当前位置： 首页 > news >正文

【数据可视化-17】基于pyecharts的印度犯罪数据可视化分析

news 2025/8/26 22:46:24

🧑 博主简介：曾任某智慧城市类企业算法总监，目前在美国市场的物流公司从事高级算法工程师一职，深耕人工智能领域，精通python数据挖掘、可视化、机器学习等，发表过AI相关的专利并多次在AI类比赛中获奖。CSDN人工智能领域的优质创作者，提供AI相关的技术咨询、项目开发和个性化解决方案等服务，如有需要请站内私信或者联系任意文章底部的的VX名片（ID：xf982831907）

💬 博主粉丝群介绍：① 群内初中生、高中生、本科生、研究生、博士生遍布，可互相学习，交流困惑。② 热榜top10的常客也在群里，也有数不清的万粉大佬，可以交流写作技巧，上榜经验，涨粉秘籍。③ 群内也有职场精英，大厂大佬，可交流技术、面试、找工作的经验。④ 进群免费赠送写作秘籍一份，助你由写作小白晋升为创作大佬。⑤ 进群赠送CSDN评论防封脚本，送真活跃粉丝，助你提升文章热度。有兴趣的加文末联系方式，备注自己的CSDN昵称，拉你进群，互相学习共同进步。

在这里插入图片描述

【数据可视化-17】基于pyecharts的印度犯罪数据可视化分析

  • 一、引言
  • 二、数据加载介绍
    • 2.1 导入必要的库
    • 2.2 读取数据
    • 2.3 数据探索
  • 三、数据预处理
  • 四、可视化分析
    • 4.1 城市犯罪计数统计
    • 4.2 不同犯罪领域的案件持续时间
    • 4.3 不同犯罪领域的警力部署
    • 4.4 犯罪类型的分布情况
    • 4.5 受害者性别分布
    • 4.6 各城市犯罪领域分布
    • 4.7 各种武器在犯罪类型里使用的频率
    • 4.8 受害者各年龄数量分布
    • 4.9 不同年龄区间的受害者数量
  • 总结

一、引言

  在当今社会，犯罪数据的分析对于理解犯罪模式、优化警力部署和提升公共安全具有重要意义。本文将利用 Python 的 pyecharts 库对 2020 年至 2024 年印度多个城市的犯罪数据进行可视化分析，涵盖多个关键维度。

二、数据加载介绍

2.1 导入必要的库

  首先，我们需要导入必要的Python库，包括pandas和pyecharts。

import pandas as pd
from datetime import datetime
from pyecharts.charts import Bar, Line, Pie, Scatter, Map, Grid, Tab
from pyecharts import options as opts
from pyecharts.globals import ThemeType

2.2 读取数据

  假设我们的数据集保存在一个CSV文件中，名为india_crime.csv。

data = pd.read_csv('india_crime_data.csv')

2.3 数据探索

  数据维度情况：

  数据的部分展示：

  查看数据简要概述信息：

  • Report Number - 报告编号
  • Date Reported - 报告日期
  • Date of Occurrence - 发生日期
  • Time of Occurrence - 发生时间
  • City - 城市
  • Crime Code - 犯罪代码
  • Crime Description - 犯罪描述
  • Victim Age - 受害者年龄
  • Victim Gender - 受害者性别
  • Weapon Used - 使用武器
  • Crime Domain - 犯罪领域
  • Police Deployed - 警力部署
  • Case Closed - 案件结案
  • Date Case Closed - 结案日期

  数据种缺失值情况：

三、数据预处理

  在进行可视化之前，我们需要对数据进行一些预处理，包括数据清洗、字段转换等。

# 转换日期字段
df['Date Reported'] = pd.to_datetime(df['Date Reported'])
df['Date of Occurrence'] = pd.to_datetime(df['Date of Occurrence'])
df['Date Case Closed'] = pd.to_datetime(df['Date Case Closed'], errors='coerce')
df['Time of Occurrence'] = pd.to_datetime(df['Time of Occurrence'], dayfirst=True)

  缺失值处理，使用’2020-01-01’来填充’Date Case Closed’字段种的缺失值。

df['Date Case Closed'] = df['Date Case Closed'].fillna(pd.to_datetime('2020-01-01'))

