历届奥运会奖牌排行榜排名_历届奥运会金牌排行榜前十名 小编带你一起回顾 环球热头条

摘 要在制作动态排序动画之前，我们看一下数据的整理情况：

【资料图】

a、对第1）种大部分数据的情况，先爬取下来，输出到excel（1）；

b、对第2）种小部分数据的情况，也先爬取下来，输出到另一个excel（2）；

c、对第3）种个别的，还有第31-32届的数据，算了，别折腾了，手动复制粘贴到excel（3）吧。

d、最后把这3个excel合并到一个excel，进行数据处理吧。

二、数据处理经过1896-2021历届奥运会奖牌榜动态排序系列的数据处理（第二篇），我们得到了a数据：

看到这张数据表，还有以下几点需要调整：

1、合并3个excel数据；

2、标题、年份列顺序调整到名次前；

3、'国家'列名修改为'国家/地区'；

4、计算奖牌的合计数量；

5、根据年份，计算各国的奖牌合计数排名。

1）合并DataFrame：concat()，合并函数还有merge、join函数，有兴趣可以进入以下链接进行学习（）

df1 = pd.read_excel("./data/Olympic10.xlsx")df2 = pd.read_excel("./data/Olympic11.xlsx")df3 = pd.read_excel("./data/Olympic12.xlsx")df = pd.concat([df1,df2,df3],axis=0,ignore_index=True,sort=True)2）调账列顺序

columns = ['标题','年份','国家','金牌','银牌','铜牌']df = pd.DataFrame(df, columns=columns)3）列名修改

df.rename(columns={'国家':'国家/地区'},inplace=True)4）计算奖牌合计

df['合计'] = ''df['合计'] = df['金牌'] + df['银牌'] + df['铜牌']5）按年份，计算各国的奖牌合计数排名

df['排名'] = df.groupby('年份',axis=0)['合计'].rank(method='first',ascending=False)另外，再对数据进行一些微调

df=df.drop_duplicates(subset=['年份', '国家/地区'], keep='first')df.sort_values(["年份","排名"],inplace=True,ascending=True)#将国家/地区列字符串中的空格都去除df['国家/地区'].replace('\s+','',regex=True,inplace=True) 最终获得我们的完整数据

df.to_excel("./data/Olympic_final.xlsx")完整代码如下：

import pandas as pddf1 = pd.read_excel("./data/Olympic10.xlsx")df2 = pd.read_excel("./data/Olympic11.xlsx")df3 = pd.read_excel("./data/Olympic12.xlsx")df = pd.concat([df1,df2,df3],axis=0,ignore_index=True,sort=True)columns = ['标题','年份','国家','金牌','银牌','铜牌']df = pd.DataFrame(df, columns=columns)df.rename(columns={'国家':'国家/地区'},inplace=True)df['合计'] = ''df['合计'] = df['金牌'] + df['银牌'] + df['铜牌']df.loc[df['年份']==1894,'年份'] = 1900df=df.drop_duplicates(subset=['年份', '国家/地区'], keep='first')df['排名'] = df.groupby('年份',axis=0)['合计'].rank(method='first',ascending=False)df.sort_values(["年份","排名"],inplace=True,ascending=True)#将国家/地区列字符串中的空格都去除df['国家/地区'].replace('\s+','',regex=True,inplace=True) df.to_excel("./data/Olympic_final.xlsx")输出结果：

