GDP越高就越幸福吗？用Python分析《世界幸福指数报告》后--CDA人工智能学院

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

CDA人工智能学院致力于以优质的人工智能在线教育资源助力学员的DT职业梦想！课程内容涵盖数据分析、机器学习、深度学习、人工智能、tensorFlow、PyTorch、知识图谱等众多核心技术及行业案例，让每一个学员都可以在线灵活学习，快速掌握AI时代的前沿技术。PS：私信我即可获取《CDA会员》1个月免费试听机会

【导读】

今天教大家用Python分析《世界幸福指数报告》。公众号后台，回复关键字“0922”获取完整数据。

《世界幸福指数报告》是对全球幸福状况的一次具有里程碑意义的调查。

民意测验机构盖洛普从2012年起，每年都会在联合国计划下发布《世界幸福指数报告》，报告会综合两年内150多个国家的国民对其所处社会、城市和自然环境等因素进行评价后，再根据他们所感知的幸福程度对国家进行排名。

《世界幸福指数报告》的编撰主要依赖于对150多个国家的1000多人提出一个简单的主观性问题：“如果有一个从0分到10分的阶梯，顶层的10分代表你可能得到的最佳生活，底层的0分代表你可能得到的最差生活。你觉得你现在在哪一层？”

那么哪个国家在总体幸福指数上排名最高？

哪些因素对幸福指数的影响最大？

今天我们就带你用Python来聊一聊。

01数据理解

关键字段含义解释：

1. rank：幸福指数排名
2. region：国家
3. happiness：幸福指数得分
4. gdp_per_capita：GDP（人均国内生产总值）
5. healthy_life_expectancy：健康预期寿命
6. freedom_to_life_choise：自由权
7. generosity：慷慨程度
8. year：年份
9. corruption_perceptions：清廉指数
10. social_support：社会支持（客观上物质上的援助和直接服务；主观上指个体感到在社会中被尊重、被支持和被理解的情绪体验和满意程度。）

02数据导入和数据整理

首先导入所需包。

1. # 数据整理
   
2. import numpy as np
   
3. import pandas as pd
   
4. 
   
5. # 可视化
   
6. import matplotlib.pyplot as plt
   
7. import seaborn as sns
   
8. import plotly as py
   
9. import plotly.graph_objs as go
   
10. import plotly.express as px
    
11. from plotly.offline import init_notebook_mode, iplot, plot
    
12. init_notebook_mode(connected=True)
    
13. plt.style.use('seaborn')
    
14. 
    
15. # 读入数
    
16. df_2015 = pd.read_csv('./deal_data/2015.csv')
    
17. df_2016 = pd.read_csv('./deal_data/2016.csv')
    
18. df_2017 = pd.read_csv('./deal_data/2017.csv')
    
19. df_2018 = pd.read_csv('./deal_data/2018.csv')
    
20. df_2019 = pd.read_csv('./deal_data/2019.csv')
    
21. 
    
22. # 新增列-年份
    
23. df_2015["year"] = str(2015)
    
24. df_2016["year"] = str(2016)
    
25. df_2017["year"] = str(2017)
    
26. df_2018["year"] = str(2018)
    
27. df_2019["year"] = str(2019)
    
28. 
    
29. # 合并数据
    
30. df_all = df_2015.append([df_2016, df_2017, df_2018, df_2019], sort=False)
    
31. df_all.drop('Unnamed: 0', axis=1, inplace=True)
    
32. df_all.head()

复制代码

1. print(df_2015.shape, df_2016.shape, df_2017.shape, df_2018.shape, df_2019.shape)
   
2. (158, 10) (157, 10) (155, 10) (156, 11) (156, 11)
   
3. df_all.info()
   
