Python抓取國家醫療費用數據：哪個國家花得最多、哪個國家花得最少？

作者：讀芯術 2020-07-01 14:40:37

數據科學就是利用各種工具包來解決問題，網絡抓取和正則表達式是我需要研究的兩個領域。結果簡短但復雜，這一項目展示了如何將三種技術結合起來解決數據科學問題。

本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。

整個世界正被大流行困擾著，不同國家拿出了不同的應對策略，也取得了不同效果。這也是本文的腦洞來源，筆者打算研究一下各國在醫療基礎設置上的開支，對幾個國家的醫療費用進行數據可視化。

由于沒有找到最近一年的可靠數據來源，所以這里使用的是2016年的數據。數據清楚哪個國家花得最多、哪個國家花得最少。我一直想試試在Python中網絡抓取和數據可視化，這算是個不錯的項目。雖然手動將數據輸入Excel肯定快得多，但是這樣就不會有寶貴的機會來練習一些技能了。

[[331939]]

要求

網絡抓取主要分為兩部分：

通過發出HTTP請求來獲取數據
通過解析HTMLDOM來提取重要數據

庫和工具

Requests能夠非常簡單地發送HTTP請求。
Pandas是一個Python包，提供快速、靈活和有表現力的數據結構。
Web Scraper可以幫助在不設置任何自動化瀏覽器的情況下抓取動態網站。
Beautiful Soup是一個Python庫，用于從HTML和XML文件中提取數據。
matplotlib是一個綜合的庫，用于在Python中創建靜態、動畫和交互式可視化效果。

設置

設置非常簡單，只需創建一個文件夾，并安裝BeautifulSoup和Requests。此處假設已經安裝了Python3.x，再根據指令來創建文件夾并安裝庫。

mkdir scraper 
pip install beautifulsoup4 
pip install requests 
pip install matplotlib 
pip install pandas

現在，在該文件夾中創建一個任意名稱的文件。這里用的是scraping.py.，然后在文件中導入Beautiful Soup和 requests，如下所示：

import pandas as pd 
from bs4 import BeautifulSoup 
import matplotlib.pyplot as plt 
import requests

抓取的內容：國家名;人均開銷。

網絡抓取

現在，所有scraper設置都已準備好，應向target URL發出GET請求以獲得原始HTML數據。

r =requests.get( https://api.scrapingdog.com/scrape?api_key=<YOUR_API_KEY>&url=https://data.worldbank.org/indicator/SH.XPD.CHEX.PC.CD?most_recent_value_desc=false&dynamic=true ).text

這將得出target URL的HTML代碼，我們必須使用Beautiful Soup來解析HTML。

soup = BeautifulSoup(r,’html.parser’) 
country=list() 
expense=list()

筆者用兩張空表來存儲國家名和每個國家24小時內的開支。可以看到，每個國家都存儲在一個“項目”標簽中，把所有的項目標簽都存儲在一張列表中。

try: 
 Countries=soup.find_all(“div”,{“class”:”item”}) 
except: 
 Countries=None

世界上有190個國家，為每個國家的醫療開支運行一個for循環：

for i in range(0,190): 
country.append(Countries[i+1].find_all(“div”,{“class”:None})[0].text.replace(“”,””)) 
expense.append(round(float(Countries[i+1].find_all(“div”,{“class”:None})[2].text.replace(“”,””).replace(‘,’,’’)))/365) 
Data = {‘country’:country,’expense’: expense}

因為我想看看這些國家每天是如何花錢的，所以把這筆費用除以365。如果把給定的數據直接除以365，這可能會更容易些，但這樣就沒有學習的意義了。現在的“數據”看起來是這樣的：

