python可视化:端午假期旅游火爆原因分析

news2025/7/21 7:58:58

python可视化:端午假期旅游火爆原因分析

2025年的旅游市场表现强劲:

  • 2025年端午假期全社会跨区域人员流动量累计6.57亿人次,日均2.19亿人次,同比增长3.0%。
  • 入境游订单同比大涨近90%,门票交易额(GMV)增长1.5倍。
  • 国内周边游占比64%,短途游主导市场。

2025年端午旅游热点地

国内热门城市

  • 周边游Top10:杭州、南京、上海、苏州、广州、北京、天津、济南、成都、湖州。
import matplotlib.pyplot as plt
import seaborn as sns

# 数据准备
cities = ['杭州', '南京', '上海', '苏州', '广州', '北京', '天津', '济南', '成都', '湖州']
rank = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]  # 排名仅作顺序参考,实际数据为热度排名

# 设置样式
plt.style.use('seaborn')
plt.figure(figsize=(12, 6))

# 创建条形图(横向)
ax = sns.barplot(x=rank, y=cities, palette="viridis", orient='h')

# 添加标题和标签
plt.title('2025年端午假期国内周边游Top10目的地', fontsize=16, pad=20)
plt.xlabel('热门指数(排名)', fontsize=12)
plt.ylabel('城市', fontsize=12)

# 在条形上显示排名
for i, v in enumerate(rank):
    ax.text(v + 0.1, i, str(v), color='black', va='center', fontweight='bold')

# 调整布局
plt.tight_layout()
plt.grid(axis='x', linestyle='--', alpha=0.7)

# 显示图表
plt.show()

图1:
在这里插入图片描述

民俗文化热门地

  • 广东佛山:龙舟漂移IP带动旅游订单增长167%。
  • 湖南汨罗(屈原故里)、浙江嘉兴(粽子之乡)预订量增长超40%。
  • 济南跻身全国周边游第八,趵突泉、明水古城等景区受青睐。
  • 武汉入境游同比增长45%,黄鹤楼、晴川阁等景点吸引外国游客。
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# 数据准备
cities = ['佛山', '汨罗', '嘉兴', '济南', '武汉']
growth_rate = [167, 42, 45, 25, 45]  # 增长率(%)
reasons = [
    "龙舟漂移IP爆火",
    "屈原故里端午民俗",
    "粽子之乡文化体验",
    "泉水+明水古城引流",
    "黄鹤楼入境游增长"
]

# 设置样式
plt.style.use('ggplot')
plt.figure(figsize=(10, 6), dpi=100)

# 创建条形图
ax = sns.barplot(x=growth_rate, y=cities, palette="rocket")

# 添加数据标注和原因说明
for i, (rate, reason) in enumerate(zip(growth_rate, reasons)):
    ax.text(rate + 3, i, f"{rate}%", va='center', fontsize=10)
    ax.text(5, i-0.3, reason, color='darkred', fontsize=9, 
            bbox=dict(facecolor='peachpuff', alpha=0.5))

# 装饰图表
plt.title("2025端午民俗文化热门地TOP5及增长原因", fontsize=14, pad=15)
plt.xlabel("旅游订单同比增长率(%)", fontsize=11)
plt.ylabel("城市", fontsize=11)
plt.xlim(0, 180)

# 添加图例说明
plt.text(120, 4.5, "数据来源:携程《2025端午文旅报告》", 
         fontsize=8, alpha=0.7)

# 显示图表
plt.tight_layout()
plt.show()

图2:在这里插入图片描述

出境游热门地

  • 短途(3小时飞行圈):日本、韩国、中国香港、泰国、马来西亚。
  • 新兴黑马:乌兹别克斯坦、哈萨克斯坦、冰岛。

旅游火爆背后的原因

  1. 民俗驱动:龙舟赛事(全国122场)带动佛山、汨罗等城市热度。
  2. 短途游主导:64%游客选择周边游,杭州、上海等成热门。
  3. 入境增长:订单同比涨90%,上海、北京、成都最受欢迎。

文化驱动

  • 龙舟经济:全国龙舟赛事达122场,佛山“漂移龙舟”、汨罗祭屈仪式等成现象级IP。
  • 非遗体验:乌镇“水上五黄宴”、宏村微缩龙舟赛等让传统民俗现代化。
  • 国潮兴起:故宫文创“千里江山粽”、敦煌“飞天粽”受年轻人追捧。
import pandas as pd

