历届奥运奖牌榜前十，体育强国继续霸榜，荷兰取代韩国入榜
历届奥运奖牌榜前十，体育强国继续霸榜，荷兰取代韩国入榜。年东京奥运会圆满落幕，中国奥运代表团表现出色，排在奖牌榜第二位，在奥运比赛日最后一天被美国反超。本届奥运会中国奥运代表团获得了38金，32银，18铜，总奖牌数88枚的好成绩。美国队由于田径、游泳等金牌大项优势明显，再加上球类项目又安排在奥运会最后阶段，因此被他们反超也是可以预见的，不过这次竞争非常激烈，只相差1枚金牌。值得注意的是，奖牌榜的前十名，依然是体育强国继续霸榜，下面我们通过最近四届奥运会来分析一下奖牌榜的排名情况。
本届东京奥运会，与以往3届奥运会有几个不同之处。第一，总金牌数没有超过40枚的国家；第二，排名前五的国家金牌数都上了20枚，这在以往的奥运会中是没有出现过的情况；第三，奥运奖牌榜前十都有10枚或以上的金牌。从以上的数据可以看出，奥运金牌榜前五的竞争非常激烈，体育强国的竞争力更强了。但是有一点却出人意料，在最近4届奥运会中，我们的邻国韩国都进入了奖牌榜前十，但是本届奥运会却遭遇了滑铁卢，他们最终只获得了6枚金牌，最终排在加拿大、巴西、新西兰、古巴、和匈牙利之后，仅获得了第16名。韩国的滑落或许是他们竞争力的减弱，或许是与东道主紧张的关系有关，原因应该是多方面的。
下面我们来回顾一下最近3届奥运会奖牌榜的情况。先来看年北京奥运会，我们国家作为东道主，获得了51金，21银，28铜的好成绩，位居奖牌榜第一名。美国、俄罗斯分列第二、三位。从历届奥运会来看，东道主获得好成绩成为普遍现象，比如此次日本就获得了前所未有的好成绩，他们获得了27枚金牌，是年奥运会的3倍；此外，他们的女子篮球实力一般，也获得了奥运会的银牌，这些都是东道主的优势。
再来回顾一下年伦敦奥运会的奖牌榜。伦敦奥运会排名第一的是美国队，他们在这届奥运会中获得了46金，29银，29铜，总奖牌数104枚。排在第二的是中国奥运代表团，获得了38金，27银，23铜的好成绩。排名第三的是东道主英国，他们获得了29金，17银，19铜。排名第7-10名的国家分别是：俄罗斯、韩国、德国、法国、意大利、匈牙利、澳大利亚。
距离年东京奥运会最近的一届奥运会是年里约奥运会。这届奥运会中国奥运代表团的成绩不是很理想，只获得了26枚金牌，18枚银牌，26枚铜牌，排在奖牌榜第3名。排名第一的是美国，他们获得了46金，37银，38铜。英国以27金，23银，17铜排在第三。排名前十的其他国家分别是：俄罗斯、德国、日本、法国、韩国、意大利、澳大利亚。
从最近4届奥运会奖牌榜前十的情况来看，体育强国之间的竞争越来越强烈了，尤其是前三名之间的争夺，反复换位。根据目前的形式和发展来看，未来一段时间中美之间争夺奖牌榜第一名将长期存在。而前十名还是以：中国、美国、俄罗斯、英国、德国、法国、日本、意大利、澳大利亚、韩国、荷兰等体育强国为主。从本届奥运会来看，韩国的滑落或许与日本的紧张关系有关，或许与他们的优势项目有关，但是荷兰的崛起应该不是偶然现象，他们在将来可能继续竞争奥运奖牌榜前十。
奥与会秉承更快、更高、更强、更团结的口号，希望把这种精神保持下去，让各国选手在公平的环境下进行比赛，这样才能更好地把奥运精神延续下去，我们不希望看到为了获得更多的金牌而有失公平。
奥运会的奖牌榜真能反映国家的工业实力么？
奥运会成绩和工业实力有什么关系？是运动竞技又不是打仗
1896-2021历届奥运会奖牌榜动态排序（Matplotlib图表动画）
摘 要
在制作动态排序动画之前，我们看一下数据的整理情况：
a、对第1）种大部分数据的情况，先爬取下来，输出到excel（1）；
b、对第2）种小部分数据的情况，也先爬取下来，输出到另一个excel（2）；
c、对第3）种个别的，还有第31-32届的数据，算了，别折腾了，手动复制粘贴到excel（3）吧。
d、最后把这3个excel合并到一个excel，进行数据处理吧。
二、数据处理
经过-历届奥运会奖牌榜动态排序系列的数据处理（第二篇），我们得到了a数据：
看到这张数据表，还有以下几点需要调整：
1、合并3个excel数据；
2、标题、年份列顺序调整到名次前；
3、'国家'列名修改为'国家/地区'；
4、计算奖牌的合计数量；
5、根据年份，计算各国的奖牌合计数排名。
1）合并DataFrame：concat()，合并函数还有merge、join函数，有兴趣可以进入以下链接进行学习（）
df1 = pd.read_excel("./data/Olympic10.xlsx") df2 = pd.read_excel("./data/Olympic11.xlsx") df3 = pd.read_excel("./data/Olympic12.xlsx") df = pd.concat([df1,df2,df3],axis=0,ignore_index=True,sort=True)
2）调账列顺序
columns = ['标题','年份','国家','金牌','银牌','铜牌'] df = pd.DataFrame(df, columns=columns)
3）列名修改