{ country : [ Central AfricanRepublic ,  Burundi ,  Mozambique ,  Congo, Dem. Rep. ,  Gambia, The ,  Niger , Madagascar ,  Ethiopia ,  Malawi ,  Mali ,  Eritrea ,  Benin ,  Chad , Bangladesh ,  Tanzania ,  Guinea ,  Uganda ,  Haiti ,  Togo ,  Guinea-Bissau , Pakistan ,  Burkina Faso ,  Nepal ,  Mauritania ,  Rwanda ,  Senegal ,  PapuaNew Guinea ,  Lao PDR ,  Tajikistan ,  Zambia ,  Afghanistan ,  Comoros , Myanmar ,  India ,  Cameroon ,  Syrian Arab Republic ,  Kenya ,  Ghana ,"Cote d Ivoire",  Liberia ,  Djibouti ,  Congo, Rep. ,  Yemen, Rep. , Kyrgyz Republic ,  Cambodia ,  Nigeria ,  Timor-Leste ,  Lesotho ,  SierraLeone ,  Bhutan ,  Zimbabwe ,  Angola ,  Sao Tome and Principe ,  SolomonIslands ,  Vanuatu ,  Indonesia ,  Vietnam ,  Philippines ,  Egypt, Arab Rep. , Uzbekistan ,  Mongolia ,  Ukraine ,  Sudan ,  Iraq ,  Sri Lanka ,  CaboVerde ,  Moldova ,  Morocco ,  Fiji ,  Kiribati ,  Nicaragua ,  Guyana , Honduras ,  Tonga ,  Bolivia ,  Gabon ,  Eswatini ,  Thailand ,  Jordan , Samoa ,  Guatemala ,  St. Vincent and the Grenadines ,  Tunisia ,  Algeria , Kazakhstan ,  Azerbaijan ,  Albania ,  Equatorial Guinea ,  El Salvador , Jamaica ,  Belize ,  Georgia ,  Libya ,  Peru ,  Belarus ,  Paraguay ,  NorthMacedonia ,  Colombia ,  Suriname ,  Armenia ,  Malaysia ,  Botswana , Micronesia, Fed. Sts. ,  China ,  Namibia ,  Dominican Republic ,  Iran,Islamic Rep. ,  Dominica ,  Turkmenistan ,  South Africa ,  Bosnia andHerzegovina ,  Mexico ,  Turkey ,  Russian Federation ,  Romania ,  St. Lucia , Serbia ,  Ecuador ,  Tuvalu ,  Grenada ,  Montenegro ,  Mauritius , Seychelles ,  Bulgaria ,  Antigua and Barbuda ,  Brunei Darussalam ,  Oman , Lebanon ,  Poland ,  Marshall Islands ,  Latvia ,  Croatia ,  Costa Rica , St. Kitts and Nevis ,  Hungary ,  Argentina ,  Cuba ,  Lithuania ,  Nauru , Brazil ,  Panama ,  Maldives ,  Trinidad and Tobago ,  Kuwait ,  Bahrain , Saudi Arabia ,  Barbados ,  Slovak Republic ,  Estonia ,  Chile ,  CzechRepublic ,  United Arab Emirates ,  Uruguay ,  Greece ,  Venezuela, RB , Cyprus ,  Palau ,  Portugal ,  Qatar ,  Slovenia ,  Bahamas, The ,  Korea,Rep. ,  Malta ,  Spain ,  Singapore ,  Italy ,  Israel ,  Monaco ,  SanMarino ,  New Zealand ,  Andorra ,  United Kingdom ,  Finland ,  Belgium , Japan ,  France ,  Canada ,  Austria ,  Germany ,  Netherlands ,  Ireland , Australia ,  Iceland ,  Denmark ,  Sweden ,  Luxembourg ,  Norway , Switzerland ,  United States ,  World ],  expense : [0.043835616438356165,0.049315068493150684, 0.052054794520547946, 0.057534246575342465,0.057534246575342465, 0.06301369863013699, 0.06575342465753424,0.07671232876712329, 0.0821917808219178, 0.0821917808219178,0.0821917808219178, 0.0821917808219178, 0.08767123287671233,0.09315068493150686, 0.09863013698630137, 0.10136986301369863,0.10410958904109589, 0.10410958904109589, 0.10684931506849316,0.10684931506849316, 0.1095890410958904, 0.11232876712328767,0.1232876712328767, 0.12876712328767123, 0.13150684931506848,0.14520547945205478, 0.1506849315068493, 0.1506849315068493, 0.15342465753424658,0.15616438356164383, 0.15616438356164383, 0.16164383561643836,0.16986301369863013, 0.1726027397260274, 0.17534246575342466,0.18082191780821918, 0.18082191780821918, 0.1863013698630137,0.1863013698630137, 0.1863013698630137, 0.1917808219178082, 0.1917808219178082,0.19726027397260273, 0.2, 0.2136986301369863, 0.21643835616438356,0.2191780821917808, 0.2356164383561644, 0.2356164383561644, 0.2493150684931507,0.25753424657534246, 0.2602739726027397, 0.2876712328767123, 0.29041095890410956,0.3013698630136986, 0.30684931506849317, 0.336986301369863,0.35342465753424657, 0.3589041095890411, 0.3698630136986301,0.3863013698630137, 0.3863013698630137, 0.41643835616438357,0.4191780821917808, 0.4191780821917808, 0.43561643835616437, 0.4684931506849315,0.4684931506849315, 0.4931506849315068, 0.5150684931506849, 0.5150684931506849,0.5260273972602739, 0.547945205479452, 0.5561643835616439, 0.5835616438356165,0.6027397260273972, 0.6054794520547945, 0.6082191780821918, 0.6136986301369863,0.6219178082191781, 0.6602739726027397, 0.684931506849315, 0.7013698630136986,0.7123287671232876, 0.7178082191780822, 0.7342465753424657, 0.7452054794520548,0.7698630136986301, 0.8054794520547945, 0.810958904109589, 0.8328767123287671,0.8438356164383561, 0.8575342465753425, 0.8657534246575342, 0.8712328767123287,0.8958904109589041, 0.8986301369863013, 0.9315068493150684, 0.9753424657534246,0.9835616438356164, 0.9917808219178083, 1.0410958904109588, 1.0602739726027397,1.0904109589041096, 1.104109589041096, 1.1342465753424658, 1.1369863013698631,1.1479452054794521, 1.158904109589041, 1.1726027397260275, 1.2164383561643837,1.2657534246575342, 1.284931506849315, 1.284931506849315, 1.3041095890410959,1.3424657534246576, 1.3534246575342466, 1.3835616438356164, 1.389041095890411,1.4136986301369863, 1.4575342465753425, 1.515068493150685, 1.6356164383561644,1.6767123287671233, 1.7068493150684931, 1.7287671232876711, 1.7753424657534247,1.8136986301369864, 2.2164383561643834, 2.3315068493150686, 2.3945205479452056,2.421917808219178, 2.4356164383561643, 2.5506849315068494, 2.5835616438356164,2.6164383561643834, 2.66027397260274, 2.706849315068493, 2.7726027397260276,2.7835616438356166, 2.852054794520548, 2.871232876712329, 2.915068493150685,2.926027397260274, 3.010958904109589, 3.1424657534246574, 3.1890410958904107,3.23013698630137, 3.2465753424657535, 3.263013698630137, 3.621917808219178,3.6246575342465754, 3.778082191780822, 4.13972602739726, 4.323287671232877,4.476712328767123, 4.586301369863014, 4.934246575342466, 5.005479452054795,5.024657534246575, 5.027397260273973, 5.6, 6.3780821917808215,6.5479452054794525, 6.745205479452054, 7.504109589041096, 7.772602739726027,8.054794520547945, 8.254794520547945, 10.26027397260274, 10.506849315068493,10.843835616438357, 11.27945205479452, 11.367123287671232, 11.597260273972603,11.67945205479452, 12.213698630136987, 12.843835616438357, 12.915068493150685,12.991780821917809, 13.038356164383561, 13.704109589041096, 13.873972602739727,15.24931506849315, 15.646575342465754, 17.18082191780822, 20.487671232876714,26.947945205479453, 27.041095890410958, 2.8109589041095893]}

