使用R语言进行美国失业率时空分析（包括绘图）

原创

已于 2024-11-29 13:17:12 修改 · 821 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#r语言 #开发语言 #ArcGIS #空间分析

于 2024-11-29 00:10:43 首次发布

今天写一篇利用R语言，针对面板数据的简单分析与绘图。让我们直接开始把。

一、数据准备

这次的示例数据非常简单，只有一个shp格式的美国区县矢量数据，我们在QGIS中打开数据查看一下它的属性表。事实上我们需要的数据都在属性表的字段中。

二、开始分析

1、引入必要的包，将本地的数据导入，查看数据是否正确。进行简单可视化。

library(sf)
library(tmap)

shp <- st_read("G:/Maping/demo/data/data/USA_data/ncovr/NAT.shp")

head(shp)

数据当中"UE60", "UE70", "UE80", "UE90"字段分别表示1960，1970，1980，1990年的美国各区县的失业率。下面我们别将各年份的数据可视化出来。

ue60 = tm_shape(shp) +
  tm_polygons("UE60", palette = "Reds", title = "1960 Unemployment Rate") +
  tm_compass(position = c(0.8, 0.86)) +
  tm_scale_bar(position = c(0.77,0.06), breaks = c(0,500,1000)) +
  tm_layout(legend.title.size = 0.8)
ue60

#如果想保存到本地，运行下面这句话就行了
tmap_save(ue60, "G:/Maping/ue60.png", dpi = 300)

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

梧桐GIS

关注关注

5
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
打赏
打赏
打赏举报

举报

可视化绘图技巧100篇高级篇（三）-时序图(一)

getusushu的博客

08-11

598

时序图（Sequence Diagram），又名序列图、循序图，是一种UML交互图。它通过描述对象之间发送消息的时间顺序显示多个对象之间的动态协作。它可以表示用例的行为顺序，当执行一个用例行为时，其中的每条消息对应一个类操作或状态机中引起转换的触发事件。

Volcanoes-in-the-United-States:在 Python 和 Folium 的帮助下，可视化美国的活跃火山。此外，创建一个区域分布图来展示同一国家的失业率

05-30

在美国的火山在 Python 和 Folium 的帮助下，可视化美国的活跃火山。此外，创建一个区域分布图来展示同一国家的失业率。 1. 安装依赖安装依赖项是您要做的第一件事。 #Library Management Package sudo apt install python3-pip #Library pip install folium 2. 了解目录中的文件数据火山_美国.txt us-states.json us-uneployment.csv 分步解决方案我为创建交互式字典的每个步骤创建了不同的文件，这里是每个文件的作用的描述。地理1.py 使用 folium.Map 创建底图地理2.py 使用 folium.Marker 添加单个标记 geo3.py 借助“for”循环添加多个标记地理4.py 加载数据并使用该数据绘制标记地理5.py

参与评论您还未登录，请先登录后发表或查看评论

US Unemployment Dataset (2010 - 2020) 美国失业数据集（2010-2020-数据集

03-18

此数据集包含从2010年1月到现在的美国失业率的时间序列数据。它包含基于教育资格，种族和成年人性别的失业率记录。该数据集还包含2020年各州的失业率数据。该数据集干净，不需要太多预处理。数据集也可以与Tableau等BI工具一起使用。 unemployment_data_us.csv unemployment_data_us_state.csv

美国年度失业率数据集（1948-2018年）

LoveForever4的博客

04-12

1393

数据集名称：美国年度失业率数据集时间范围：1948-2018年数据来源：stats.bls.gov 相关说明：失业率是指（一定时期满足全部就业条件的就业人口中仍未有工作的劳动力数字），旨在衡量闲置中的劳动产能，是反映一个国家或地区失业状况的主要指标。失业数据的月份变动可适当反应经济发展。失业率与经济增长率具有反向的对应变动关系。部分数据截图：下载链接：1948-2018年度失业率数据集.xlsx-数据集文档类资源-优快云下载 ...

地图（三）利用python绘制等值区域地图

微信知乎搜索HsuHeinrich

02-24

1038

利用python绘制等值区域地图

美国超2200万人失业，根据数据用Python实现可视化图，最后有结果有点吓人

qq_46614154的博客

05-15

1809

前言本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。目前，我国新冠疫情已经大幅度好转，各省市在3到4月份已经开始复产复工，连受灾最严重的武汉也解封了，全国的情况逐渐步入正轨。但同时全球疫情十分严峻，根据美国约翰斯.霍普金斯大学统计的数据显示，截至北京时间19日晚6时38分，全球新冠死亡病例超过16万例，达到161,324例，全球确诊病例突破230万，达2,343,293例。根据数据，目前死亡病例最多的国家..