# 示例数据:2025年端午各省份旅游人次(单位:万人次)
province_data = {
    "省份": ["广东", "湖南", "浙江", "江苏", "山东", "四川"],
    "旅游人次": [2321.0, 1200.0, 1500.0, 1350.0, 1100.0, 980.0],  # 广东数据来自:cite[4]
    "同比增长率": [20.6, 18.3, 15.2, 12.7, 10.5, 8.9]  # 假设值
}

# 热门城市及龙舟搜索热度(同程数据:cite[2]:cite[6])
city_data = {
    "城市": ["佛山", "汨罗", "嘉兴", "杭州", "成都", "苏州"],
    "龙舟搜索增幅": [270, 270, 200, 180, 160, 150],  # 百分比
    "预订量增长": [167, 40, 40, 35, 30, 25]  # 百分比
}

df_province = pd.DataFrame(province_data)
df_city = pd.DataFrame(city_data)

输出:df1、df2
在这里插入图片描述
在这里插入图片描述


各省份旅游人次热力图
from pyecharts import options as opts
from pyecharts.charts import Map

# 数据准备(省份需用简称,与PyEcharts内置地图匹配)
data = [
    ("广东省", 2321),
    ("湖南省", 1200),
    ("浙江省", 1500),
    ("江苏省", 1350),
    ("山东省", 1100),
    ("四川省", 980),
]

# 创建地图
c = (
    Map()
    .add(
        series_name="旅游人次(万)",
        data_pair=data,
        maptype="china",
        is_map_symbol_show=False,
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="2025年端午各省旅游人次"),
        visualmap_opts=opts.VisualMapOpts(
            min_=800,
            max_=2500,
            range_text=["高", "低"],
            is_piecewise=True,
            pos_top="middle",
        ),
    )
    .render("province_tourism_map.html")
)

图3:在这里插入图片描述


热门城市龙舟活动热度条形图
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
plt.bar(df_city["城市"], df_city["龙舟搜索增幅"], color='#FF6B6B', label='龙舟搜索增幅(%)')
plt.bar(df_city["城市"], df_city["预订量增长"], color='#4ECDC4', alpha=0.7, label='预订量增长(%)')
plt.title("2025端午龙舟文化热门城市数据对比", fontsize=14)
plt.xlabel("城市")
plt.ylabel("百分比(%)")
plt.legend()
plt.grid(axis='y', linestyle='--')
plt.show()

图4:在这里插入图片描述

分析:佛山因“龙舟漂移”IP搜索增幅达270%,预订量增长167%。


政策与消费趋势

  • 免签政策:入境游增长89%,上海、北京、成都等成外国游客首选。
  • 亲子+宠物经济:亲子订单占比35%,宠物友好酒店热度增20%。
  • “演出+旅游”:邓紫棋贵州演唱会、佛山龙舟赛带动跨城观演。
入境游订单增长趋势
# 入境游数据(携程:cite[1]:cite[9])
countries = ["马来西亚", "韩国", "新加坡", "泰国", "美国"]
orders = [452, 380, 290, 250, 200]  # 假设订单增长比例

plt.pie(orders, labels=countries, autopct="%1.1f%%", 
        colors=["#FFD166", "#06D6A0", "#118AB2", "#EF476F", "#073B4C"])
plt.title("2025端午入境游主要客源国订单占比")
plt.show()

图5:在这里插入图片描述


  • wordcloud 生成关键词云(如“龙舟”“亲子游”“免签”等)。
from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 示例关键词及权重(根据搜索热度或频次自定义)
keywords = {
    "龙舟": 35, "亲子游": 30, "免签": 25, "短途游": 20,
    "佛山": 18, "汨罗": 15, "嘉兴": 15, "民俗": 15,
    "粽子": 12, "演唱会": 10, "高铁": 10, "国潮": 10
}

# 生成词云
wc = WordCloud(
    font_path="simhei.ttf",  # 指定中文字体(Windows可用)
    background_color="white",
    width=800,
    height=600,
    max_words=50
).generate_from_frequencies(keywords)

# 显示
plt.figure(figsize=(10, 8))
plt.imshow(wc, interpolation="bilinear")
plt.axis("off")
plt.title("2025端午旅游热点关键词云", fontsize=16, pad=20)
plt.show()

图6:
在这里插入图片描述


人员流动地图(箭头图)

  • 主要客源地→目的地(如北京→济南、上海→杭州、广州→佛山等)。
  • 出境游热门航线(上海→大阪、北京→东京等)。
import plotly.graph_objects as go