df.rename(columns={'国家':'国家/地区'},inplace=True)
4）计算奖牌合计
df['合计'] = '' df['合计'] = df['金牌'] + df['银牌'] + df['铜牌']
5）按年份，计算各国的奖牌合计数排名
df['排名'] = df.groupby('年份',axis=0)['合计'].rank(method='first',ascending=False)
另外，再对数据进行一些微调
df=df.drop_duplicates(subset=['年份', '国家/地区'], keep='first') df.sort_values(["年份","排名"],inplace=True,ascending=True) #将国家/地区列字符串中的空格都去除 df['国家/地区'].replace('\s+','',regex=True,inplace=True)
最终获得我们的完整数据
df.to_excel("./data/Olympic_final.xlsx")
完整代码如下：
import pandas as pd df1 = pd.read_excel("./data/Olympic10.xlsx") df2 = pd.read_excel("./data/Olympic11.xlsx") df3 = pd.read_excel("./data/Olympic12.xlsx") df = pd.concat([df1,df2,df3],axis=0,ignore_index=True,sort=True) columns = ['标题','年份','国家','金牌','银牌','铜牌'] df = pd.DataFrame(df, columns=columns) df.rename(columns={'国家':'国家/地区'},inplace=True) df['合计'] = '' df['合计'] = df['金牌'] + df['银牌'] + df['铜牌'] df.loc[df['年份']==,'年份'] = df=df.drop_duplicates(subset=['年份', '国家/地区'], keep='first') df['排名'] = df.groupby('年份',axis=0)['合计'].rank(method='first',ascending=False) df.sort_values(["年份","排名"],inplace=True,ascending=True) #将国家/地区列字符串中的空格都去除 df['国家/地区'].replace('\s+','',regex=True,inplace=True) df.to_excel("./data/Olympic_final.xlsx")
输出结果：
三、动态排序
经过一系列的数据处理，终于可以验证下劳动成果了。完整代码如下：
import pandas as pd import random import matplotlib.pyplot as plt import matplotlib.ticker as ticker import matplotlib.animation as animation from IPython.display import HTML import matplotlib plt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签 plt.rcParams['axes.unicode_minus']=False #这两行需要手动设置 #防止动漫内存太大，报错 matplotlib.rcParams['animation.embed_limit'] = 2**128 def randomcolor(): colorlist = ['1','2','3','4','5','6','7','8','9','A','B','C','D','E','F'] color ='' for i in range(6): color += random.choice(colorlist) return '#'+ color df = pd.read_excel(./data/Olympic_final.xlsx") #对地区列表进行去重，分类； area_list1 = set(df['国家/地区']) # color_list用于存放随机生成颜色代码个数 # 因为后面区域个数 要与颜色个数保持一致，这里用了len函数； color_list =[] for i in range(len(area_list1)): str_1 = randomcolor() color_list.append(str_1) str_1 = randomcolor() #area_list转化为列表 area_list_1 = [i for i in area_list1] #colors表示 所在城市：颜色 一一对应字典形式； colors =dict(zip(area_list_1,color_list)) # 