Table of Contents
In [19]:
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import datetime as dt
import matplotlib.ticker as ticker
中国以生产法与收入法来核算GDP。生产法就是算各行业的added value加总。分类是根据《国民经济行业分类标准》来核算，但季度频率上无法获取全部行业的数据。
In [2]:
df=pd.read_excel('China Annual GDP.xls')
df.insert(loc = 0, column = 'Year', value = range(1978,2020))
df.drop(['指标'], axis=1, inplace = True)
df.set_index('Year', inplace = True)
df.set_index(pd.to_datetime(df.index, format = '%Y')) # convert integer index to timestamp
pd.set_option('display.max_columns', None) # show all the columns
In [3]:
df.head(5)
Out[3]:
| GDP(亿元) | GDP(可比价格，亿元) | GDP增长指数(上年＝100) | GDP增长指数(1978年＝100) | GDP增长指数(1990年＝100) | GDP增长指数(2000年＝100) | 第一产业增加值 | 第一产业增加值(可比价格) | 第一产业增加值增长指数(上年＝100) | 第一产业增加值增长指数(1978年＝100) | 第一产业增加值增长指数(1990年＝100) | 第一产业增加值增长指数(2000年＝100) | 第二产业增加值 | 第二产业增加值(可比价格) | 第二产业增加值增长指数(上年＝100) | 第二产业增加值增长指数(1978年＝100) | 第二产业增加值增长指数(1990年＝100) | 第二产业增加值增长指数(2000年＝100) | 第三产业增加值 | 第三产业增加值(可比价格) | 第三产业增加值增长指数(上年＝100) | 第三产业增加值增长指数(1978年＝100) | 第三产业增加值增长指数(1990年＝100) | 第三产业增加值增长指数(2000年＝100) | 人均GDP(元) | 人均GDP增长指数(上年＝100) | 人均GDP增长指数(1978年＝100) | 国民总收入 | 国民总收入指数(上年=100) | 国民总收入指数(1978年=100) | 行业增加值_农、林、牧、渔业 | 工业增加值 | 行业增加值_建筑业 | 行业增加值_批发和零售业 | 行业增加值_交通运输、仓储和邮政业 | 行业增加值_住宿和餐饮业 | 行业增加值_金融业 | 行业增加值_房地产业 | 第一产业增加值占GDP比重 | 第二产业增加值占GDP比重 | 第三产业增加值占GDP比重 | 农、林、牧、渔业增加值占GDP比重 | 工业增加值占GDP比重 | 建筑业增加值占GDP比重 | 批发和零售业增加值占GDP比重 | 交通运输、仓储和邮政业增加值占GDP比重 | 住宿和餐饮业增加值占GDP比重 | 金融业增加值占GDP比重 | 房地产业增加值占GDP比重 | 行业增加值增长指数(上年＝100)_农、林、牧、渔业 | 工业增加值增长指数(上年＝100) | 行业增加值增长指数(上年＝100)_建筑业 | 行业增加值增长指数(上年＝100)_批发和零售业 | 行业增加值增长指数(上年＝100)_交通运输、仓储和邮政业 | 行业增加值增长指数(上年＝100)_住宿和餐饮业 | 行业增加值增长指数(上年＝100)_金融业 | 行业增加值增长指数(上年＝100)_房地产业 | 行业增加值增长指数(1978年＝100)_农、林、牧、渔业 | 工业增加值增长指数(1978年＝100) | 行业增加值增长指数(1978年＝100)_建筑业 | 行业增加值增长指数(1978年＝100)_批发和零售业 | 行业增加值增长指数(1978年＝100)_交通运输、仓储和邮政业 | 行业增加值增长指数(1978年＝100)_住宿和餐饮业 | 行业增加值增长指数(1978年＝100)_金融业 | 行业增加值增长指数(1978年＝100)_房地产业 | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Year | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1978 | 3678.7 | 3593.0 | 111.7 | 100.0 | NaN | NaN | 1018.5 | 927.8 | 104.1 | 100.0 | NaN | NaN | 1755.1 | 1776.5 | 115.0 | 100.0 | NaN | NaN | 905.1 | 888.8 | 113.6 | 100.0 | NaN | NaN | 385 | 110.2 | 100.0 | 3678.7 | 111.7 | 100.0 | 1027.5 | 1621.4 | 138.9 | 242.4 | 182.0 | 44.6 | 76.5 | 79.9 | 27.69 | 47.71 | 24.6 | 27.9 | 44.1 | 3.8 | 6.6 | 4.9 | 1.2 | 2.1 | 2.2 | 104.1 | 116.4 | 99.5 | 123.1 | 108.9 | 118.1 | 110.1 | 105.7 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 | 100.0 |