三、动态排序经过一系列的数据处理，终于可以验证下劳动成果了。完整代码如下：

import pandas as pdimport randomimport matplotlib.pyplot as pltimport matplotlib.ticker as tickerimport matplotlib.animation as animationfrom IPython.display import HTMLimport matplotlibplt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签plt.rcParams['axes.unicode_minus']=False #这两行需要手动设置#防止动漫内存太大，报错matplotlib.rcParams['animation.embed_limit'] = 2**128def randomcolor(): colorlist = ['1','2','3','4','5','6','7','8','9','A','B','C','D','E','F'] color ='' for i in range(6): color += random.choice(colorlist) return '#'+ colordf = pd.read_excel(./data/Olympic_final.xlsx")#对地区列表进行去重，分类；area_list1 = set(df['国家/地区'])# color_list用于存放随机生成颜色代码个数# 因为后面区域个数 要与颜色个数保持一致，这里用了len函数；color_list =[]for i in range(len(area_list1)): str_1 = randomcolor() color_list.append(str_1) str_1 = randomcolor() #area_list转化为列表area_list_1 = [i for i in area_list1]#colors表示 所在城市：颜色 一一对应字典形式；colors =dict(zip(area_list_1,color_list))# 用plt加理图表，figsize表示图标长宽，ax表示标签fig, ax = plt.subplots(figsize=(15, 8))#dras_barchart生成current_year这一年各城市人口基本情况；def draw_barchart(current_year): #dff对year==current_year的行，以”合计“降序排序，取前十名； dff = df[df['年份'].eq(current_year)].sort_values(by='合计',ascending = True).tail(10) # 所有坐标、标签清除 ax.clear() #显示颜色、城市名字 ax.barh(dff['国家/地区'],dff['合计'],color = [colors[x] for x in dff['国家/地区']]) dx = dff['合计'].max()/200 #ax.text(x,y,name,font,va,ha) # x,y表示位置； # name表示显示文本； # va,ba分别表示水平位置，垂直放置位置； for i ,(value,name) in enumerate(zip(dff['合计'], dff['国家/地区'])): ax.text(value-dx,i,name,size=18,weight=600,ha ='right',va = 'bottom',color='#777777') ax.text(value+dx,i ,f'{value:,.0f}',size = 14,ha = 'left',va ='center') #ax.transAxes表示轴坐标系，(1,0.4)表示放置位置 ax.text(1,0.4,current_year,transform = ax.transAxes,color ='#777777',size = 46,ha ='right',weight=800) ax.text(0,1.06,'Olympic Medals',transform = ax.transAxes,size=12,color='#777777') #set_major_formatter表示刻度尺格式； ax.xaxis.set_major_formatter(ticker.StrMethodFormatter('{x:,.0f}')) ax.xaxis.set_ticks_position('top') ax.tick_params(axis='x',colors='#777777',labelsize=12) ax.set_yticks([]) #margins表示自动缩放余额； ax.margins(0,0.01) # 设置后面的网格 ax.grid(which='major',axis='x',linestyle='-') #刻度线和网格线是在图标上方还是下方，True为下方 ax.set_axisbelow(True) ax.text(0,1.15,'历届奥运会奖牌排行榜', transform=ax.transAxes,size=24,weight=600,ha='left',va='top') ax.text(1,0,'Officetouch制作',transform = ax.transAxes, size=16,color ='#777777',ha = 'right', bbox = dict(facecolor='white',alpha = 0.8,edgecolor='white')) #取消图表周围的方框显示 plt.box(False)#draw_barchart(2008)#将原来的静态图拼接成动画fig, ax = plt.subplots(figsize=(15, 8))animator = animation.FuncAnimation(fig, draw_barchart, frames=df['年份'].drop_duplicates(),interval = 1000)animator.save("./data/Olympic.gif", writer='pillow')输出结果：

结 语学习需要耐心和时间的投入，初学的时候可能需要投入比较多的时间和精力，但只要有这样一个过程，你就会脱胎换骨，一点一滴的积累成就自己。

1、数据采集-爬虫；

1896-2021历届奥运会奖牌动态排序动画（Python数据分析实战1）

2、数据处理-数据清洗；

1896-2021历届奥运会奖牌榜（Python数据处理）

3、数据动态排序。（本篇文章）

因为奥运数据连续性较差，如果我们分析一些连续性强的数据，如各国人口数据，动态排序的效果会好很多。

关键词：