Zillow美国房地产历史数据集分析实战

weixin_42571280的博客

09-05

717

Zillow 是美国领先的在线房地产信息平台，通过大数据与机器学习技术为用户提供房产估价、市场趋势分析及交易建议。其公开数据集涵盖全美数百万条房产记录，包含房屋特征、地理位置与时间序列信息，广泛应用于房地产投资、学术研究及政策制定领域。数据集时间跨度从2000年至今，覆盖美国各州、城市及邮政编码级别的精细化地理区域，具备高度的时空分辨率和统计分析价值。ARIMA（自回归积分滑动平均）模型是一种经典的非季节性时间序列预测模型。# 拟合ARIMA模型# 输出模型摘要# 预测未来12个月。

python进行数据预测_手把手教你用Python进行时间序列分解和预测

weixin_29775447的博客

01-13

4592

原标题：手把手教你用Python进行时间序列分解和预测作者：Mohit Sharma 翻译：数据派THU-王闯(Chuck)预测是一件复杂的事情，在这方面做得好的企业会在同行业中出类拔萃。时间序列预测的需求不仅存在于各类业务场景当中，而且通常需要对未来几年甚至几分钟之后的时间序列进行预测。如果你正要着手进行时间序列预测，那么本文将带你快速掌握一些必不可少的概念。目录什么是时间序列？如何在Pytho...

27、利用协同克里金面积插值法与区位及空间交互模型分析经济活动

alpha的博客

08-25

本文探讨了利用协同克里金面积插值法结合夜间灯光卫星数据估算希腊市政层级GDP的方法，并通过半变异函数分析与误差指标评估模型精度，结果显示该方法能有效反映经济活动的空间分布，尽管存在轻微低估。同时，文章还应用区位与空间交互模型，在意大利塔兰托省进行大型购物中心的最优选址分析，展示了城市系统建模在区域规划中的实际价值。研究突出了地理信息系统与遥感技术在社会经济变量空间化和城市发展决策中的重要作用。

27、经济活动估算的空间插值方法与城市系统模型分析

wine的专栏

08-29

本文探讨了两种空间分析方法在经济与城市系统研究中的应用。第一部分提出利用协同克里金区域插值方法，结合DMSP-OLS夜间灯光数据对希腊市政层级的GDP进行高精度空间分解，克服传统回归方法忽略空间自相关的局限。第二部分对比分析重力模型、活动定位模型与空间相互作用模型，构建塔兰托省大型购物中心的最优选址模型。研究表明，地统计插值技术能有效提升社会经济变量的空间化精度，而系统建模有助于理解城市区域复杂互动，为区域规划与决策提供科学支持。

数据可视化（python）----中国近十年就业GDP对比

快乐学习

08-08

6384

内容： 1.说明数据集获取的过程。如果数据集是采集的，请说明采集的来源与方式；如果是直接获取的，请说明数据源采用的是哪一个开放的数据集？ 2.说明本数据集的数据内容。 3.说明数据处理的过程。 4.说明数据可视化分析的过程。要求： 1.数据集的分析结果用可视化的图表示，并且要对每张图表做详细合理的说明，采用数据集的哪些数据生成图表，说明图表呈现的数据分布情况。如果图表可以预测出未来的发展趋势，也需进行说明。 2.第8章中的高级图表至少要用1种。 3.每张图表要有标题、图例、X/Y轴要设...

纽约市经济地图数据分析与可视化

它将经济统计数据（如GDP贡献、企业密度、行业分布、工资水平、失业率等）与地理位置坐标进行精准匹配，利用空间数据分析技术揭示经济现象在地理空间上的集聚性、扩散性和差异性。例如，曼哈顿下城作为华尔街所在地...

这7个不可错过的数据可视化技术，让你的位置信息跃然纸上

weixin_33881041的博客

08-14

312

研究人员们对于数据做了精心的分析处理后，一定想用生动形象的方式将自己辛苦挖掘出的数据呈现大家。好的可视化方法可以让数据为读者讲述出十分有趣的故事，直观的呈现也为数据消费者提供了高效的信息和决策的坚实依据。那么这7个可视化技术你一定不能错过~ Choropleths 如果你想要呈现基于地域的数据信息，那么choropleth一定是你的不二选择。通过对于不同...