# 示例流动数据(需补充真实坐标)
flow_data = pd.DataFrame({
    "出发地": ["北京", "上海", "广州"],
    "目的地": ["济南", "杭州", "佛山"],
    "流量": [50000, 40000, 30000],
    "出发地_lat": [39.9, 31.2, 23.1],
    "出发地_lon": [116.4, 121.5, 113.3],
    "目的地_lat": [36.7, 30.3, 23.0],
    "目的地_lon": [117.0, 120.2, 113.1]
})

fig = go.Figure()

for i in range(len(flow_data)):
    fig.add_trace(go.Scattergeo(
        lon=[flow_data["出发地_lon"][i], lat=[flow_data["出发地_lat"][i]],
        mode="markers",
        marker=dict(size=10, color="red"),
        name=flow_data["出发地"][i]
    ))
    fig.add_trace(go.Scattergeo(
        lon=[flow_data["目的地_lon"][i]], lat=[flow_data["目的地_lat"][i]],
        mode="markers",
        marker=dict(size=10, color="blue"),
        name=flow_data["目的地"][i]
    ))
    fig.add_trace(go.Scattergeo(
        lon=[flow_data["出发地_lon"][i], flow_data["目的地_lon"][i]],
        lat=[flow_data["出发地_lat"][i], flow_data["目的地_lat"][i]],
        mode="lines",
        line=dict(width=2, color="green"),
        opacity=0.7,
        name=f"{flow_data['出发地'][i]}{flow_data['目的地'][i]}"
    ))

fig.update_geos(scope="asia", projection_type="natural earth")
fig.update_layout(title="2025端午主要旅游流向示意图")
fig.show()

图7:
在这里插入图片描述


5. 总结

2025年端午旅游市场呈现 “民俗+短途+亲子” 三大特点,文化IP(如龙舟、粽子)和便利政策(免签、高铁)是核心驱动力。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2398131.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SOC-ESP32S3部分:28-BLE低功耗蓝牙

飞书文档https://x509p6c8to.feishu.cn/wiki/CHcowZMLtiinuBkRhExcZN7Ynmc 蓝牙是一种短距的无线通讯技术,可实现固定设备、移动设备之间的数据交换,下图是一个蓝牙应用的分层架构,Application部分则是我们需要实现的内容,Protoc…

Git-flow流

Git git是版本控制软件,一般用来做代码版本控制 github是一个免费版本控制仓库是国内外很多开源项目的集中地,其本体是一个git服务器 Git初始化操作 git init 初始化仓库 git status 查看当前仓库的状态 git add . 将改动的文件加到暂存区 gi…

VirtualBox给Rock Linux9.x配置网络

写这篇文章之前,先说明一下,我参考的是我之前写的《VirtualBox Linux网络配置》 我从CentOS7转到了Rock9,和配置Centos7一样,主流程没有变化,变化的是Rock9.x中的配置文件和使用的命令。 我再说一次,因为主…

知识图谱增强的大型语言模型编辑

https://arxiv.org/pdf/2402.13593 摘要 大型语言模型(LLM)是推进自然语言处理(NLP)任务的关键,但其效率受到不准确和过时知识的阻碍。模型编辑是解决这些挑战的一个有前途的解决方案。然而,现有的编辑方法…

.NET 原生驾驭 AI 新基建实战系列(一):向量数据库的应用与畅想

在当今数据驱动的时代,向量数据库(Vector Database)作为一种新兴的数据库技术,正逐渐成为软件开发领域的重要组成部分。特别是在 .NET 生态系统中,向量数据库的应用为开发者提供了构建智能、高效应用程序的新途径。 一…

【claude+deepseek+gemini】基于李群李代数和螺旋理论工业机器人控制系统软件UI设计

claude的首次设计html是最佳的。之后让deepseek和gemini根据claude的UI设计进行改进设计。。。当然可以尝试很多次,也可以让他们之间来回不断改进…… claude deepseek-r1 0528 上图为deepseek首次设计,下面为改进设计 …… Gemini 2.5 Pro 0506 &#x…

阿里云国际站,如何通过代理商邀请的链接注册账号

阿里云国际站:如何通过代理商邀请链接注册,解锁“云端超能力”与专属福利? 渴望在全球化浪潮中抢占先机?想获得阿里云国际站的海量云资源、遍布全球的加速节点与前沿AI服务,同时又能享受专属折扣、VIP级增值服务支持或…

乾坤qiankun的使用

vue2 为主应用 react 为子应用 在项目中安装乾坤 yarn add qiankun # 或者 npm i qiankun -Svue主应用 在main.js中新增 (需要注意的是路由模型为history模式) registerMicroApps([{name: reactApp,entry: //localhost:3011,container: #container,/…

