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。
东京奥运会排行榜
东京奥运会中国金牌能排第一嘛？一起看看最近几届奥运会金牌榜排名。
08年北京奥运会中国第一，
12年伦敦奥运会中国第二，
16年里约热内卢奥运会中国排名第三，
年东京奥运会中国队排名第一？可能吗？
08年在家门口举行的奥运会，我们追求第一，但现在奥运会淡化很多，对金牌的追求也不象前些年，把更多的资源投入到国家建设上。使国家更强大，人民的生活更富足，这才是根本所在。
昨天加今天我们只有两枚金牌到账，今天美国金牌数量正在疯狂赶超，但我还是相信我们会是第一。
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。
怎么看待中国登顶奖牌榜？
奥运会的奖牌榜其实在一定程度上是世界各国综合国力的一种体现。一个国家在国际上的影响力包括政治影响力、经济影响力、军事影响力、科技影响力、文化影响力、体育影响力等多方面。冷战时期美国和苏联这两个超级大国在展开军备竞赛的同时也在奥运赛场上竞争奖牌榜第一的名次。年赫尔辛基奥运会上美国和苏联分别占据了奖牌榜前两名之后就开始美、苏两强在奥运会上的竞争博弈。
年墨尔本奥运会上苏联位居奖牌榜首位，而美国则位居奖牌榜第二位。年罗马奥运会又是苏联位居榜首、美国位居第二。年东京奥运会上美国位居榜首、苏联位居第二。年墨西哥城奥运会又是美国位居榜首、苏联位居第二。年慕尼黑奥运会上苏联位居榜首、美国位居第二。年蒙特利尔奥运会奖牌榜的前三名依次是苏联、东德、美国。
年莫斯科奥运会因苏联入侵阿富汗受到美国等国的抵制。年苏联及东欧国家又反过来抵制洛杉矶奥运会。年汉城奥运会上苏联、东德、美国三国再次占据奖牌榜前三甲的位置。纵观两极格局下的历届奥运会几乎都是美、苏两个超级大国的竞技场，从年以后东德也开始跻身前三甲之列。年巴塞罗那奥运会上由苏联各加盟共和国组成的独联体队位居奖牌榜首位，之后依次是美国、德国、中国......
年亚特兰大奥运会上美国、俄罗斯、德国、中国排在奖牌榜前四位。年悉尼奥运会上美国、俄罗斯、中国占据着奖牌榜前三甲。年雅典奥运会上美国、中国、俄罗斯位居奖牌榜前三位。年北京奥运会上中国利用东道主优势在金牌数量上超过了美国，但在奖牌总数上还是比美国少了10块。年伦敦奥运会上奖牌排名前四位的是美国、中国、英国、俄罗斯。
从年悉尼奥运会起奖牌榜的前三甲几乎就始终被美、中、俄三国占据，只有年伦敦奥运会上英国利用东道主优势入围前三。年伦敦奥运会上排名前11位的依次是美国、中国、英国、俄罗斯、韩国、德国、法国、意大利、匈牙利、澳大利亚、日本。如果把伦敦奥运会奖牌榜和年世界银行公布的世界各国家和地区GDP排行榜进行对比就会发现二者有很高的关联度。
排在奖牌榜前两名的美国和中国正好也是国内生产总值第一和第二。排名前11位的美国、中国、俄罗斯、英国、德国、日本、澳大利亚、法国、韩国、意大利也全部跻身世行GDP排名前15名。年北京奥运会的奖牌榜前10名是中国、美国、俄罗斯、英国、德国、澳大利亚、韩国、日本、意大利、法国。年雅典奥运会前10名是美国、中国、俄罗斯、澳大利亚、日本、德国、法国、意大利、韩国、英国。
由此可见奥运会奖牌榜的排名在相当程度上是与各国的经济总量呈正比的（当然这也并不是绝对的）。奥运会奖牌榜的排名并不是完全与各国的GDP排名一一对应的，不过在相当程度上的确是高度吻合的。体育是各国家和地区竞技实力的比拼，同时也是经济实力的比拼。从事高水平的竞技体育运动其实是一件十分“烧钱”的事情。一个国家的体育活力和它的经济活力之间其实有相当密切的“关联度”。
