如何评价2020年东京奥运会的奖牌设计？
在本届奥运会中，日本创新了奖牌制作方式，首次用回收的旧手机和家电来制作"绿色奖牌"，这种创新环保理念不仅仅是领先全球这么简单，更是令人感觉震撼。
统计称日本百姓已捐出了500多万部旧手机和近4.8吨其他电子设备，已收集到了所需铜数量的100%、银数量的85.4%和金数量的93.7%。
而近日，东京奥组委对外宣布，已收集、提炼完成了枚明年奥运会和残奥会奖牌所需的再生金属。
这项耗时两年完成的回收工作，被命名为“利用都市矿山制作!大家的奖牌计划”。有趣的是“都市矿山”这个词，来源于废弃的手机和电脑等内藏的电子基板中可以提取的金银等贵重金属。东京奥运会要用来制作金银铜牌的也是小型家电中的这些电子基板部分，也即是说，虽然原材料是垃圾，但含金量确实百分之百的。
谈到日本制作的"绿色奖牌"，网友都十分震撼："环保至极！虽然这不是什么新的设计发明，但东京奥组委的这种保护环境的理念却十分令人佩服！"当然，也有网友调侃道："不知运动员拿到奖牌之后，咬一口是不是有一股“苹果”和CPU的味道？"
去年10月首次公布回收进展后，东京奥委会一度担心银牌所需材料不足，从秋天开始在全国范围设置回收箱，呼吁大家：废弃的手机和笔记本电脑都扔到这里来啊。”
除了个人，日本不少大型企业都参与了这个回收计划，捐赠了公司寿终正寝的手机：例如日本邮政就捐赠了被淘汰的0台公务手机，东京瓦斯和三井住友银行也分别贡献了被淘汰的台公务手机，仍在进行这项计划TOTO公司，特别设置了移动回收装置，用一整年的时间在全国40个公司据点巡回，回收集团职员及家族不再使用的旧手机。
本次东京奥运会奖牌计划所回收的28种电子产品，在日本的垃圾分类里被归为“小型家电”。选择回收这些，背后其实藏着日本人用垃圾做奖牌的秘密：不是为了省钱，不仅仅是惜物的情绪，虽然也有本届奥运会倡导的“打造可持续社会”的功能性，但其实还有一个更加务实的目的：推广《小型家电再回收法》，继续提高日本人的垃圾回收意识。
大家都知道，日本可谓是全世界扔垃圾最复杂的国家，分类之琐碎细致，别说是外国人，很多日本人都感到头疼。《小型家电回收法》颁布之后，事情就变得更加复杂了：如果你手头有一件电子产品需要扔掉，首先要判定它属于大型家电还是小型家电，若是大型家电，需要支付回收费，由相关业者收取;若是小型家电，则要由自治体或者国家许可的业者进行回收。
这项法律就是呼吁日本国民将废旧的小型家电捐出再造。法律出台同年，环境省在回收的家电中提炼出吨有用金属，年，这一数字增加至0吨。但这只是都市矿山的微小一角。通过都市矿山对资源进行循环再用，可以避免砍伐森林，污染地下水源，减少对自然的破坏。日本政府希望借奥运会这一契机，提高全民环保意识，推动资源的有效利用，让每个人都参与到可持续发展社会的构建之中。
东京奥运奖牌计划虽然已经结束了。但因为这个计划，很多人将知道《小型家电回收法》，知道了它和《大型家电回收法》不同之处，对挖掘沉睡的“都市矿山”产生很大的作用。
对日本人来说，最大的民众参与感，还在于这是一个自由扔垃圾的好机会。
2021年东京奥运会各个国家奖牌榜
年东京奥运会胜利闭幕，各国家奖牌榜如下。美国比中国多了一枚金牌，总体奖牌比中国要多。
中国队取得了很不错的成绩，38金，32银18铜，共计88枚奖牌。
东京奥运会奖牌知多少？8月2日，45分钟夺4金！第29金！
东京奥运会奖牌知多少？8月2日，45分钟夺4金！第29金！
1、中国总数：32金、23银、20铜，总数75。
中国大陆：29金、17银、16铜，总数62。
第25金：张常鸿夺得“射击项目”男子50米步枪三姿冠军。
第26金：刘洋夺得“竞技体操项目”男子吊环冠军。
第27金：鲍珊菊、钟天使、郭裕芳夺得“场地自行车项目”女子团体争先赛冠军。
第28金：李雯雯夺得“举重项目”女子87公斤以上级冠军。
第29金：夺得“项目”冠军。
要看第1—24金，请进入我的页面。
中国台北：2金、4银、4铜，总数10。
中国香港：1金、2银、0铜，总数3。
2、美国：21金、25银、17铜，总数63。
3、日本：17金、6银、10铜，总数33。
4、澳大利亚：14金、4银、15铜，总数33。
5、俄罗斯：12金、21银、17铜，总数50。
6、英国：11金、12银、12铜，总数35。
中国队加油、点赞！
东京奥运会金牌榜
第32届夏季奥林匹克运动会于年7月21日~8月8日在日本东京举行（即东京奥运会），昨天举行了闭幕式。
本届奥运会，中国军团不仅拿下东京奥运会的首枚金牌，最终更是豪取38枚金牌，仅以一枚金牌之差排名第二。