PH热榜 | 2025-06-03

1. Knowledge 标语:像认识朋友一样去销售给潜在客户,因为你其实了解他们! 介绍:Knowledge 是一个针对个人的销售智能平台,它利用行为数据和心理测评来识别市场上的潜在买家,并指导销售团队以最真实、最有…

论文略读: STREAMLINING REDUNDANT LAYERS TO COMPRESS LARGE LANGUAGE MODELS

2025 ICLR 判断模型层的重要性->剪去不重要的层(用轻量网络代替) 这种方法只减少了层数量,所以可以用常用的方法加载模型 层剪枝阶段 通过输入与输出的余弦相似度来判断各个层的重要性 具有高余弦相似度的层倾向于聚集在一起&#xff0c…

mapbox高阶,生成并加载等时图

👨‍⚕️ 主页: gis分享者 👨‍⚕️ 感谢各位大佬 点赞👍 收藏⭐ 留言📝 加关注✅! 👨‍⚕️ 收录于专栏:mapbox 从入门到精通 文章目录 一、🍀前言1.1 ☘️mapboxgl.Map 地图对象1.2 ☘️mapboxgl.Map style属性1.3 ☘️Fill面图层样式1.4 ☘️symbol符号图层…

DeepSeek眼中的文明印记:山海经

一、山海经到底是怎么回事? 《山海经》是中国古代一部极具神秘色彩的文化典籍,成书时间跨度较大(大致从战国至汉代),内容庞杂,涉及神话、地理、物产、巫术、医学、民俗等多个领域。关于它的性质&#xff0…

在Mathematica中实现Newton-Raphson迭代

为了寻找方程 可以使用Newton-Raphson迭代方法: NRIter[func_, xzero_, n_ : 5] :Module[{pointlist {}, x, xold xzero, xnew, f, df, xl, xr, k},f[x_] func[x];df[x_] D[func[x], x];Do[(pointlist Join[pointlist, {{xold, 0}}, {{xold, f[xold]}}];xnew …

【Ragflow】25.Ragflow-plus开发日志:excel文件解析新思路/公式解析适配

引言 RagflowPlus v0.3.0 版本中,增加了对excel文件的解析支持,但收到反馈,说效果并不佳。 以下测试文件内容来自群友反馈提供,数据已脱敏处理。 经系统解析后,分块效果如下: 可以看到,由于该…

Python数据可视化科技图表绘制系列教程(一)

目录 创建多个坐标图形(坐标系) 图表的组成 创建图形与子图 创建子图1 创建子图2 创建子图3 创建子图4 创建子图5 添加图表元素 极坐标图1 极坐标图2 【声明】:未经版权人书面许可,任何单位或个人不得以任何形式复制、…

移除3D对象的某些部分点云

1,目的 移除3D对象指定区域的点云。效果 2,原理。 通过投影剔除指定区域外的点云数据。 3,主要的算子。 3.1,gen_image_gray_ramp 是 Halcon 中用于生成‌线性灰度渐变图像‌的算子 功能概述‌ 数学原理‌ 生成的图像灰度值…

阿里云为何,一个邮箱绑定了两个账号

阿里云“幽灵账号”之谜:同一个邮箱注销后仍有两个账号?深度揭秘成因与终极解决方案! 你是否曾在阿里云上使用同一个邮箱注册过多个账号,明明已经**“彻底”注销了其中一个**,却惊愕地发现系统里依然**“幽灵般”挂着…

高效视频倍速播放插件推荐

软件介绍 本文介绍一款名为Global Speed的视频速度控制插件,该插件在插件市场评分极高,被公认为目前最好用的视频倍速插件之一。 插件安装与基本功能 安装Global Speed插件后,用户只需点击插件图标即可选择播放倍数,最高支持16…

无他相机:专业摄影,触手可及

在数字摄影时代,手机摄影已成为许多人记录生活、表达创意的重要方式。无他相机正是这样一款专为摄影爱好者设计的相机应用程序,它不仅提供了专业级摄影设备的大部分功能,还通过简洁直观的操作界面,让每一位用户都能轻松上手&#…

基于贝叶斯优化神经网络的光伏功率预测综述

基于贝叶斯优化神经网络的光伏功率预测综述 一、贝叶斯优化的基本原理与核心组件 贝叶斯优化(Bayesian Optimization, BO)是一种基于概率模型的全局优化方法,特别适用于高成本评估的黑盒函数优化问题。其核心由代理模型和采集函数构成&…