四、可视化分析

4.1 城市犯罪计数统计

  统计每个城市的犯罪数量，了解犯罪高发地区。

# 城市犯罪计数统计
city_crime_count = df['City'].value_counts().reset_index()
city_crime_count.columns = ['City', 'Crime Count']
city_crime_count = city_crime_count.sort_values(by='Crime Count')bar = (Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px')).add_xaxis(city_crime_count['City'].tolist()).add_yaxis("", city_crime_count['Crime Count'].tolist()).set_series_opts(label_opts=opts.LabelOpts(is_show=True),     #True,显示柱状图上的数字).set_global_opts(title_opts=opts.TitleOpts(title="城市犯罪计数统计",subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_left="center"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)),  #legend_opts=opts.LegendOpts(is_show=True),visualmap_opts=opts.VisualMapOpts(is_show=False,pos_top='60%',pos_left='40%',range_color=["green", "yellow", "red", "pink", "orange", "purple"])).reversal_axis())
bar.render("city_crime_count.html")
bar.render_notebook()

4.2 不同犯罪领域的案件持续时间

  计算不同犯罪领域的案件平均持续时间。

# 不同犯罪领域的案件持续时间
df['Case Duration'] = (df['Date Case Closed'] - df['Date of Occurrence']).dt.days
df['Case Duration'] = df['Case Duration'].fillna(df['Case Duration'].median())crime_domain_duration = df.groupby('Crime Domain')['Case Duration'].mean().reset_index()
crime_domain_duration.columns = ['Crime Domain', 'Average Duration']c = (Bar(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px')).add_xaxis(crime_domain_duration['Crime Domain'].tolist()).add_yaxis("", crime_domain_duration['Average Duration'].round(2).tolist()).set_series_opts(label_opts=opts.LabelOpts(is_show=True),     #True,显示柱状图上的数字).set_global_opts(title_opts=opts.TitleOpts(title="不同犯罪领域的案件持续时间",subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_left="center"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=30)),  #legend_opts=opts.LegendOpts(is_show=True),visualmap_opts=opts.VisualMapOpts(is_show=False,pos_top='60%',pos_left='40%',range_color=["pink"])))
c.render("crime_domain_duration.html")
c.render_notebook()

4.3 不同犯罪领域的警力部署

  分析不同犯罪领域所需的警力部署情况。

categories = df['Crime Domain'].unique().tolist()box_data = []
for category in categories:group = df[df['Crime Domain'] == category]['Police Deployed']box_data.append(group.tolist())  # 注意：这不是标准的箱线图数据格式！c = (Boxplot(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px')).add_xaxis(categories).add_yaxis("", Boxplot.prepare_data(box_data)).set_series_opts(label_opts=opts.LabelOpts(is_show=True),     #True,显示柱状图上的数字).set_global_opts(title_opts=opts.TitleOpts(title="不同犯罪领域的警力部署",subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_left="center"),xaxis_opts=opts.AxisOpts(type_="category", name="区域", axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(type_="value", name="警力部署"),datazoom_opts=[opts.DataZoomOpts(), opts.DataZoomOpts(type_="inside")],visualmap_opts=opts.VisualMapOpts(is_show=False,pos_top='60%',pos_left='40%',range_color=["yellow"]))
)c.render("crime_domain_police.html")
c.render_notebook()

4.4 犯罪类型的分布情况

  分析不同犯罪类型的分布情况。

# 颜色分布
color_counts = df['Crime Description'].value_counts()
# 生成饼图数据
color_data = [(color, count) for color, count in color_counts.items()]# 创建饼图
pie_chart = (Pie(init_opts=opts.InitOpts(theme='dark',width='1200px', height='600px')).add("", color_data)# .set_colors(colors)  # 使用颜色映射列表.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")).set_global_opts(title_opts=opts.TitleOpts(title='犯罪类型的分布情况',subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_top='0%',pos_left="center",title_textstyle_opts=opts.TextStyleOpts(color='#228be6',font_size=15)),# visualmap_opts=opts.VisualMapOpts(#     is_show=False,#     max_=600,#     pos_top='70%',#     pos_left='20%',#     range_color=["green", "yellow", "red", "pink", "orange"]# ),legend_opts=opts.LegendOpts(is_show=True, pos_right="0%", pos_top="5%",orient="vertical"),)
)
pie_chart.render("pie_set_color.html")
# 渲染图形
pie_chart.render_notebook()

