当前位置：首页 > news >正文

python可视化：北方省市人口流动与春运数据综合分析5

news 2025/5/17 8:37:37

python可视化：北方省市人口流动与春运数据综合分析5

一、北方省市常住人口数据及变化趋势（2023-2024第一季度）

1. 主要城市常住人口数据（按城市等级分类）

城市	类型	2023Q1常住人口(万)	2024Q1常住人口(万)	变化量(万)	变化率(%)	数据来源
北京	一线	2185.8	2184.5	-1.3	-0.06	北京市统计局
天津	一线	1373.0	1366.0	-7.0	-0.51	天津统计公报
青岛	新一线	1035.6	1042.3	+6.7	+0.65	山东统计局
沈阳	新一线	914.2	918.0	+3.8	+0.42	辽宁统计局
石家庄	二线	1120.5	1122.8	+2.3	+0.21	河北交通厅
济南	二线	943.7	951.5	+7.8	+0.83	济南统计公报
太原	二线	543.5	543.0	-0.5	-0.09	山西统计年鉴
保定	三线	919.2	917.5	-1.7	-0.18	河北统计局
邯郸	三线	928.4	927.1	-1.3	-0.14	河北日报
鞍山	三线	332.1	330.5	-1.6	-0.48	辽宁日报

2. 变化趋势分析

一线城市：北京、天津持续人口外流，2024Q1分别减少1.3万和7.0万，主要受高生活成本和产业疏解政策影响。
新一线城市：青岛、沈阳保持人口净流入，2024Q1分别增加6.7万和3.8万，受益于区域经济中心地位和人才引进政策。
三线城市：普遍人口外流，如保定、邯郸2024Q1分别减少1.7万和1.3万，反映中小城市吸引力不足的问题5。

3. 主要原因

经济因素：就业机会和收入水平差异是人口流动主因，如青岛高新技术产业吸引人才。
政策因素：京津冀协同发展促使北京人口疏解，雄安新区带动河北局部人口流入。
社会因素：教育资源、医疗条件等公共服务差距加速人口向大城市集中。

二、春运流入流出数据及变化趋势（2023-2025）

1. 北方主要城市春运数据对比

城市	类型	2023春运流入(万)	2024春运流入(万)	2025春运流入(万)	3年变化率(%)	数据来源
北京	一线	2290	2350	2380	+3.9	北京交通委
天津	一线	1850	1880	1900	+2.7	天津春运专班
青岛	新一线	1520	1650	1780	+17.1	山东交通厅
沈阳	新一线	1430	1550	1680	+17.5	辽宁春运数据
石家庄	二线	1250	1320	1400	+12.0	河北春运报告
济南	二线	1180	1250	1310	+11.0	济南文旅局
太原	二线	980	1020	1050	+7.1	山西交通厅
保定	三线	850	880	910	+7.1	河北日报

注：流入数据包含铁路、公路、民航等综合客运量

2. 变化趋势解读

一线城市：北京、天津春运流入量增速放缓（<4%），反映常住人口减少对短期流动的影响。
新一线城市：青岛、沈阳增速超17%，显示区域交通枢纽地位提升。
三线城市：增速最低（约7%），与人口外流趋势一致。

3. 春运数据反映的问题

人口回流现象：东北地区春运流入增长显著，反映外出务工人员基数大。
旅游消费升级：青岛等城市春运流入增长快于常住人口增长，显示旅游吸引力提升。

三、Python可视化分析

1. 常住人口变化气泡图

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 数据准备
data = {'城市': ['北京','天津','青岛','沈阳','石家庄','济南','太原','保定','邯郸','鞍山'],'类型': ['一线','一线','新一线','新一线','二线','二线','二线','三线','三线','三线'],'2023人口': [2185.8,1373.0,1035.6,914.2,1120.5,943.7,543.5,919.2,928.4,332.1],'2024人口': [2184.5,1366.0,1042.3,918.0,1122.8,951.5,543.0,917.5,927.1,330.5],'变化率': [-0.06,-0.51,0.65,0.42,0.21,0.83,-0.09,-0.18,-0.14,-0.48]
}
df = pd.DataFrame(data)

输出：df1

在这里插入图片描述

# 气泡图可视化
plt.figure(figsize=(12,8))
sns.scatterplot(data=df, x='2023人口', y='变化率',size='2024人口', sizes=(100,1000),hue='类型', palette='Set2',alpha=0.8)
plt.axhline(0, color='grey', linestyle='--')
plt.title('北方主要城市2023-2024Q1常住人口变化', fontsize=15)
plt.xlabel('2023年常住人口(万人)')
plt.ylabel('人口变化率(%)')
plt.grid(True, alpha=0.3)
plt.legend(bbox_to_anchor=(1.05,1))
for i in range(df.shape[0]):plt.text(df['2023人口'][i]+10, df['变化率'][i]+0.02, df['城市'][i], fontsize=9)
plt.tight_layout()
plt.show()

图1：
在这里插入图片描述

2. 春运流入量趋势图

# 春运数据准备
spring_data = {'年份': [2023,2024,2025]*8,'城市': ['北京']*3+['天津']*3+['青岛']*3+['沈阳']*3+['石家庄']*3+['济南']*3+['太原']*3+['保定']*3,'流入量': [2290,2350,2380,1850,1880,1900,1520,1650,1780,1430,1550,1680,1250,1320,1400,1180,1250,1310,980,1020,1050,850,880,910],'类型': ['一线']*6+['新一线']*6+['二线']*6+['三线']*6
}
spring_df = pd.DataFrame(spring_data)# 分城市类型绘制趋势
plt.figure(figsize=(12,6))
sns.lineplot(data=spring_df, x='年份', y='流入量',hue='城市', style='类型',markers=True, dashes=False)
plt.title('北方主要城市春运流入量变化(2023-2025)', fontsize=15)
plt.ylabel('春运流入量(万人次)')
plt.grid(True, alpha=0.3)
plt.legend(bbox_to_anchor=(1.05,1))
plt.tight_layout()
plt.show()

图2：

在这里插入图片描述

3. 交互式可视化（Plotly）

import plotly.express as pxfig = px.scatter(df, x='2023人口', y='变化率',size='2024人口', color='类型',hover_name='城市',title='北方城市人口变化(2023-2024Q1)',labels={'2023人口':'2023年常住人口(万)','变化率':'人口变化率(%)'})
fig.update_traces(marker=dict(line=dict(width=1, color='DarkSlateGray')))
fig.update_layout(hovermode='closest')
fig.show()