上次的推文：如何使用 Stata 绘制一幅彩色的照片？给你的图表添加一个冰墩墩！ 中我们爬取了冬奥会奖牌榜数据并绘图展示，但是那篇推文中并没有对数据爬取代码进行详细的讲解，今天我们就专门来学习下这个奖牌榜数据的爬起和绘图展示。
将冬奥会奖牌榜数据可以从这里看到：
https://tiyu.baidu.com/beijing2022/home/tab/%E5%A5%96%E7%89%8C%E6%A6%9C/from/pc
查看网页源代码可以看到网页上的数据就在源代码里面：
| 对着网页的空白处按鼠标右键选择显示网页源代码 |
 |
| 很容易发现我们需要的数据就在这里 |
 |
所以这是个静态网页，我们可以使用 copy 命令把这个网页下载下来：
clear
copy "https://tiyu.baidu.com/beijing2022/home/tab/%E5%A5%96%E7%89%8C%E6%A6%9C/from/pc" temp.html, replace
|
使用 infix 命令可以把这个文件读进 Stata 中：
infix strL v 1-10000 using temp.html, clear
|
strL v 1-10000 表示把 temp.html 文件每一行的 1-1000 个字符读进变量 v 中，变量 v 的类型是 strL （长字符串）。
分析源代码我们可以看到我们需要的数据所在行都有个 national-box：
| 图表 |
 |
所以我们仅仅保留含有 national-box 的行：
keep if index(v, "national-box")
|
发现变量 v 里面存在空格，会影响下一步的处理，所以先把空格删去：
replace v = subinstr(v, " ", "", .)
|
| 图表 |
 |
为了我们需要的数据从变量 v 中分离出来，我们可以先选择合适的切分符号对变量 v 进行切分，“><” 就非常合适：
| 图表 |
 |
检查可以发现我们需要奖牌数据在下面这几个变量中：
并且所需的数据还都在 > 和 < 中间，所以可以对所有的变量应用正则表达式提取数据：
foreach i of varlist _all {
replace `i' = ustrregexs(1) if ustrregexm(`i', ">(.*)<")
}
compress
destring _all, replace
|
再重命名下变量就可以了：
ren v6 国家
ren v9 金牌
ren v10 银牌
ren v11 铜牌
ren v12 总计
save data, replace
|
| 图表 |
 |
这样我们就爬取好了这份数据，下面我们选择前十个国家进行绘图展示：
use data, clear
keep in 1/10
sencode 国家, gsort(-金牌) replace
|
sencode 命令需要使用 ssc install sencode 安装，可以生成有序因子变量。
为了使用 twoway 绘制堆叠柱状图，我们需要对数据进行叠加：
replace 银牌 = 银牌 + 铜牌
replace 金牌 = 银牌 + 金牌
tw
bar 铜牌 国家, barwidth(0.7) color("239 199 16") ||
rbar 银牌 铜牌 国家, barwidth(0.7) color("190 190 190") ||
rbar 金牌 银牌 国家, barwidth(0.7) color("222 174 121")
xla(1(1)10, value ang(45)) xti("") yti("奖牌数")
leg(row(1) pos(11) ring(0) order(1 "金牌" 2 "银牌" 3 "铜牌"))
yla(0(5)45)
ti("2022 年北京冬奥会获得金牌前十名的代表团奖牌数")
subti("绘制：微信公众号 RStata")
caption("数据来源：百度体育" "<https://tiyu.baidu.com/beijing2022/home/tab/%E5%A5%96%E7%89%8C%E6%A6%9C/from/pc>")
|
| 图表 |
 |
如果想把柱体按照高矮顺序排列，我们需要根据奖牌总数进行 sencode：
use data, clear
keep in 1/10
sencode 国家, gsort(-总计) replace
replace 银牌 = 银牌 + 铜牌
replace 金牌 = 银牌 + 金牌
tw
bar 铜牌 国家, barwidth(0.7) color("239 199 16") ||
rbar 银牌 铜牌 国家, barwidth(0.7) color("190 190 190") ||
rbar 金牌 银牌 国家, barwidth(0.7) color("222 174 121")
xla(1(1)10, value ang(45)) xti("") yti("奖牌数")
leg(row(1) pos(11) ring(0) order(1 "金牌" 2 "银牌" 3 "铜牌"))
yla(0(5)45)
ti("2022 年北京冬奥会获得金牌前十名的代表团奖牌数")
subti("绘制：微信公众号 RStata")
caption("数据来源：百度体育" "<https://tiyu.baidu.com/beijing2022/home/tab/%E5%A5%96%E7%89%8C%E6%A6%9C/from/pc>")
|
| 图表 |
 |
点击这里跳转到 RStata 短书平台获取附件：使用 Stata 爬取冬奥会奖牌榜数据并绘图展示
评论