1	神奈川県	None	None	横浜市	鶴見区	14101	POLYGON ((139.67394 35.46229, 139.67347 35.46329, 139.67303 35.46426, 139.67272 35.46494, 139.67259 35.46523,・・・
2	神奈川県	None	None	横浜市	鶴見区	14101	POLYGON ((139.70755 35.47204, 139.70756 35.47208, 139.70719 35.47264, 139.70595 35.47454, 139.70582 35.47457, ・・・
3	神奈川県	None	None	横浜市	鶴見区	14101	POLYGON ((139.71140 35.48577, 139.71141 35.48575, 139.71108 35.48560, 139.71114 35.48551, 139.71097 35.48543, 139.71091 35.48553,・・・
4	神奈川県	None	None	横浜市	鶴見区	14101	POLYGON ((139.70710 35.47226, 139.70713 35.47228, 139.70715 35.47227, 139.70722 35.47216, 139.70722 35.47215,・・・

1275, 7

地図の表示

次に地図をプロットしてみます。 boundary.plotは境界線のみ描画します。

linewidthやedgecolorで線を調節します。

gdf.boundary.plot(linewidth=0.5, edgecolor="gray", figsize=(12, 8))
plt.title("神奈川県")
plt.show()

神奈川県の地区データが表示されました。

2024年10月12日土曜日

ValueError: numpy.dtype size changed, may indicate binary incompatibility. というエラーが出たケース

以前動いたnumpyのコードからエラーが出るようになりました。

エラー内容

ValueError: numpy.dtype size changed, may indicate binary incompatibility. Expected 96 from C header, got 88 from PyObject

どうやら他のライブラリと互換性が無い場合に出るエラーの様で、新しくなったnumpyに対応出来ていないライブラリが使われているとのことです。

pip freeze | grep numpy

numpy==2.0.2

ライブラリが対応するまでnumpyのバージョンを落とすなどの措置が必要です。

numpyが2.0以上なら、それ以前の最新版1.26.4に落とします。

pip uninstall numpy

pip install numpy=1.26.4

一先ず解決出来ました。

2024年9月30日月曜日

Pythonで地図空間データを扱う③

GeoPandasで都市データのプロット

GeoPandasのdatasetsには、naturalearth_lowresの他に主要都市のデータnaturalearth_citiesがあります。

これを使い世界地図に都市もプロットしてみましょう。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import geopandas as gpd
import matplotlib.pyplot as plt

# 世界地図のデータ
world = gpd.datasets.get_path('naturalearth_lowres')
# 主要都市のデータ
cities = gpd.datasets.get_path('naturalearth_cities')

wdf = gpd.read_file(world)
cdf = gpd.read_file(cities)

print(wdf.head())
print()
print(wdf.shape)
print()
print(cdf.head())
print()
print(cdf.shape)

結果

pop_est continent name iso_a3 gdp_md_est geometry

0 889953.0 Oceania Fiji FJI 5496 MULTIPOLYGON (((180.00000 -16.06713, 180.00000...

1 58005463.0 Africa Tanzania TZA 63177 POLYGON ((33.90371 -0.95000, 34.07262 -1.05982...

2 603253.0 Africa W. Sahara ESH 907 POLYGON ((-8.66559 27.65643, -8.66512 27.58948...

3 37589262.0 North America Canada CAN 1736425 MULTIPOLYGON (((-122.84000 49.00000, -122.9742...

4 328239523.0 North America United States of America USA 21433226 MULTIPOLYGON (((-122.84000 49.00000, -120.0000...

(177, 6)

name geometry

0 Vatican City POINT (12.45339 41.90328)

1 San Marino POINT (12.44177 43.93610)

2 Vaduz POINT (9.51667 47.13372)

3 Lobamba POINT (31.20000 -26.46667)

4 Luxembourg POINT (6.13000 49.61166)

(243, 2)

naturalearth_citiesは主要都市の名前と位置というシンプルなデータです。

これを世界地図に乗せていきます。

世界地図のGeoDataFrameオブジェクトを変数にして、axに指定することで両方プロットすることが出来ます。

# ベースとなる世界地図
bg = wdf.plot(column='continent', figsize=(18, 8))
# 主要都市をマッピング
cdf.plot(ax=bg, marker='o', color='firebrick')

# アノテーションで主要都市の名前をマッピング
for i, (city, point) in cdf.iterrows():
    # pointオブジェクトから緯度経度を抽出
    x1, y1, x2, y2 = point.bounds
    bg.annotate(city, xy=(x1, y1))

plt.show()

都市名はannotateでプロットします。

geomatryデータからshapely.geometry.point.Pointオブジェクトを抜き出し、 bounds変数には(minx, miny, maxx, maxy)が入っているので、xy座標に指定します。

shapely.Point

https://shapely.readthedocs.io/en/stable/reference/shapely.Point.html

世界地図に都市名も表示出来ました。

Pythonで地図空間データを扱う②

GeoPandasでコロプレスマップを表示

基本的な動作を確認したら、コロプレスマップを作ってみます。

naturalearth_lowresには大陸以外に人口とGDPデータがあるので、それらを色で段階的に分けて表示します。

人口マップ

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import geopandas as gpd
import matplotlib.pyplot as plt
#日本語を表示するため
import japanize_matplotlib


fn = gpd.datasets.get_path('naturalearth_lowres')
gdf = gpd.read_file(fn)

# 人口データをint型にします
gdf['population'] = gdf['pop_est'].astype("int")
# 人口の多い順にソートします
gdf = gdf.sort_values("pop_est", ascending=False)
gdf = gdf.drop("pop_est", axis=1)

print(gdf.head(10))

continent name iso_a3 gdp_md_est population

139 Asia China CHN 14342903 1397715000

98 Asia India IND 2868929 1366417754

4 North America United States of America USA 21433226 328239523

8 Asia Indonesia IDN 1119190 270625568

102 Asia Pakistan PAK 278221 216565318

29 South America Brazil BRA 1839758 211049527

56 Africa Nigeria NGA 448120 200963599

99 Asia Bangladesh BGD 302571 163046161

18 Europe Russia RUS 1699876 144373535

27 North America Mexico MEX 1268870 127575529

人口を分かりやすく表示しています。

それらのデータをプロットすることで人口のコロプレスマップが出来ます。

gdf.plot(column='population', cmap="jet", legend=True, figsize=(16, 8))
plt.title("人口マップ")
plt.show()

中国、インドの人口が多いのがひと目で理解できます。

各国のGDPマップ

次はGDPデータを使いコロプレスマップにしてみます。

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import geopandas as gpd
import matplotlib.pyplot as plt
import japanize_matplotlib


fn = gpd.datasets.get_path('naturalearth_lowres')
gdf = gpd.read_file(fn)

gdf = gdf.rename(columns={"gdp_md_est": "gdp_md"})
# GDPの多い順に並べます
gdf = gdf.sort_values("gdp_md", ascending=False)

print(gdf.head(10))

gdf.plot(column='gdp_md', cmap="jet", legend=True, figsize=(16, 8))
plt.title("GDP")
plt.show()

各国のGDPのコロプレスマップを表示出来ました。

登録: 投稿 (Atom)