4.5 受害者性别分布

  分析受害者的性别分布情况。

# 受害者性别分布
gender_distribution = df['Victim Gender'].value_counts()
gender_distribution  = [(color, count) for color, count in gender_distribution.items()]# 创建饼图
pie_chart = (Pie(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px')).add("", gender_distribution)# .set_colors(colors)  # 使用颜色映射列表.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")).set_global_opts(title_opts=opts.TitleOpts(title='受害者性别分布',subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_top='0%',pos_left="center",title_textstyle_opts=opts.TextStyleOpts(color='#228be6',font_size=15)),legend_opts=opts.LegendOpts(is_show=True, pos_right="10%", pos_top="40%",orient="vertical"),)
)
pie_chart.render("gender_distribution.html")
# 渲染图形
pie_chart.render_notebook()

4.6 各城市犯罪领域分布

  分析各城市的犯罪领域分布情况。

from pyecharts.charts import HeatMapcity_domain_distribution = df.groupby(['City', 'Crime Domain']).size().unstack().fillna(0).reset_index()
city_domain_distribution = city_domain_distribution.melt(id_vars='City', var_name='Crime Domain', value_name='Count')FA = city_domain_distribution[city_domain_distribution['Crime Domain'] == 'Fire Accident'][['City','Count']]
OC = city_domain_distribution[city_domain_distribution['Crime Domain'] == 'Other Crime'][['City','Count']]
TF = city_domain_distribution[city_domain_distribution['Crime Domain'] == 'Traffic Fatality'][['City','Count']]
VC = city_domain_distribution[city_domain_distribution['Crime Domain'] == 'Violent Crime'][['City','Count']]data = FA.merge(OC,how='left',on='City',suffixes=('_df1', '_df2'))
data = data.merge(TF,how='left',on='City',suffixes=('', '_df3'))
data = data.merge(VC,how='left',on='City',suffixes=('', '_df4'))
data.columns = ['City','Fire Accident','Other Crime','Traffic Fatality','Violent Crime']# 创建堆叠柱状图
bar = (Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))  # 使用明亮的主题.add_xaxis(data['City'].tolist()).add_yaxis('Fire Accident', data['Fire Accident'].tolist(), stack='stack1', color='blue', label_opts=opts.LabelOpts(is_show=False)).add_yaxis('Other Crime', data['Other Crime'].tolist(), stack='stack1', color='green', label_opts=opts.LabelOpts(is_show=False)).add_yaxis('Traffic Fatality', data['Traffic Fatality'].tolist(), stack='stack1', color='orange', label_opts=opts.LabelOpts(is_show=False)).add_yaxis('Violent Crime', data['Violent Crime'].tolist(), stack='stack1', color='red', label_opts=opts.LabelOpts(is_show=False)).set_global_opts(title_opts=opts.TitleOpts(title='各城市犯罪领域分布',subtitle="""--公众号:NLP随手记  CSDN:云天徽上--""",pos_left="center"),xaxis_opts=opts.AxisOpts(name='城市', axislabel_opts=opts.LabelOpts(rotate=45)),yaxis_opts=opts.AxisOpts(name='犯罪数'),datazoom_opts=opts.DataZoomOpts(),  # 添加滑动条功能legend_opts=opts.LegendOpts(is_show=True, pos_right="-5%", pos_top="40%",orient="vertical"),# toolbox_opts=opts.ToolboxOpts(is_show=True)  # 启用工具箱)
)bar.render("city_domain_distribution.html")
bar.render_notebook()