本次东京奥运会中国金牌数在中国历届奥运会金牌榜上可以排名第二（第一名是北京奥运会48枚，第二名是伦敦奥运会38枚以及本届东京奥运会38枚），以下是本届东京奥运会的金牌排名榜。
那么进入今天的课程：如何制作东京奥运会金牌榜？【STEP1：制作辅助列】辅助2的单元格输入=$B$13，下拉。
辅助4的第一个单元格输入=A13&" "&ROUND(B13,0)
辅助5的单元格输入=A2&" "&B2，下拉。
【STEP2：制作散点图】
B列、C列作成散点图，X轴引用B列，Y轴引用C列；
D列、E列作成散点图，X轴引用D列，Y轴引用E列。
【STEP3：垂直轴、误差线】
垂直轴设置最大值为10，勾选"逆序刻度值"，删除网格线；
系列1追加添加误差线X：负偏差，无线端，误差量为自定义（正错误值：0，负错误值引用B列）
【STEP4：数据标记】
系列1的数据标记为实心圆，大小为10磅，
系列1的X误差线设置线条颜色、线型大小为2磅；
系列2设置数据标记为无，线条颜色为实线，短划线类型为长划线。
【STEP5：数据标签】
系列1、2添加数据标签，利用XY Chart Labels标签工具修改各系列的数据标签引用源，系列1引用A列，系列2引用F列。
【STEP6：图表美化】
垂直轴设置：主要刻度线类型为无，坐标轴标签为无，线条颜色为无。
水平轴设置：主要刻度线类型为无，坐标轴标签为高，线条颜色为无。
图表添加主要纵网格线，网格线设置为白色实线。
图表区、绘图区的填充色统一设置为橙色，图表添加标题，删除图例。
【STEP7：数据标记图片填充】
通过数据标记填充选项将各国对应的国旗图片填充到对应标记中。
本期的分享就到这，各位小伙伴，需要原始文件的请私信我获取图表原始文件。
我是真水无香，如果您喜欢这篇文章，请点赞、关注、收藏和分享哦，感谢您的支持！！！
每次有新文章发布时，可以及时收到一篇真水无香最新写的excel教程。
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。
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。
2021年东京奥运会各个国家奖牌榜
年东京奥运会胜利闭幕，各国家奖牌榜如下。美国比中国多了一枚金牌，总体奖牌比中国要多。
中国队取得了很不错的成绩，38金，32银18铜，共计88枚奖牌。
东京奥运会金牌榜
第32届夏季奥林匹克运动会于年7月21日~8月8日在日本东京举行（即东京奥运会），昨天举行了闭幕式。
本届奥运会，中国军团不仅拿下东京奥运会的首枚金牌，最终更是豪取38枚金牌，仅以一枚金牌之差排名第二。
本次东京奥运会中国金牌数在中国历届奥运会金牌榜上可以排名第二（第一名是北京奥运会48枚，第二名是伦敦奥运会38枚以及本届东京奥运会38枚），以下是本届东京奥运会的金牌排名榜。
那么进入今天的课程：如何制作东京奥运会金牌榜？【STEP1：制作辅助列】辅助2的单元格输入=$B$13，下拉。
辅助4的第一个单元格输入=A13&" "&ROUND(B13,0)
辅助5的单元格输入=A2&" "&B2，下拉。
【STEP2：制作散点图】
B列、C列作成散点图，X轴引用B列，Y轴引用C列；
D列、E列作成散点图，X轴引用D列，Y轴引用E列。
【STEP3：垂直轴、误差线】
垂直轴设置最大值为10，勾选"逆序刻度值"，删除网格线；
系列1追加添加误差线X：负偏差，无线端，误差量为自定义（正错误值：0，负错误值引用B列）
【STEP4：数据标记】
系列1的数据标记为实心圆，大小为10磅，
系列1的X误差线设置线条颜色、线型大小为2磅；
系列2设置数据标记为无，线条颜色为实线，短划线类型为长划线。
【STEP5：数据标签】
系列1、2添加数据标签，利用XY Chart Labels标签工具修改各系列的数据标签引用源，系列1引用A列，系列2引用F列。
【STEP6：图表美化】
垂直轴设置：主要刻度线类型为无，坐标轴标签为无，线条颜色为无。
水平轴设置：主要刻度线类型为无，坐标轴标签为高，线条颜色为无。
图表添加主要纵网格线，网格线设置为白色实线。
图表区、绘图区的填充色统一设置为橙色，图表添加标题，删除图例。
【STEP7：数据标记图片填充】
通过数据标记填充选项将各国对应的国旗图片填充到对应标记中。
本期的分享就到这，各位小伙伴，需要原始文件的请私信我获取图表原始文件。
我是真水无香，如果您喜欢这篇文章，请点赞、关注、收藏和分享哦，感谢您的支持！！！
每次有新文章发布时，可以及时收到一篇真水无香最新写的excel教程。