| 1979 | 4100.5 | 3865.8 | 107.6 | 107.6 | NaN | NaN | 1259.0 | 984.7 | 106.1 | 106.1 | NaN | NaN | 1925.3 | 1922.6 | 108.2 | 108.2 | NaN | NaN | 916.1 | 958.5 | 107.8 | 107.8 | NaN | NaN | 423 | 106.2 | 106.2 | 4100.5 | 107.6 | 107.6 | 1270.2 | 1786.5 | 144.6 | 200.9 | 193.7 | 44.0 | 75.9 | 86.3 | 30.70 | 47.00 | 22.3 | 31.0 | 43.6 | 3.5 | 4.9 | 4.7 | 1.1 | 1.9 | 2.1 | 106.1 | 108.7 | 102.0 | 108.7 | 108.3 | 111.1 | 98.0 | 104.1 | 106.1 | 108.7 | 102.0 | 108.7 | 108.3 | 111.1 | 98.0 | 104.1 |
| 1980 | 4587.6 | 4587.6 | 107.8 | 116.0 | NaN | NaN | 1359.5 | 1359.5 | 98.5 | 104.6 | NaN | NaN | 2204.7 | 2204.7 | 113.5 | 122.8 | NaN | NaN | 1023.4 | 1023.4 | 106.1 | 114.4 | NaN | NaN | 468 | 106.5 | 113.1 | 4587.6 | 107.8 | 116.0 | 1371.6 | 2014.8 | 196.3 | 193.8 | 213.4 | 47.4 | 85.8 | 96.4 | 29.60 | 48.10 | 22.3 | 29.9 | 43.9 | 4.3 | 4.2 | 4.7 | 1.0 | 1.9 | 2.1 | 98.5 | 112.6 | 126.6 | 98.1 | 104.3 | 103.9 | 107.3 | 107.9 | 104.6 | 122.4 | 129.2 | 106.7 | 112.9 | 115.5 | 105.2 | 112.3 |
| 1981 | 4935.8 | 4822.1 | 105.1 | 122.0 | NaN | NaN | 1545.7 | 1454.4 | 107.0 | 111.9 | NaN | NaN | 2269.1 | 2246.3 | 101.9 | 125.1 | NaN | NaN | 1121.1 | 1121.5 | 109.6 | 125.3 | NaN | NaN | 497 | 103.8 | 117.3 | 4933.7 | 105.1 | 121.9 | 1559.4 | 2067.7 | 208.0 | 231.2 | 220.8 | 54.1 | 91.6 | 99.9 | 31.30 | 46.00 | 22.7 | 31.6 | 41.9 | 4.2 | 4.7 | 4.5 | 1.1 | 1.9 | 2.0 | 107.0 | 101.7 | 103.2 | 129.5 | 101.9 | 117.5 | 104.7 | 96.5 | 111.9 | 124.5 | 133.3 | 138.2 | 115.0 | 135.6 | 110.2 | 108.4 |
| 1982 | 5373.4 | 5257.0 | 109.0 | 132.9 | NaN | NaN | 1761.7 | 1622.1 | 111.5 | 124.8 | NaN | NaN | 2397.6 | 2371.5 | 105.6 | 132.1 | NaN | NaN | 1214.0 | 1263.4 | 112.7 | 141.2 | NaN | NaN | 533 | 107.4 | 126.0 | 5380.5 | 109.2 | 133.1 | 1777.3 | 2183.0 | 221.6 | 171.5 | 246.9 | 62.3 | 130.6 | 110.8 | 32.80 | 44.60 | 22.6 | 33.1 | 40.6 | 4.1 | 3.2 | 4.6 | 1.2 | 2.4 | 2.1 | 111.5 | 105.8 | 103.4 | 99.3 | 111.4 | 131.6 | 143.1 | 109.1 | 124.8 | 131.7 | 137.9 | 137.2 | 128.1 | 178.5 | 157.6 | 118.2 |
In [4]:
df['GDP(亿元)'].plot(figsize = (12, 7)); plt.show()
In [5]:
GDP_Industries = df[['第一产业增加值占GDP比重', '第二产业增加值占GDP比重','第三产业增加值占GDP比重']]
In [36]:
GDP_Industries.columns = ['Primary Pct', 'Secondary Pct', 'Tertiary Pct']
In [45]:
GDP_Industries.loc[2019]
Out[45]:
Primary Pct 7.1 Secondary Pct 39.0 Tertiary Pct 53.9 Name: 2019, dtype: float64
In [43]:
ax = GDP_Industries.plot(kind='bar', figsize = (14, 7),
stacked=True, rot=1,
title='')
#ax.xaxis.set_major_locator(ticker.MultipleLocator(3))
#ax.xaxis.set_major_formatter(ticker.ScalarFormatter())
for tick in ax.get_xticklabels():
tick.set_rotation(45)
In [ ]: