[zefciu]

Ecchhh, kazał pan, musiał sam. Jedziemy z tym niemożliwym do wykonania zadaniem wartym 20 milionów złotych.

Dane o emisji CO2 per capita mamy tutaj: https://ourworldindata.org/per-capita-co2
Dane o PKB per capita: https://ourworldindata.org/grapher/gdp-p...-worldbank

Sciągamy oba pliki csv. Importujemy potrzebne narzędzia:

Kod:

import csv
import pandas
import seaborn

Teraz trochę nudnego boilerplate’a – z danych musimy zrobić ładny dataset pandasowy:

Kod:

gdp_string = 'GDP per capita, PPP (constant 2011 international $)'
emission_string = 'Per capita CO2 emissions'
combined_data = {}
# Ładujemy dane o gdp
with open('gdp-per-capita-worldbank.csv') as f:
    reader = csv.DictReader(f)
    for row in reader:
        if row['Year'] == '2017' and row['Code']:
            combined_data[row['Code']] = {'gdp': float(row[gdp_string])}
# Ładujemy dane o emisjach
with open('co-emissions-per-capita.csv') as f:
    reader = csv.DictReader(f)
    for row in reader:
        if row['Year'] == '2017' and row['Code'] and row['Code'] in combined_data:
            combined_data[row['Code']]['emission'] = float(row[emission_string])
# Tworzymy DataFrame
data_as_array = []
for country, data in combined_data.items():
    if 'emission' in data and 'gdp' in data:
        data_as_array.append((country, data['gdp'], data['emission']))
dataframe = pandas.DataFrame.from_records(
    data_as_array,
    columns=['country', 'gdp', 'emission'],
    index='country',
)

Wybrałem rok 2017 bo dla tego roku mamy w miarę kompletne dane. Bierzemy te kraje, które występują w obu arkuszach. Odrzucamy rzędy, które nie mają kodu (to są dane regionalne, per przemysł etc.)

Skoro mamy już dane, możemy spróbować nakreślić regresję. Na początek liniowo:

Kod:

seaborn.regplot(x="gdp", y="emission", data=dataframe);

Otrzymujemy coś takiego:

Pierwszy wniosek zatem jest taki – rzeczywiście emisje CO2 rosną ze wzrostem gospodarczym. Spróbujmy jednak zwiększyć dopasowanie i użyć regresji wielomianowej:

Kod:

seaborn.regplot(x="gdp", y="emission", data=dataframe, order=2);

Kod:

seaborn.regplot(x="gdp", y="emission", data=dataframe, order=3);

Mógłby ktoś tu zakrzyknąć „Oho! A więc po plateou w średnim obszarze wykresu mamy znowu wzrost!” Ale nie – trzeci wykres jest już przepasowany, co łatwo wykazać:

Kod:

dataframe = dataframe.drop('QAT')
seaborn.regplot(x="gdp", y="emission", data=dataframe, order=3);

Po wywaleniu Kataru – kraju bardzo bogatego i bardzo dużo CO2 emitującego okazuje się, że krzywa na końcu spada. Jednocześnie jednak na wszyskich wykresach przedział ufności „rozkracza się” dla bogatych krajów tak bardzo, że konkluzja „kraje bogate muszą redukować emisje, by się bogacić” też jest raczej nieuzasadniona. Uzasadnionym jest raczej stwierdzenie „dla bogatych krajów zależność między emisją CO2 a bogactwem jest mało znacząca”.

I teraz już wiemy, dlaczego kraje EU chcą redukować CO2. Nie. Nie stoją za tym agenci NWO chcący, by EU zbiedniała. Po prostu kraje te nie widzą już korzyści ze zwiększania emisji, a widzą coraz bardziej jej koszty.

No. To teraz oczekuję, że EusMadeus będzie oddawał mi cześć boską, gdyż dokonałem czegoś, jego zdaniem, niemożliwego. Niestety nie łudzę się, że ktoś mi za to pół godzinki z Jupyterem zapłaci 20 milionów.

W załączniku – wyliczenia w formacie Jupyter Notebook. Kto chce odpalić sam i pobawić się danymi, musi zainstalować Jupytera, pandasy, seaborna oraz sciągnąć stosowne pliki CSV do aktualnego katalogu.
EDIT: niestety załączniki nie działają. Plik do pobrania tutaj: https://zefciu.egnyte.com/dl/NQrS3Wx0eU