4.7 各种武器在犯罪类型里使用的频率

  分析不同犯罪类型中各种武器的使用频率。

# 各种武器在犯罪类型里使用的频率
weapon_crime_distribution = df.groupby(['Crime Description', 'Weapon Used']).size().unstack().fillna(0).reset_index()
weapon_crime_distribution = weapon_crime_distribution.melt(id_vars='Crime Description', var_name='Weapon Used', value_name='Count')Blunt  = weapon_crime_distribution[weapon_crime_distribution['Weapon Used']=='Blunt Object'].set_index('Crime Description')['Count'].to_dict()
Explosives = weapon_crime_distribution[weapon_crime_distribution['Weapon Used']=='Explosives'].set_index('Crime Description')['Count'].to_dict()
Firearm  = weapon_crime_distribution[weapon_crime_distribution['Weapon Used']=='Firearm'].set_index('Crime Description')['Count'].to_dict()
Knife  = weapon_crime_distribution[weapon_crime_distribution['Weapon Used']=='Knife'].set_index('Crime Description')['Count'].to_dict()
Poison  = weapon_crime_distribution[weapon_crime_distribution['Weapon Used']=='Poison'].set_index('Crime Description')['Count'].to_dict()
None1  = weapon_crime_distribution[weapon_crime_distribution['Weapon Used']=='None'].set_index('Crime Description')['Count'].to_dict()
Other  = weapon_crime_distribution[weapon_crime_distribution['Weapon Used']=='Other'].set_index('Crime Description')['Count'].to_dict()Blunt_list = [[key, value] for key, value in Blunt.items()]
Explosives_list = [[key, value] for key, value in Explosives.items()]
Firearm_list = [[key, value] for key, value in Firearm.items()]
Knife_list = [[key, value] for key, value in Knife.items()]
Poison_list = [[key, value] for key, value in Poison.items()]
None1_list = [[key, value] for key, value in None1.items()]
Other_list = [[key, value] for key, value in Other.items()]c = (Pie(init_opts=opts.InitOpts(theme='dark',width='1400px', height='700px')).add("",Blunt_list,   # 两个值radius=["15%", "20%"],  # 大小center=["10%", "20%"],  # 位置rosetype="radius",   label_opts=opts.LabelOpts(is_show=False),  # 不在图形上显示数据).add("",Explosives_list,   # 两个值radius=["15%", "20%"],  # 大小center=["40%", "20%"],  # 位置rosetype="radius",   label_opts=opts.LabelOpts(is_show=False),  # 不在图形上显示数据).add("",Firearm_list,   # 两个值radius=["15%", "20%"],  # 大小center=["70%", "20%"],  # 位置rosetype="radius",   label_opts=opts.LabelOpts(is_show=False),  # 不在图形上显示数据).add("",Knife_list,   # 两个值radius=["15%", "20%"],  # 大小center=["10%", "50%"],  # 位置rosetype="radius",   label_opts=opts.LabelOpts(is_show=False),  # 不在图形上显示数据).add("",Poison_list,   # 两个值radius=["15%", "20%"],  # 大小center=["40%", "50%"],  # 位置rosetype="radius",   label_opts=opts.LabelOpts(is_show=False),  # 不在图形上显示数据).add("",None1_list,   # 两个值radius=["15%", "20%"],  # 大小center=["70%", "50%"],  # 位置rosetype="radius",   label_opts=opts.LabelOpts(is_show=False),  # 不在图形上显示数据).add("",Other_list,   # 两个值radius=["15%", "20%"],  # 大小center=["40%", "80%"],  # 位置rosetype="radius",   label_opts=opts.LabelOpts(is_show=False),  # 不在图形上显示数据).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")).set_global_opts(title_opts=opts.TitleOpts(title='各种武器在犯罪类型里使用的频率',subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_top='0%',pos_left="center",title_textstyle_opts=opts.TextStyleOpts(color='#228be6',font_size=15)),legend_opts=opts.LegendOpts(is_show=True, pos_right="0%", pos_top="20%",orient="vertical"),)
)c.render("weapon_domain_distribution.html")
c.render_notebook()

4.8 受害者各年龄数量分布

  分析受害者年龄的分布情况。

age_distribution = df['Victim Age'].value_counts().reset_index()
age_distribution.columns = ['Age', 'Count']
age_distribution = age_distribution.sort_values(by='Age')# 创建散点图
scatter = (Scatter(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px')).add_xaxis(age_distribution['Age'].tolist()).add_yaxis("", age_distribution['Count'].tolist(), symbol_size=10,label_opts=opts.LabelOpts(is_show=False),itemstyle_opts=opts.ItemStyleOpts(color="skyblue", opacity=0.6))  # 设置散点大小.set_global_opts(title_opts=opts.TitleOpts(title='受害者性别分布',subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_top='0%',pos_left="center",title_textstyle_opts=opts.TextStyleOpts(color='#228be6',font_size=15)),xaxis_opts=opts.AxisOpts(type_="category", name="受害者年龄",boundary_gap=False,max_=82),yaxis_opts=opts.AxisOpts(type_="value", name="数量",max_=max(age_distribution['Count'].tolist())+30, min_=min(age_distribution['Count'].tolist())-30),visualmap_opts=opts.VisualMapOpts(type_="size",is_show=False,pos_top='60%',pos_left='40%',range_color=["purple"],max_=max(age_distribution['Count'].tolist()),min_=min(age_distribution['Count'].tolist())),# visualmap_opts=opts.VisualMapOpts(type_="size"),  # 根据数量设置散点大小tooltip_opts=opts.TooltipOpts(formatter="{b}: {c}"),  # 鼠标悬停提示)
)scatter.render("age_distribution.html")
scatter.render_notebook()