數據幀

繪制圖表之前，必須使用Pandas準備一個數據幀。首先我們得明確DataFrame是什么：

DataFrame是一個二維大小可變的、潛在的異構表格式數據結構，帶有標記的軸(行和列)。創造一個數據幀非常簡單直接：

df = pd.DataFrame(Data,columns=[‘country’, ‘expense’])

可視化

我們大部分時間都花在收集和格式化數據上，現在到了做圖的時候啦，可以使用matplotlib和seaborn 來可視化數據。如果不太在意美觀，可以使用內置的數據幀繪圖方法快速顯示結果：

df.plot(kind = ‘bar’, x=’country’, y=’expense’) 
plt.show()

現在，結論出來了：許多國家每天的支出都低于一美元。這些國家中大多數都位于亞洲和非洲，看來世界衛生組織應更關注這些國家。

[[331940]]

圖源：unsplash

這不一定是一個值得出版的圖表，卻是結束一個小項目的最佳方式。

學習技術技能最有效的方法就是動手實踐。學習的過程比最終的結果更重要，在這個項目中，展示了如何使用3項關鍵的數據科學技能：

網頁抓取：檢索聯網數據
BeautifulSoup：分析數據以提取信息
可視化：展示所有的努力

比起技術更重要的是，找到自己感興趣的項目，不一定是能夠改變世界的事物才具有價值，從生活中探索有趣的項目吧。

責任編輯：趙寧寧來源：讀芯術

python 網絡抓取正則表達式