Ranger部署

别人笑我太疯癫，我笑他人看不穿。

01-01

996

本文分享了Apache Ranger 2.6.0源码编译部署经验，重点解决以下问题：1) 编译环境准备，包括Maven 3.9.9、Python版本冲突、MySQL5等依赖；2) Maven配置优化，推荐使用阿里云镜像并调整JVM参数；3) 源码编译过程中的常见错误处理，如依赖包缺失、POM排序问题、多线程编译锁冲突等；4) 提供编译完成的资源下载链接。作者耗时约9小时完成完整编译，建议选择性编译所需模块，并针对Hadoop3.2.3+Hive3.1.3环境使用Ranger 2.6.0版本。

ResponseBodyEmitter 实时异步流式推送

weixin_46136610的博客

01-05

336

高效传输：减少无效请求实时性好：数据变更立即推送实现简单：基于HTTP协议内存友好：流式处理大数据记住，ResponseBodyEmitter适合单向服务器推送的场景，对于需要双向通信的场景，还是需要WebSocket。但对大多数实时数据推送需求，ResponseBodyEmitter绝对是更优的选择！

R制作研究报告

weixin_43724176的博客

01-02

858

本文介绍了使用R语言进行研究报告制作的方法，重点阐述了"文学式编程"理念及其在统计分析中的应用。通过R的knitr、rmarkdown和bookdown等扩展包，可以实现将计算程序与报告内容结合在单一源文件中，自动生成包含计算结果、图表的研究报告。文章详细比较了Markdown和LaTeX两种格式的特点及应用场景，并提供了Markdown语法规范，包括段落格式、标题、引用等基本元素的使用说明。这种方法不仅提高了研究报告的制作效率，还支持多种输出格式（HTML、PDF、Word等），是进行

【StarFleet/Ops】2026年度联邦星舰企业架构演进与深空探测日志索引 (System Log Index)

2503_94697186的博客

01-05

587

并防止内部进程破坏连接。

NiFi-Rule-engine-processor

最新发布

无痕的博客

01-05

606

NiFi Rule Engine Processor 是一个功能强大的处理器，核心作用是基于用户定义的一系列规则，对数据流（FlowFile）进行动态的、可配置的逻辑判断和处理。简单来说，它将业务逻辑“规则化”，允许你在一个处理器内实现复杂的路由、修改、过滤等操作，而无需串联多个条件判断处理器。1、：你可以编写一系列“如果...那么...”式的规则。：替代了传统上需要多个 RouteOnAttribute、UpdateAttribute、RouteOnContent 等处理器串联才能实现的复杂逻辑。

详解Linux下xrandr工具：从基础配置到三显示器扩展桌面

bkspiderx的博客

12-31

1112

Linux下xrandr工具：多显示器配置指南本文详细介绍了Linux系统中xrandr工具的实用方法，从基础操作到高级配置。主要内容包括：基础操作：通过xrandr命令查看显示器状态，调整单显示器的分辨率、刷新率和旋转方向。多显示器配置：重点讲解三显示器扩展桌面的设置方法，包括常见的左-中-右横向布局和灵活的位置调整方案。高级功能：介绍如何添加自定义分辨率解决特殊显示需求，以及通过启动脚本实现配置持久化。该指南帮助用户充分利用xrandr工具，在Linux环境下高效搭建多屏工作环境，提升办公效率