4.9 不同年龄区间的受害者数量

  分析不同年龄区间的受害者数量分布情况。

bins = [0, 17, 24, 34, 44, 54, 64, 74, 84, 94, 1000]
labels = ['0-17', '18-24', '25-34', '35-44', '45-54', '55-64', '65-74', '75-84', '85-94', '95+']
df['Age Group'] = pd.cut(df['Victim Age'], bins=bins, labels=labels, right=True)
# 将 Age Group 转换为有序类别
df['Age Group'] = pd.Categorical(df['Age Group'], categories=labels, ordered=True)
# 计算每个年龄区间的数量
vic_age = df['Age Group'].value_counts()gender_distribution  = [(color, count) for color, count in vic_age.items()]# 创建饼图
pie_chart = (Pie(init_opts=opts.InitOpts(theme='dark',width='1000px', height='600px')).add("", gender_distribution)# .set_colors(colors)  # 使用颜色映射列表.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")).set_global_opts(title_opts=opts.TitleOpts(title='不同年龄区间的受害者数量分布',subtitle="""--公众号:NLP随手记, CSDN:云天徽上--""",pos_top='0%',pos_left="center",title_textstyle_opts=opts.TextStyleOpts(color='#228be6',font_size=15)),legend_opts=opts.LegendOpts(is_show=True, pos_right="10%", pos_top="40%",orient="vertical"),)
)
pie_chart.render("age_group_distribution.html")
# 渲染图形
pie_chart.render_notebook()

总结

  以上代码实现了对印度犯罪数据的10个关键维度的可视化分析。通过 pyecharts，我们能够直观地展示城市犯罪数量、犯罪领域、警力部署、受害者特征等多方面的信息。这些可视化图表可以帮助研究人员、政策制定者和执法机构更好地理解犯罪模式，从而制定更有效的公共安全策略。

http://www.lryc.cn/news/536879.html

相关文章：

  • HTTP请求报文头和相应报文头
  • 19.4.9 数据库方式操作Excel
  • BFS 走迷宫
  • 【Linux系统】—— 简易进度条的实现
  • Qt 中使用 SQLite 数据库的完整指南
  • 数智化时代的工单管理：从流程驱动到数据驱动-亿发
  • Large Language Model Distilling Medication Recommendation Model
  • floodfill算法系列一＞被围绕的区域
  • Redis 01 02章——入门概述与安装配置
  • windows基于cpu安装pytorch运行faster-whisper-large-v3实现语音转文字
  • AI大模型（如GPT、BERT等）可以通过自然语言处理（NLP）和机器学习技术，显著提升测试效率
  • 【Prometheus】prometheus黑盒监控balckbox全面解析与应用实战
  • CSS实现单行、多行文本溢出显示省略号（…）
  • 服务器中部署大模型DeepSeek-R1 | 本地部署DeepSeek-R1大模型 | deepseek-r1部署详细教程
  • 元学习之孪生网络Siamese Network
  • 深入HBase——引入
  • Python创建FastApi项目模板
  • TCNE 网络安全
  • 车规MCU处理器选择Cortex-M7还是Cortex-R52？
  • 什么是计算机中的 “终端”？
  • LeetCode刷题---字符串---819
  • SSH IBM AIX服务器相关指标解读
  • Wireshark TS | 再谈虚假的 TCP Spurious Retransmission
  • 基于kafka、celery的日志收集报警项目
  • QML使用ChartView绘制饼状图
  • 头歌实验--面向对象程序设计
  • DeepSeek-R1 蒸馏 Qwen 和 Llama 架构 企业级RAG知识库
  • App UI自动化--Appium学习--第二篇
  • 【SpringBoot实现全局API限频】 最佳实践
  • Day1 25/2/14 FRI