用Python分析了近几年胡润排行榜,我酸了...

简介: 用Python分析了近几年胡润排行榜,我酸了...

10 月 20 日,胡润研究院发布《2020 胡润百富榜》,也就是富富富豪排行榜

杭州的马云毫无悬念的再次摘下中国首富桂冠,深圳的马化腾位列第二

榜单被我翻烂了,还是没有找到我的名字,难道是被遗漏了吗??难度我不配有名字吗??

太可恶了,毕竟我和马云的财富加起来,在榜单上也是排名第十的!

不信我? 请看图

不仅 2020 年排行榜上没有

在我爬取了从 2015 到 2020 这几年的排行榜后,还是没有找到我的名字!

5 年!5 年!你知道我这 5 年是怎么过的吗...


对!我的排名一直稳定在 13 亿左右(知道真相的我眼泪掉下来)

言归正传,我们还是来瞻仰下榜单上大佬们的财富吧

前 20 名富豪

来看看排行榜前 20 富豪们的资产 根据筛选条件读取数据,并使用 Pyecharts 展示,代码如下:

最终效果

近六年首富财富变化

从近三年看,富豪榜前两名基本变成了两马争雄,而且差距越来越小 不过随着蚂蚁的上市,马玉的中国首富宝座应该稳了

现在把时间周期拉长到五年看看

柱形图折线图

2015-2017 年首富所在行业都是房地产,但后面三年都是互联网坐庄

当然这和国家政策有关,房住不炒!属于房地产的黄金时代从 17 年后已经结束了

君不见,王健林的财富近几年大幅缩水,2020 年的排名已经到 30 开外了

至于原因吗,懂得都懂

顺便说下,有个播放按钮,点击播放可按时间线动态展示

近六年行业财富变化

最后, 再来看看这几年行业财富的变迁

首先我对排名前 20 的行业进行了一个简单分类,

数据清洗分类后,用来做可视化操作

2015年2020年

从 2015 年到 2020 年,排行榜前 20 名的行业财富发生了较大的变化,

第一是房地产所占比例越来越少

第二是医疗,食品等行业强势崛起,这和今年的疫情关系很大

最后,我将 代码4000 条数据 都上传到公众号后台了

上面的可视化图,都能一键生成

后台回复 排行榜 即可

最最重要的是希望读者大大们早日上榜,能带我一起飞呀!


记得分享,点赞,在看三连啊!

相关文章
|
27天前
|
缓存 Rust 算法
从混沌到秩序:Python的依赖管理工具分析
Python 的依赖管理工具一直没有标准化,主要原因包括历史发展的随意性、社区的分散性、多样化的使用场景、向后兼容性的挑战、缺乏统一治理以及生态系统的快速变化。依赖管理工具用于处理项目中的依赖关系,确保不同环境下的依赖项一致性,避免软件故障和兼容性问题。常用的 Python 依赖管理工具如 pip、venv、pip-tools、Pipenv、Poetry 等各有优缺点,选择时需根据项目需求权衡。新工具如 uv 和 Pixi 在性能和功能上有所改进,值得考虑。
84 35
|
2月前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品消费模式分析的深度学习模型
使用Python实现智能食品消费模式分析的深度学习模型
154 70
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
在现代数据分析中,高维时间序列数据的处理和预测极具挑战性。基于矩阵分解的长期事件(MFLEs)分析技术应运而生,通过降维和时间序列特性结合,有效应对大规模数据。MFLE利用矩阵分解提取潜在特征,降低计算复杂度,过滤噪声,并发现主要模式。相比传统方法如ARIMA和深度学习模型如LSTM,MFLE在多变量处理、计算效率和可解释性上更具优势。通过合理应用MFLE,可在物联网、金融等领域获得良好分析效果。
64 0
使用Python实现基于矩阵分解的长期事件(MFLEs)时间序列分析
|
28天前
|
数据采集 数据可视化 数据挖掘
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
本文探讨了金融资产波动率建模中的三种主流方法:GARCH、GJR-GARCH和HAR模型,基于SPY的实际交易数据进行实证分析。GARCH模型捕捉波动率聚类特征,GJR-GARCH引入杠杆效应,HAR整合多时间尺度波动率信息。通过Python实现模型估计与性能比较,展示了各模型在风险管理、衍生品定价等领域的应用优势。
251 66
金融波动率的多模型建模研究:GARCH族与HAR模型的Python实现与对比分析
|
3月前
|
数据采集 缓存 定位技术
网络延迟对Python爬虫速度的影响分析
网络延迟对Python爬虫速度的影响分析
|
18天前
|
并行计算 安全 Java
Python GIL(全局解释器锁)机制对多线程性能影响的深度分析
在Python开发中,GIL(全局解释器锁)一直备受关注。本文基于CPython解释器,探讨GIL的技术本质及其对程序性能的影响。GIL确保同一时刻只有一个线程执行代码,以保护内存管理的安全性,但也限制了多线程并行计算的效率。文章分析了GIL的必要性、局限性,并介绍了多进程、异步编程等替代方案。尽管Python 3.13计划移除GIL,但该特性至少要到2028年才会默认禁用,因此理解GIL仍至关重要。
97 16
Python GIL(全局解释器锁)机制对多线程性能影响的深度分析
|
1月前
|
数据可视化 算法 数据挖掘
Python时间序列分析工具Aeon使用指南
**Aeon** 是一个遵循 scikit-learn API 风格的开源 Python 库,专注于时间序列处理。它提供了分类、回归、聚类、预测建模和数据预处理等功能模块,支持多种算法和自定义距离度量。Aeon 活跃开发并持续更新至2024年,与 pandas 1.4.0 版本兼容,内置可视化工具,适合数据探索和基础分析任务。尽管在高级功能和性能优化方面有提升空间,但其简洁的 API 和完整的基础功能使其成为时间序列分析的有效工具。
80 37
Python时间序列分析工具Aeon使用指南
|
1月前
|
机器学习/深度学习 运维 数据可视化
Python时间序列分析:使用TSFresh进行自动化特征提取
TSFresh 是一个专门用于时间序列数据特征自动提取的框架,支持分类、回归和异常检测等机器学习任务。它通过自动化特征工程流程,处理数百个统计特征(如均值、方差、自相关性等),并通过假设检验筛选显著特征,提升分析效率。TSFresh 支持单变量和多变量时间序列数据,能够与 scikit-learn 等库无缝集成,适用于大规模时间序列数据的特征提取与模型训练。其工作流程包括数据格式转换、特征提取和选择,并提供可视化工具帮助理解特征分布及与目标变量的关系。
75 16
Python时间序列分析:使用TSFresh进行自动化特征提取
|
2月前
|
机器学习/深度学习 数据采集 TensorFlow
使用Python实现智能食品消费习惯分析的深度学习模型
使用Python实现智能食品消费习惯分析的深度学习模型
179 68
|
1月前
|
数据采集 缓存 API
python爬取Boss直聘,分析北京招聘市场
本文介绍了如何使用Python爬虫技术从Boss直聘平台上获取深圳地区的招聘数据,并进行数据分析,以帮助求职者更好地了解市场动态和职位需求。

热门文章

最新文章

推荐镜像

更多