用plt加理图表，figsize表示图标长宽，ax表示标签 fig, ax = plt.subplots(figsize=(15, 8)) #dras_barchart生成current_year这一年各城市人口基本情况； def draw_barchart(current_year): #dff对year==current_year的行，以”合计“降序排序，取前十名； dff = df[df['年份'].eq(current_year)].sort_values(by='合计',ascending = True).tail(10) # 所有坐标、标签清除 ax.clear() #显示颜色、城市名字 ax.barh(dff['国家/地区'],dff['合计'],color = [colors[x] for x in dff['国家/地区']]) dx = dff['合计'].max()/200 #ax.text(x,y,name,font,va,ha) # x,y表示位置； # name表示显示文本； # va,ba分别表示水平位置，垂直放置位置； for i ,(value,name) in enumerate(zip(dff['合计'], dff['国家/地区'])): ax.text(value-dx,i,name,size=18,weight=600,ha ='right',va = 'bottom',color='#77') ax.text(value+dx,i ,f'{value:,.0f}',size = 14,ha = 'left',va ='center') #ax.transAxes表示轴坐标系，(1,0.4)表示放置位置 ax.text(1,0.4,current_year,transform = ax.transAxes,color ='#77',size = 46,ha ='right',weight=800) ax.text(0,1.06,'Olympic Medals',transform = ax.transAxes,size=12,color='#77') #set_major_formatter表示刻度尺格式； ax.xaxis.set_major_formatter(ticker.StrMethodFormatter('{x:,.0f}')) ax.xaxis.set_ticks_position('top') ax.tick_params(axis='x',colors='#77',labelsize=12) ax.set_yticks([]) #margins表示自动缩放余额； ax.margins(0,0.01) # 设置后面的网格 ax.grid(which='major',axis='x',linestyle='-') #刻度线和网格线是在图标上方还是下方，True为下方 ax.set_axisbelow(True) ax.text(0,1.15,'历届奥运会奖牌排行榜', transform=ax.transAxes,size=24,weight=600,ha='left',va='top') ax.text(1,0,'Officetouch制作',transform = ax.transAxes, size=16,color ='#77',ha = 'right', bbox = dict(facecolor='white',alpha = 0.8,edgecolor='white')) #取消图表周围的方框显示 plt.box(False) #draw_barchart() #将原来的静态图拼接成动画 fig, ax = plt.subplots(figsize=(15, 8)) animator = animation.FuncAnimation(fig, draw_barchart, frames=df['年份'].drop_duplicates(),interval = ) animator.save("./data/Olympic.gif", writer='pillow')
输出结果：
结 语
学习需要耐心和时间的投入，初学的时候可能需要投入比较多的时间和精力，但只要有这样一个过程，你就会脱胎换骨，一点一滴的积累成就自己。
1、数据采集-爬虫；
Bertram Xu：-历届奥运会奖牌动态排序动画（Python数据采集）2、数据处理-数据清洗；
Bertram Xu：-历届奥运会奖牌榜（Python数据处理）3、数据动态排序。（本篇文章）
因为奥运数据连续性较差，如果我们分析一些连续性强的数据，如各国人口数据，动态排序的效果会好很多。
奥运会金牌真的不重要吗？
举个例子，你觉得奥运会中国包揽所有奖牌和中国拿不到一块奖牌但是人民群众的体质得到提高谁更重要？
对于运动员本身来说金牌当然重要，在中国拿到金牌意味着太多太多。对于老百姓我觉得可以看淡点。国家没必要浪费那么多金钱在夺金上。多花点在群众体育上，自然而然群众中会涌现出很多高水平的运动员。
而你看到的和中国运动员竞技的国外运动员好多都不是专职运动员。这才是光明的道路。
