### 使用 Python 进行旅游数据分析与可视化的代码示例 以下是基于 `pandas` 和 `matplotlib` 的一个简单示例，演示如何加载、处理和可视化旅游数据。 #### 数据准备 假设有一个 CSV 文件名为 `tourism_data.csv`，其中包含以下列：`City`, `Visitors`, `Year`。该文件记录了不同城市每年的游客数量。 ```python import pandas as pd import matplotlib.pyplot as plt # 加载数据 data = pd.read_csv('tourism_data.csv') # 查看前几行数据 print(data.head()) ``` #### 数据清理与预处理 在实际应用中，可能需要对缺失值或异常值进行处理。 ```python # 删除含有缺失值的行 data.dropna(inplace=True) # 将 Year 列转换为整数类型 data['Year'] = data['Year'].astype(int) ``` #### 数据分析 计算每座城市的平均游客数量，并找出游客最多的三个城市。 ```python # 计算每个城市的平均游客数量 average_visitors_per_city = data.groupby('City')['Visitors'].mean().sort_values(ascending=False) # 找出游客最多的三个城市 top_cities = average_visitors_per_city.head(3) print(top_cities) ``` #### 数据可视化 使用条形图展示游客最多的三个城市的平均游客数量。 ```python # 创建条形图 plt.figure(figsize=(8, 6)) top_cities.plot(kind='bar', color='skyblue') plt.title('Top Cities by Average Visitors', fontsize=16) plt.xlabel('City', fontsize=14) plt.ylabel('Average Visitors', fontsize=14) plt.xticks(rotation=0) plt.tight_layout() plt.show() ``` 通过以上代码可以完成基本的旅游数据分析与可视化过程[^4]。 --- #### 更复杂的可视化示例 如果想要进一步探索时间序列趋势，可以通过折线图显示某座城市逐年变化的趋势。 ```python # 假设我们关注的城市是 'New York' city_of_interest = 'New York' # 筛选出特定城市的数据 ny_data = data[data['City'] == city_of_interest] # 绘制折线图 plt.figure(figsize=(10, 6)) plt.plot(ny_data['Year'], ny_data['Visitors'], marker='o', linestyle='-', color='green') plt.title(f'Visitor Trend for {city_of_interest}', fontsize=16) plt.xlabel('Year', fontsize=14) plt.ylabel('Number of Visitors', fontsize=14) plt.grid(True) plt.tight_layout() plt.show() ``` 此部分展示了如何利用 `matplotlib` 来创建动态的时间序列图表[^4]。 --- ### 结论 上述代码片段涵盖了从数据加载到复杂视觉呈现的过程。对于更高级的应用场景，还可以引入其他库如 `seaborn` 或 `plotly` 提升交互性和美观度[^3]。