項目要求：探索全國2013-2016年資本流動問題

項目數據：data.xlsx，中國城市代碼對照表.xlsx

項目過程：

• 查看全國城際控股型投資關系

  原始數據中，同一年中的投資數據會重復記錄，所以需要將數據以’投資方所在城市’,‘融資方所在城市’,'年份’這三個字段做一個分組匯總

  # 數據讀取，篩選出“同城投資”、“跨城投資”數據df = pd.read_excel('data.xlsx') # 數據讀取df = df.groupby(['投資方所在城市','融資方所在城市','年份']).sum().reset_index() # 匯總數據data_tc = df[df['投資方所在城市'] == df['融資方所在城市']] data_tc = data_tc.sort_values(by = '投資企業對數',ascending = False).reset_index() del data_tc['index'] # 篩選出“同城投資”數據data_kc = df[df['投資方所在城市'] != df['融資方所在城市']] data_kc = data_kc.sort_values(by = '投資企業對數',ascending = False).reset_index() del data_kc['index'] # 篩選出“跨城投資”數據 # 比較一下“同城投資”、“跨城投資”TOP20的數據分布 # 按照2013-2017年的匯總數據來計算，比較tc_sum = data_tc.groupby(['投資方所在城市','融資方所在城市']).sum().sort_values(by = '投資企業對數',ascending = False) del tc_sum['年份'] # 匯總“同城投資”數據kc_sum = data_kc.groupby(['投資方所在城市','融資方所在城市']).sum().sort_values(by = '投資企業對數',ascending = False) del kc_sum['年份'] # 匯總“跨城投資”數據 # 查看“同城投資” tc_sum.iloc[:20]

# 查看“跨城投資” kc_sum.iloc[:20]

tc_sum.iloc[:20].plot(kind = 'bar',grid = True, figsize = (10,4),color = 'blue',alpha = 0.7) kc_sum.iloc[:20].plot(kind = 'bar',grid = True, figsize = (10,4),color = 'green',alpha = 0.7)

結論1：

① 從2013-2016的匯總數據來看，投資比數“同城投資”>“跨城投資”

② “同城投資”中領頭的城市為北上廣深及部分二線強城市，其中 深圳>北京>上海>>其他城市

③ “跨城投資”中領頭的城市仍為北上廣深（相互投資），或者北上廣深向周邊城市投資（城市群）

# 比較一下“同城投資”、“跨城投資”TOP20的數據分布 # 分開比較2013-2016四個年度的數據def f1(year):tc_year = data_tc[data_tc['年份'] == year].sort_values(by = '投資企業對數',ascending = False)kc_year = data_kc[data_kc['年份'] == year].sort_values(by = '投資企業對數',ascending = False)tc_year.index = tc_year['投資方所在城市']kc_year.index = kc_year['投資方所在城市'] + '-' + kc_year['融資方所在城市']# 篩選該年的“同城投資”、“跨城投資”#print('%i年同城投資TOP20:' % year)#print(tc_year.iloc[:20])#print('-----')#print('%i年跨城投資TOP20:' % year)#print(kc_year.iloc[:20])#print('-----')return(tc_year.iloc[:20],kc_year.iloc[:20])# 輸出該年“同城投資”、“跨城投資”TOP20 # 創建函數 # 繪制圖表fig,axes = plt.subplots(4,2,figsize=(12,15)) plt.subplots_adjust(wspace = 0.1,hspace=0.5) f1(2013)[0]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'blue',alpha = 0.7,ax = axes[0,0],title = '同城投資 - 2013年',ylim = [0,40000]) f1(2013)[1]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'green',alpha = 0.7,ax = axes[0,1],title = '跨城投資 - 2013年',ylim = [0,3000]) # 2013年 f1(2014)[0]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'blue',alpha = 0.7,ax = axes[1,0],title = '同城投資 - 2014年',ylim = [0,40000]) f1(2014)[1]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'green',alpha = 0.7,ax = axes[1,1],title = '跨城投資 - 2014年',ylim = [0,3000]) # 2014年 f1(2015)[0]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'blue',alpha = 0.7,ax = axes[2,0],title = '同城投資 - 2015年',ylim = [0,40000]) f1(2015)[1]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'green',alpha = 0.7,ax = axes[2,1],title = '跨城投資 - 2015年',ylim = [0,3000]) # 2015年 f1(2016)[0]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'blue',alpha = 0.7,ax = axes[3,0],title = '同城投資 - 2016年',ylim = [0,40000]) f1(2016)[1]['投資企業對數'].plot(kind = 'bar',grid = True, color = 'green',alpha = 0.7,ax = axes[3,1],title = '跨城投資 - 2016年',ylim = [0,3000]) # 2016年

