十分钟，用 Python 带你看遍 GDP 变迁

偶然之间，发现了一个网站，title 是世界银行，很高级的样子，可以下载很多有趣的数据，这对于我们练手数据分析及可视化真的是太好的资源了，不多说，戳下面的链接可以火箭直达哦！

https://data.worldbank.org/

我从该网站上下载了世界各国历年的 GDP 总值和增长率数据，下面就摩拳擦掌，一探 GDP 的世界！

数据文件分析

先来看下我们拿到的文件，都有什么数据，哪些是我们可以利用起来的。

GDP 总量数据，这是我们研究的重点数据文件，里面囊括了世界各个国家和地区的历史 GDP 数据，我把它命名为“GDP_data.csv”。

GDP 增长率数据，这个同样是非常重要的数据文件，记录了各国 GDP 的增长率情况，我把它命名为“growth_data.csv”。

国家收入分类数据，该数据文件把各个国家分类成不同等级的收入阶层，比如有“高收入国家”，“低收入国家”等等，我把它命名为“Country_data.csv”。

国家 Code 对照表，这是一个国家英文名称和 Country Code 的对照表，我们后面在绘制地图时会使用到。

各个收入等级分析

各个收入等级分布

首先我们先来看下世界各国分布在不同收入等级的情况

可以看到，处于“高等收入”和“低收入”的国家比例差距还是很大的，在二十一世纪的今天，还有太多的人过着食不果腹、衣不保暖的生活。

下面我们再具体看下不同收入等级中各个国家具体的 GDP 总量

高收入国家

首先是高收入国家 top10 的 GDP 总量

我们首先拿到高等收入的国家信息，再与 gdp 信息数据合并，最后得到 top10 数据

代码语言：javascript复制

# 高收入国家2018年的GDP
high = country_data[country_data['Income_Group'] == '高收入国家']
high_gdp = pd.merge(high, gdp, how='inner')
high_gdp['2018'] = high_gdp['2018'].apply(lambda x: x/1000000000000)
high_gdp_top10 = high_gdp[['Country Name', 'Country Code', '2018']].sort_values(by='2018', ascending=False)[:10]

可以看到，美国是一骑绝尘，排在后面的小弟们，总量加一起也没法和美国相提并论。而在前十名当中，几乎清一色的欧美发达国家。

我们再把榜单扩展到 top20，能看到，欧洲国家还是居多的，而中东的两个土豪也成功上榜了。

最后再来看下美国占据全世界 GDP 总量的百分比情况

看图不说话。

中等收入国家

接下来看看中等收入国家的 top10 情况

基本上都是发展中大国，其中还不乏南非、阿根廷等即将成为发达国家的选手。而我国则以13.6万亿的总量，成为美国之后另一个巨无霸般的存在。

来看看中美两个总体上占据世界 GDP 的比例情况

毫无疑问，这两个 GDP 总量占去世界 GDP 总量40%的国家，绝对是世界经济的命脉，相互合作，携手共赢才是世界经济的未来！

再来看下 top20 的情况

中低等收入国家

下面就是中低等收入的国家了，还是有很多熟悉的面孔啊

在这个级别当中，亚洲国家占据了大多数，但是 GDP 的总量却不是很低，尤其是印度，有2.7万亿的数量。这也能反映出，亚洲作为世界上人口最多的大洲，要走向发达国家的行列，还是任重道远啊！

top20 情况

低收入国家

最后就是低收入国家了，可以看到，在这些国家中，要不就是战乱频仍的国度，要不就是资源匮乏的小国，他们的经济建设之路还很漫长呢。

top20 的情况

GDP 总体排行

2018年 GDP 排行

先来看看2018年 GDP 总体排行的 top10 吧

可以看到，除了欧美诸强之外，中国、印度和巴西也纷纷上榜，发展中大国的实力不容小觑啊。

那么再来看看 GDP 总量倒数的10个国家呢

都是一些不大的国家，差距还是太大了！

历年各国 GDP 走势

我们先来看一下 GDP 总量排行前五的国家，历年 GDP 总量的走势情况

美国

中国

日本

德国

英国

可以看出，除了中美两国外，其他的国家 GDP 总量都出现过大幅度的波动情况，而持续增长的中美两国，则一骑绝尘，遥遥领先于世界了！

世界 GDP 地图

下面我们通过世界地图的方式来看看 GDP 的分布情况

我们先进行数据处理，把国家代码和 GDP 数据相结合

代码语言：javascript复制

country_code = pd.read_json('countries.json')
country_code.rename(columns={'iso3': 'Country Code'}, inplace=True)
conutry_code_name = country_code[['name', 'Country Code']]
country_gdp_code = pd.merge(country_gdp, conutry_code_name, on='Country Code', how='inner')

由此，我们可以做出一张 GDP 总量的地图分布图