4. <class 'pandas.core.frame.DataFrame'>
   
5. Int64Index: 782 entries, 0 to 155
   
6. Data columns (total 10 columns):
   
7. region 782 non-null object
   
8. rank 782 non-null int64
   
9. happiness 782 non-null float64
   
10. gdp_per_capita 782 non-null float64
    
11. healthy_life_expectancy 782 non-null float64
    
12. freedom_to_life_choise 782 non-null float64
    
13. corruption_perceptions 781 non-null float64
    
14. generosity 782 non-null float64
    
15. year 782 non-null object
    
16. social_support 312 non-null float64
    
17. dtypes: float64(7), int64(1), object(2)
    
18. memory usage: 67.2+ KB

复制代码

03数据可视化

2019世界幸福地图



整体来看，北欧的国家幸福指数较高，如冰岛、丹麦、挪威、芬兰；东非和西非的国家幸福指数较低，如多哥、布隆迪、卢旺达和坦桑尼亚。

代码展示：

1. data = dict(type = 'choropleth',
   
2.            locations = df_2019['region'],
   
3.            locationmode = 'country names',
   
4.            colorscale = 'RdYlGn',
   
5.            z = df_2019['happiness'],
   
6.            text = df_2019['region'],
   
7.            colorbar = {'title':'Happiness'})
   
8. layout = dict(title = 'Geographical Visualization of Happiness Score in 2019',
   
9.               geo = dict(showframe = True, projection = {'type': 'azimuthal equal area'}))
   
10. choromap3 = go.Figure(data = [data], layout=layout)
    
11. plot(choromap3, filename='./html/世界幸福地图.html')

复制代码

2019世界幸福国家排行Top10



2019年报告，芬兰连续两年被评为“全球最幸福国家”。丹麦、挪威、冰岛、荷兰进入前五名，对比2018年报告，中国从86名下降到93名。

代码展示：

1. # 合并数据
   
2. rank_top10 = df_2019.head(10)[['rank', 'region', 'happiness']]
   
3. last_top10 = df_2019.tail(10)[['rank', 'region', 'happiness']]
   
4. rank_concat = pd.concat([rank_top10, last_top10])
   
5. 
   
6. # 条形图
   
7. fig = px.bar(rank_concat,
   
8.              x="region",
   
9.              y="happiness",
   
10.              color="region",
    
11.              title="World's happiest and least happy countries in 2019")
    
12. 
    
13. plot(fig, filename='./html/2019世界幸福国家排行Top10和Last10.html')

复制代码

幸福指数相关性



我们可以得出以下结论：

从影响因素相关性热力图可以看出，在影响幸福得分的因素中，GDP、社会支持、健康预期寿命呈现高度相关，自由权呈现中度相关，国家的廉政水平呈现低度相关，慷慨程度则呈现极低的相关性；

GDP与健康预期寿命、社会支持之间存在高度相关。说明GDP高的国家，医疗水平和社会福利较为完善，人民的预期寿命也会越高；

健康预期寿命与社会支持之间存在中度相关性。

以下分别观察各个因素的影响程度。

GDP和幸福得分



人均GDP与幸福得分呈高度线性正相关关系，GDP越高的国家，幸福水平相对越高。

代码展示：

1. # 散点图
   
2. fig = px.scatter(df_all, x='gdp_per_capita',
   
3.                  y='happiness',
   
4.                  facet_row='year',
   
5.                  color='year',
   
6.                  trendline='ols'
   
7.                 )
   
8. fig.update_layout(height=800, title_text='GDP per capita and Happiness Score')
   
9. plot(fig, filename='./html/GDP和幸福得分.html')

复制代码

健康预期寿命和幸福得分



健康预期寿命与幸福得分呈高度线性正相关关系，健康预期寿命越高的国家，幸福水平相对越高。

代码展示：

1. 散点图
   
2. 
   
3. fig = px.scatter(df_all, x='healthy_life_expectancy',
   
4. 
   
5.                  y='happiness',
   
6. 
   
7.                  facet_row='year',
   
8. 
   