結論2：

① 分開2013-2016年來看，每年“同城投資”、“跨城投資”均呈上升趨勢

② “同城投資”中，頭部城市仍為北上深（沒有廣州），且隨著時間推移，越來越拉開和其他城市的“同城投資”差距（注意這個結論）

③ “跨城投資”中，投資關系較強的城市為“北京-上?！?> “北京-深圳” > “上海-深圳” ，一線城市之間投資力度較大

• 2013-2016年全國跨城市資本流動情況

  數據處理后導出到Gephi進行拓撲分析

  在QGIS中轉換制作路徑圖，注意轉換坐標系我wgs84

  # 讀取“中國城市代碼對照表.xlsx”數據及重新設置kc_sum數據的indexcity = pd.read_excel('C:/Users/Hjx/Desktop/項目12中國城市資本流動問題探索/中國城市代碼對照表.xlsx') kc_sum.reset_index(inplace = True) # 結合“中國行政代碼對照表.xlsx”數據，給2013-2016年“跨城投資”的匯總數據添加城市的經緯度kc_data = pd.merge(kc_sum,city[['城市名稱','經度','緯度']],left_on ='投資方所在城市',right_on = '城市名稱') kc_data = pd.merge(kc_data,city[['城市名稱','經度','緯度']],left_on ='融資方所在城市',right_on = '城市名稱') kc_data = kc_data[['投資方所在城市','融資方所在城市','投資企業對數','經度_x','緯度_x','經度_y','緯度_y']] kc_data.columns = ['投資方所在城市','融資方所在城市','投資企業對數','lng_tz','lat_tz','lng_rz','lat_rz'] kc_data.head()

# 導出gephi制圖數據gephi_edge = kc_data[['投資方所在城市','融資方所在城市','投資企業對數']] gephi_edge.columns = ['source','target','weight'] gephi_edge['weight'] = (gephi_edge['weight'] - gephi_edge['weight'].min())/(gephi_edge['weight'].max() - gephi_edge['weight'].min()) gephi_edge.to_csv('gephi_edge.csv',index = False) # 導出邊數據citys = list(set(gephi_edge['source'].tolist()+gephi_edge['target'].tolist())) gephi_nodes = pd.DataFrame({'Id':citys}) # 篩選出所有的城市節點，并生成dataframe top_node = gephi_edge.sort_values(by = 'weight',ascending = False) top_node20 = top_node['source'].drop_duplicates().iloc[:20] top_node20_df = pd.DataFrame({'Id':top_node20, 'Label':top_node20}) # 篩選出投資對數較大，且不重復的前20個城市，并生成dataframe gephi_nodes = pd.merge(gephi_nodes,top_node20_df,on = 'Id',how = 'left') # 合并，給點數據增加label字段 gephi_nodes.to_csv('gephi_nodes.csv',index = False) # 導出點數據print('finished!') # 導出qgis制圖數據kc_data.to_csv('qgisdata.csv',index = False) print('finished!')

結論3

① 通過“全國跨城市資本流動OD圖”可以明顯看到

? 三個亮點密集的區域：長三角城市群、珠三角城市群、北京-天津城市群

? 這三個城市群與成都-重慶西部城市群構成了一個鉆石形狀

? 在鉆石之外，僅有星星點點的東北和西部的幾個亮點游離；

? 而這顆大鉆石內的資本流動，占據了全國資本流動的90%以上！！

② 通過“城市關系圖”可以發現：

? 城際投資的全國城市拓撲關系 → 以“北上深”為中心的城市網絡

• 3、深挖跨城市資本流動：錢從哪里來，到哪里去？

資本流動兩大陣營在計算中，主要以“融資方所在城市”為對象研究

資本流動兩大陣營變化趨勢計算中，可以構建函數，以年份為參數

得到某年融資城市對應的最大的外來投資城市

在qgis中制圖，需要給數據添加經緯度信息，這里只需要添加“融資方所在城市”的經緯度

為了qgis更好識別陣營類型，數據“陣營”字段用數字表示：0代表“本地化陣營”，1代表“北上深陣營”

qgis中制圖時，既不屬于“本地化陣營”又不屬于“北上深陣營”的城市，顏色填充和“本地化陣營”一樣即可

# 近四年對外控股型投資筆數最多的10個城市是哪些？result1 = kc_sum[['投資方所在城市','投資企業對數']].groupby('投資方所在城市').sum().sort_values(by = '投資企業對數',ascending = False).iloc[:10] result1