利用R语言分析美国失业率的情况的代码

04-15

<think>好的，我现在需要帮助用户寻找用R语言分析美国失业率的代码示例，包括数据可视化和统计分析。首先，我需要回顾用户提供的引用内容，看看是否有相关的参考资料可以利用。用户提供的引用中，引用[1]提到了使用lmPerm包进行置换检验和ANCOVA分析，这可能与统计建模有关。引用[2]展示了时间序列分解的Python代码，但用户需要的是R语言，所以可能需要转换思路。引用[3]详细讲解了独立样本t检验在R中的应用，这可能对统计分析部分有帮助，但用户的需求是失业率分析，可能需要不同的方法。接下来，我需要确定用户的需求。他们想要分析美国失业率的示例代码，包括可视化和统计分析。可能的步骤包括数据获取、数据清洗、可视化（如时间序列图、季节性分解）、统计模型（如线性回归、时间序列分析）等。首先，数据获取方面，R中有内置数据集，比如economics数据集，其中包含美国失业率数据。这样可以方便用户直接使用，无需外部数据下载。如果用户需要更实时的数据，可能需要从其他来源获取，比如FRED，但考虑到方便性，先使用内置数据集。数据可视化部分，可以使用ggplot2来绘制失业率的时间趋势图，引用[2]中的时间序列分解虽然是用Python，但R中可以使用类似的函数，比如stl()进行季节性分解。需要展示如何绘制时间序列图和分解图。统计分析部分，可能需要做趋势分析，比如线性回归或时间序列模型（如ARIMA）。引用[3]中的t检验可能不直接适用，但用户可能需要比较不同时期的失业率，或者不同分组（如不同地区）的失业率差异，这时t检验就有用了。此外，引用[1]中的置换检验或ANCOVA可能用于更复杂的模型，但需要看用户的具体需求是否需要。接下来，我需要组织代码示例。首先加载必要的包，如ggplot2、lubridate、forecast等。然后使用economics数据集，处理日期格式，绘制时间序列图。然后进行季节性分解，可能需要将数据转换为时间序列对象，使用stl()函数。对于统计分析，可以进行简单线性回归分析趋势，或者进行时间序列分析如ARIMA模型。另外，用户可能需要比较不同年份的失业率，这时可以提取年份，进行分组t检验，如引用[3]中的方法。例如比较2000年前后的失业率均值是否有差异。这可以作为统计分析的一个示例。需要注意代码的注释和解释，确保用户能够理解每一步的目的。同时，需要检查代码的正确性，比如时间序列分解时频率的设置是否正确，模型参数是否合理等。最后，生成相关问题，可能涉及更深入的分析方法、数据源扩展、高级模型应用等，帮助用户进一步探索。总结步骤： 1. 数据加载与预处理 2. 时间序列可视化 3. 季节性分解 4. 统计趋势分析（线性回归） 5. 时间序列模型（ARIMA） 6. 分组比较（t检验） 7. 相关问题生成需要确保代码在R中能够运行，并给出预期的输出结果。同时，引用相关的参考资料，比如在t检验部分引用[3]，在时间序列分解部分引用[2]的思路，统计模型部分引用[1]的方法。</think>以下是为您整理的R语言分析美国失业率完整示例代码及解析，包含数据可视化和统计分析： ### 一、数据准备与可视化 ```r # 加载必要包 library(ggplot2) library(lubridate) library(forecast) # 使用R内置数据集 data(economics) unemp_data <- economics[, c("date", "unemploy")] # 基础时间序列图 ggplot(unemp_data, aes(x = date, y = unemploy)) + geom_line(color = "#0072B2") + labs(title = "美国失业人口趋势（1967-2015）", x = "日期", y = "失业人数（千）") + theme_minimal() ``` ### 二、时间序列分解 ```r # 转换为时间序列对象 ts_data <- ts(unemp_data$unemploy, start = c(1967, 7), frequency = 12) # 季节分解（STL方法） decomp <- stl(ts_data, s.window = "periodic") # 绘制分解图 autoplot(decomp) + ggtitle("失业率时间序列分解（趋势/季节/残差）") + theme_bw() ``` [^2] ### 三、统计分析 #### 1. 趋势分析 ```r # 线性趋势拟合 lm_model <- lm(unemploy ~ as.numeric(date), data = unemp_data) summary(lm_model) # 趋势预测 future_dates <- seq(max(unemp_data$date), by = "1 month", length.out = 12) forecast_values <- predict(lm_model, newdata = data.frame(date = as.numeric(future_dates))) # 可视化预测 ggplot(unemp_data, aes(x = date, y = unemploy)) + geom_line() + geom_line(data = data.frame(date = future_dates, unemploy = forecast_values), color = "red", linetype = 2) + ggtitle("失业率趋势预测") ``` #### 2. 时间序列建模（ARIMA） ```r # 自动ARIMA建模 arima_model <- auto.arima(ts_data) summary(arima_model) # 未来5年预测 forecast_result <- forecast(arima_model, h = 60) autoplot(forecast_result) + ggtitle("ARIMA模型预测结果") ``` #### 3. 分组比较检验 ```r # 创建分组变量（比较2000年前后） unemp_data <- transform(unemp_data, era = ifelse(year(date) >= 2000, "2000后", "2000前")) # 执行t检验 t_test_result <- t.test(unemploy ~ era, data = unemp_data) print(t_test_result) ``` [^3] ### 四、进阶分析建议 ```r # 使用协方差分析（ANCOVA） library(lmPerm) ancova_model <- aovp(unemploy ~ era + as.numeric(date), data = unemp_data) summary(ancova_model) ``` [^1]