Analyse des données avec Python : Analyse de l'indice mondial de développement et de prospérité pour l'année 3

王林
Libérer: 2024-08-09 06:36:52
original
1032 Les gens l'ont consulté

L'ensemble de données de ce projet contient des enregistrements de l'indice mondial de développement et de prospérité pour l'année 2023
Le nettoyage, l'analyse et la visualisation des données ont été effectués à l'aide de Python. L'analyse fournit des réponses à certaines questions importantes et permet de comprendre l'ensemble de données.

Structure des données :
Les colonnes de l'ensemble de données incluent : Code du pays, pays, score moyen, sécurité, liberté du personnel, gouvernance, capital social, environnement d'investissement, conditions d'entreprise, infrastructure d'accès au marché, qualité économique, conditions de vie, santé, éducation, environnement naturel.
Les bibliothèques Python nécessaires pour effectuer cette analyse ont été importées dans Python IDLE (Jupyter Notebook), et l'ensemble de données a été chargé pour commencer l'analyse.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
Le nombre total de colonnes et de lignes présentes dans l'ensemble de données indique 167 lignes et 14 colonnes.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
10 échantillons aléatoires de l'ensemble de données pour voir à quoi ressemble l'ensemble de données.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
Nettoyage des données
Le nettoyage des données a été effectué à l'aide de la bibliothèque python pandas afin de « nettoyer » l'ensemble de données et de le préparer pour l'analyse.

•Vérification des valeurs manquantes dans l'ensemble de données

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
L'image ci-dessus montre que l'ensemble de données ne contenait aucune valeur manquante

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
L'image ci-dessus montre qu'il n'y avait aucun doublon dans l'ensemble de données.

## Analyse et exploration des données
1) Les dix premiers pays par score moyen de l'indice de prospérité mondial :

•La visualisation montre les dix premiers pays classés selon leurs scores moyens sur l'indice de prospérité mondiale. Ces pays affichent de solides performances dans divers indicateurs tels que la gouvernance, l’éducation, la santé et la qualité économique. Les scores élevés indiquent une approche solide et équilibrée visant à favoriser la prospérité et le bien-être de leurs citoyens, reflétant des politiques efficaces et un environnement socio-économique favorable.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
**2) Les dix derniers pays par score moyen :

•Cette liste et cette visualisation mettent en évidence les domaines dans lesquels ces pays pourraient devoir concentrer leurs efforts pour améliorer leurs scores globaux, contribuant ainsi à une meilleure qualité de vie et à de meilleurs résultats de développement pour leurs citoyens. Il constitue un outil précieux pour les décideurs politiques, les chercheurs et les parties prenantes intéressés par le développement international et l'analyse comparative.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3

*3) Domaines les mieux notés par les dix premiers pays : *
Cette liste et cette visualisation intitulées « Zones ayant obtenu les scores les plus élevés selon les dix premiers pays » illustrent les mesures les plus performantes pour les dix pays ayant les scores moyens les plus élevés. Ces mesures englobent diverses dimensions de la réussite nationale, notamment la sécurité, la liberté du personnel, la gouvernance, le capital social, la qualité économique, etc.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3

4) Domaines d'amélioration pour les dix derniers pays :

Cette liste et ce graphique intitulés « Zones ayant obtenu les scores les plus élevés selon les dix premiers pays » illustrent les mesures les plus performantes pour les dix pays ayant les scores moyens les plus élevés. Ces mesures englobent diverses dimensions de la réussite nationale, notamment la sécurité, la liberté du personnel, la gouvernance, le capital social, la qualité économique, etc.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3

5)Relation entre gouvernance et conditions de vie :

La corrélation de 0,71 entre la gouvernance et les conditions de vie souligne l'importance d'une gouvernance solide en tant que moteur clé de l'amélioration des conditions de vie. Cette relation suggère que les efforts visant à renforcer les structures de gouvernance peuvent avoir un impact positif significatif sur la qualité de vie de la population d’un pays. Les décideurs politiques et les organisations de développement peuvent utiliser ces informations pour donner la priorité aux réformes de la gouvernance en tant que stratégie visant à améliorer les conditions de vie.

Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3
Data Analysis With Python: Analysis of the global development and Prosperity Index for the year 3

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

source:dev.to
Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn
Tutoriels populaires
Plus>
Derniers téléchargements
Plus>
effets Web
Code source du site Web
Matériel du site Web
Modèle frontal
À propos de nous Clause de non-responsabilité Sitemap
Site Web PHP chinois:Formation PHP en ligne sur le bien-être public,Aidez les apprenants PHP à grandir rapidement!