# 近四年吸引對外控股型投資筆數最多的10個城市又是哪些？result2 = kc_sum[['融資方所在城市','投資企業對數']].groupby('融資方所在城市').sum().sort_values(by = '投資企業對數',ascending = False).iloc[:10] result2

result1.plot(kind = 'bar',grid = True, figsize = (10,4),color = 'red',alpha = 0.7, rot = 0) result2.plot(kind = 'bar',grid = True, figsize = (10,4),color = 'black',alpha = 0.7, rot = 0)

結論4：

北京、上海、深圳毫無懸念地包攬了前三名，且在量級上遠遠超過了其他城市 → 北上深在一定程度上控制著全國的資金流向和經濟命脈

杭州 → 第四名，表現最為亮眼的省會城市，崛起的新一線城市

廣州 → 第五名，江湖人稱“北上廣”三兄弟的廣州，在對外投資的控制力上已經與另兩位兄弟漸行漸遠了

前10名中有5名都是長三角區域的城市，可以看到長三角地區資本的活躍程度

吸引外來控股型投資筆數最多的前三名的仍然是北上深

在外來資本流入城市的榜單中，嘉興擠掉了南京,進入前十名 → 相比資本對外輸出，嘉興是一個更受資本青睞的城市

# 從2013年到2016年，資本流動兩大陣營的變化趨勢：“北上深陣營”、“本地化陣營” # “北上深陣營”：最大的外來投資方為北上深之一的城市 # “本地化陣營”：這里簡化計算，將非“北上深陣營”都劃入“本地化陣營”def f2(year):kc_datai = data_kc[data_kc['年份']==year]x = kc_datai[['融資方所在城市','投資企業對數']].groupby('融資方所在城市').max().reset_index()city_tz_max = pd.merge(kc_datai,x,on = ['融資方所在城市','投資企業對數'],how = 'right')# 數據整理 → 得到融資城市的最大外來投資對應的“投資方城市”city_tz_max['陣營'] = 0city_tz_max['陣營'][(city_tz_max['投資方所在城市'] == '北京') |(city_tz_max['投資方所在城市'] == '上海') | (city_tz_max['投資方所在城市'] == '深圳') ] = 1# 劃分“北上深陣營”、“本地化陣營”city_tz_max = pd.merge(city_tz_max,city[['城市名稱','經度','緯度']],left_on ='融資方所在城市',right_on = '城市名稱')city_tz_max = city_tz_max[['投資方所在城市','融資方所在城市','投資企業對數','陣營','經度','緯度']] # 添加融資方所在城市經緯度dici = {}dici['北上深陣營城市數據量'] = city_tz_max['陣營'].value_counts().iloc[1]dici['本地化陣營城市數據量'] = city_tz_max['陣營'].value_counts().iloc[0]# 計算“北上深陣營”、“本地化陣營”的城市數量，并放入一個字典return(city_tz_max,dici) # 創建函數zy_year = pd.DataFrame([f2(2013)[1],f2(2014)[1],f2(2015)[1],f2(2016)[1]],index = ['2013年','2014年','2015年','2016年']) zy_year['北上深陣營占比'] = zy_year['北上深陣營城市數據量']/(zy_year['北上深陣營城市數據量'] + zy_year['本地化陣營城市數據量']) zy_year[['北上深陣營城市數據量','本地化陣營城市數據量']].plot(kind='bar',grid = True,colormap='Blues_r',rot = 0,stacked=True,figsize = (10,4),ylim = [0,400]) # 繪制堆疊圖查看占比變化趨勢 zy_year

# 數據導出csv，qgis繪圖f2(2013)[0].to_csv('year2013.csv',index = False) f2(2014)[0].to_csv('year2014.csv',index = False) f2(2015)[0].to_csv('year2015.csv',index = False) f2(2016)[0].to_csv('year2016.csv',index = False) print('finished!')

結論5:

“北上深陣營”高歌猛進，“本地化陣營”節節敗退

2013年，“北上深陣營”的地盤僅僅局限于國內少數相對發達地區，以及各省省會城市

隨著時間的推移，“北上深陣營”的勢力范圍逐步擴大，東北和內蒙的大部分地區納入了“北上深陣營”

越來越多的中小型城市也逐漸成為“北上深陣營”的一員

2014年，90%的控股型城際投資去向了99個城市，而到了2017年，90%的城際投資只去向了60個城市

總結

以上是生活随笔為你收集整理的中国城市资本流动问题探索（Python）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。