9.                  color='year',
   
10. 
    
11.                  trendline='ols'
    
12. 
    
13.                 )  
    
14. 
    
15. fig.update_layout(height=800, title_text='Healthy Life Expecancy and Happiness Score')
    
16. 
    
17. plot(fig, filename='./html/健康预期寿命和幸福得分.html')

复制代码

代码展示：

1. fig = px.scatter(df_all,
   
2. 
   
3.                  x='gdp_per_capita',
   
4. 
   
5.                  y='happiness',
   
6. 
   
7.                  animation_frame='year',
   
8. 
   
9.                  animation_group='region',
   
10. 
    
11.                  size='rank',
    
12. 
    
13.                  color='region',
    
14. 
    
15.                  hover_name='region',
    
16. 
    
17.                  trendline='ols'
    
18. 
    
19.                 )
    
20. 
    
21. fig.update_layout(title_text='Happiness Rank vs GDP per Capita')
    
22. 
    
23. plot(fig, filename='./html/GDP和幸福水平动态图展示.html')

复制代码

代码展示：

1. fig = px.scatter(df_all,
   
2.                  x='healthy_life_expectancy',
   
3.                  y='happiness',
   
4.                  animation_frame='year',
   
5.                  animation_group='region',
   
6.                  size='rank',
   
7.                  color='region',
   
8.                  hover_name='region',
   
9.                  trendline='ols'
   
10.                 )
    
11. fig.update_layout(title_text='Happiness Rank vs healthy_life_expectancy')
    
12. plot(fig, filename='./html/健康预期寿命和幸福水平动态图展示.html')

复制代码

04数据建模

我们使用线性回归进行建立一个基准模型，首先筛选一下建模变量，并删除空值记录。

1. sel_cols = ['happiness', 'gdp_per_capita', 'healthy_life_expectancy',
   
2.             'freedom_to_life_choise', 'corruption_perceptions', 'generosity']
   
3. # 重置索引
   
4. df_model.index = range(df_model.shape[0])
   
5. df_model = df_all[sel_cols]
   
6. # 删除空值
   
7. df_model = df_model.dropna()
   
8. df_model.head()

复制代码

1. from statsmodels.formula.api import ols
   
2. 
   
3. # 建立多元线性回归模型
   
4. lm_m = ols(formula='happiness ~ gdp_per_capita + healthy_life_expectancy + freedom_to_life_choise + corruption_perceptions + generosity',
   
5.            data=df_model).fit()
   
6. lm_m.summary()  

复制代码

模型的R-squared=0.744，拟合效果尚可，根据模型的参数可知：

变量重要性排序为：gdp_per_capita、freedom_to_life_choise、healthy_life_expectancy、corruption_perceptions、generosity
控制其他变量不变的情况下，GDP指数每增加一个单位，幸福指数增加1.32个单位，健康预期寿命指数每增加一个单位，幸福指数增加1.21个单位。

比较预测值和真实值的分布：

1. df_pred = pd.concat([df_model['happiness'], y_pred], axis=1)
   
2. df_pred.columns = ['y_true', 'y_pred']
   
3. 
   
4. # 散点图
   
5. fig = px.scatter(df_pred, x='y_true', y='y_pred', trendline='ols')
   
6. fig.update_layout(title='Resid of OLS Regression')
   
7. plot(fig, filename='./html/预测值和真实值分布图.html')  

复制代码

以下为模型残差分布图。

1. fig = px.histogram(x=lm_m.resid)
   
2. fig.update_layout(title='Resid of OLS Regression')
   
3. plot(fig, filename='./html/多元线性回归残差分布图.html')

复制代码

代码下载：https://edu.cda.cn/group/19/thread/279

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏4 回帖

关键词：python 幸福指数 人工智能 CDA GDP

感谢分享

感谢分享

感谢分享！

感谢分享！

感谢分享~~~~~~么么哒

666666666666666666