美国、中国、俄罗斯这几个大国一个奥运周期拿的奖牌数就相当于印度参加奥运会百年来的奖牌总数。如果说美国、中国、俄罗斯在人口数量、经济总量上占优势，那么印度也是全球第二人口大国、第五经济大国啊。印度尽管经济体量庞大，然而印度经济缺乏活力。在印度1%最富的人拥有印度全国财富的一半以上，5%最富的印度人拥有全国财富的68.6%，10%最富的人拥有全国财富的76.3%。
中国在国际上素来有“基建狂魔”之称：北京奥运会主体育场鸟巢、三峡工程、高铁网络以及仅用10天就建成交付的火神山医院无不体现了中国的基建能力。相比之下我们只要看看印度糟糕的供水卫生系统、糟糕的道路系统就不能看出印度的基建能力之差。在世界经济论坛对148个国家基础设施进行的排名中印度名列第85位。要提升体育实力首先得有体育场馆吧？这对印度的基建能力其实是不小的挑战。一个国家的体育实力也和科技实力有关：美国作为世界上科技力量最强大的国家在训练方面比别人强太多。美国作为一个医药业发达的国家在训练、恢复、促进方面都具有别人无法比拟的优势。长期与美国、中国竞争奥运会前三甲的俄罗斯尽管得以跻身世行GDP排名前15名，不过俄罗斯的经济总量在全球前15大经济体中排名是相对靠后的——连面积只有俄罗斯1/170的韩国也超过了俄罗斯的GDP总量。
由此可见奥运会奖牌榜其实与各国的经济实力、基建能力、科技能力均有较为密切的关系。奥运会奖牌榜在一定程度上可以视为是世界各国综合国力的反映：当然不能说奥运奖牌榜的排名和各自的综合国力排名是一一对应的，然而奥运会奖牌榜的前十名基本上也就是全世界综合国力最强的十个国家。既然奥运奖牌榜排名是综合国力的体现，那么美、中、俄三国长期占据前三甲也就毫不奇怪了。
美国作为体育强国的地位至少目前看来仍是难以撼动的：冷战时期美国长期与苏联、东德角逐奥运奖牌榜前三甲的席位。自从90年代美国成为全球唯一的超级大国后就长期占据奥运会奖牌榜首位。无论是在两极格局下还是现在的一超格局下美国都是世界公认的体育强国。尽管美国人口不足中国人口的1／4，但美国人均体育设施及其运动场地远高于中国。
东京奥运会上的奖牌榜上，中国正在追赶美国，如果你只是浏览美国媒体的奖牌榜，这么说真的“一点也没错”。
一种新的奖牌榜排名方式，在一种无法解释但（显然）全美国都接受的计数方法中，美国人不是根据哪个国家赢得最多金牌，而是根据哪个国家赢得最多奖牌来计算排名。
美国全国广播公司、纽约时报、华盛顿邮报以及所有美国媒体。
中国队比美国队获得的金牌多5枚，所以中国队赢得奖牌数。 就是这么简单。
科普一个小知识，年在圣路易斯举行的奥运会上，才提出了三色奖牌的概念，每个人都喜欢它。在此之前，获胜者获得银牌和橄榄枝，而亚军则分别获得铜牌和月桂枝。
此外，奖牌总数确实倾向于美国，因为美国通常拥有最多人数的奥运会代表团，因此获得奖牌的机会最多（613 人比我们的431人）。
不过好好想一想，还是挺尴尬的。美国没有像我们那样赢得那么多的金牌并不可耻呀。真的，谁在乎呢？毕竟国家不只是有体育比赛，还有新冠疫情的控制和康复，还有经济发展的速度，还有国家稳定、贫富差距、犯罪率等等可以比较，不是吗。
但让奖牌榜看起来像是美国人正在重新计算数字，连我一个中国网民都感到羞辱。哦，对了，新冠疫情的表现，美国也是排在第一，虽然是感染人数。
我只是不明白，从来没有人试图声称他们的公司为客户提供了“银标准”，顶级的服务被大肆宣传为“镀铜”。一克黄金的当前价格约488元，白银的价格约5元每克，一克青铜的售价约为6分钱。
如果美国人想说他们都是平等的，我愿意随时用我手里的黄铜和他们交换黄金。
无论如何，亲爱的美国人，你们可以好好庆祝并为取得的这样的成就而感到自豪，也许你们会习惯进入世界前三的这种感觉，因为在不久的将来，我们会在很多事情上，把你们拉下金牌榜，就像我们今天在做的这样。
最后为我们的中华健儿加油！
