接上篇，我们继续对这个数据集进行分析。
一、行业利润统计这里我们用个groupby函数，如下：
#行业总利润统计df_t_renue=df.groupby('Industry')['Profits_M'].sum().sort_values(ascending = False).head(10)df_t_renue
运行结果为：
排名第一的行业，没错，就是商业银行。美国金融行业果然是世界第一位的；第二为炼油行业；第三为药品行业。画个图看看：
sns.barplot(x = df_t_renue.values, y = df_t_renue.index, palette = 'icefire')
二、行业从业人数统计同样，我们用groupby函数来试试看，具体代码如下：
#行业人数总人数统计df_t_em=df.groupby('Industry')['Number_of_employees'].sum().sort_values(ascending = False).head(10)df_t_em
排名前三位的行业总人数分别为：杂货商、互联网服务和零售、专业零售商。果然，服务业从业人数是最多的。盲猜，这里面沃尔玛和亚马逊的人数估计占了很大的比例（后面我们验证一下 
）。
三、统计目前创始人还是公司CEO的公司先看看有多少公司创始人还在担任公司CEO，具体代码为：
df_ceo=df['Founder_is_CEO'].value_counts()df_ceo
结果为：
只有57位公司创始人还在担任公司CEO了，看看都是哪些人？
df_ceo_see=df[df['Founder_is_CEO']=='yes']df_ceo_see[['Rank','Company','Ticker','Industry','CEO']]
执行结果：
这里，我们可以看到Meta的扎克伯格、特斯拉的马斯克、英伟达的黄仁勋等等 
。四、公司雇佣人数排行具体代码为：
df_em = df[['Company','Number_of_employees']].sort_values(by = 'Number_of_employees', ascending = False).head(20)df_em
果然是，沃尔玛、亚马逊公司的员工数量遥遥领先~。五、看一下公司总部所在的城市城市中拥有1000强公司的数量越多，代表着城市的发达程度也就越高，对应经济活力更强。具体代码为：
df_headq= df['HeadquartersCity'].value_counts().head(10)df_headq
排名最高的，当然是纽约了，有65家千强企业总部 
，都说美国的政治中心是华盛顿，经济中心是纽约，没错了~~
好了，关于这个2023美国财富1000强公司情况数据集的数据分析就到这里了，整个数据集里面还有很多其他的列，比如：FemaleCEO（女性CEO）、Change_in_Rank 、Gained_in_Rank 、Dropped_in_Rank 等等，大家可以用来练习练习数据分析 
。
