一、前言

[[382704]]

IT桔子有一個新經(jīng)濟(jì)死亡公司數(shù)據(jù)庫：https://www.itjuzi.com/deathCompany，統(tǒng)計了2000-2020年之間比較出名的公司 "死亡" 數(shù)據(jù)，數(shù)據(jù)來源真實可靠。

 

• "死亡公司數(shù)據(jù)庫" 的公司關(guān)閉時間是依據(jù)公開媒體報道及部分估算，可能會存在些許誤差，但還是具有較高的可靠性;
• IT桔子對所收錄公司運營狀況的判定來源如下：1、公開媒體報道公司關(guān)閉、破產(chǎn)清算的;2、公司自身在微信、微博等渠道宣布關(guān)閉、破產(chǎn)清算的;3、公司明顯經(jīng)營異常：公司被注銷;公司產(chǎn)品比如APP或微信持續(xù) 6 個月及以上沒更新;公司因為監(jiān)管被抓、無法經(jīng)營……交叉比對后確認(rèn)沒有持續(xù)經(jīng)營。

二、數(shù)據(jù)預(yù)處理

對已獲取的 14425 條死亡公司數(shù)據(jù)進(jìn)行數(shù)據(jù)查看和預(yù)處理 

import pandas as pd 
 
df = pd.read_excel('倒閉公司數(shù)據(jù).xlsx') 
df.head() 

df.info() 
 
# 查看公司描述為NAN的這一行 
df[df.isnull().values == True] 

挑選最近十年(2010-2019)的死亡公司數(shù)據(jù)，來看一看這十年里，創(chuàng)業(yè)公司的消亡。 

# 提取2010-2019年的死亡公司數(shù)據(jù) 
df1 = df[df['倒閉時間'].str[:4].apply(int) >= 2010] 
df2 = df1[df1['倒閉時間'].str[:4].apply(int) < 2020] 
df2.head() 

# 2010-2019 的死亡公司數(shù)據(jù)保存到新的Excel 
df2.to_excel('2010-2019倒閉公司數(shù)據(jù).xlsx', index=False) 

三、數(shù)據(jù)分析

大家常說 1998 年是中國互聯(lián)網(wǎng)元年，2010年是移動互聯(lián)網(wǎng)的元年。也難怪，2010年的移動互聯(lián)網(wǎng)實在是太熱鬧了。微信、小米、美團(tuán)、愛奇藝等都在這一年相繼成立。百度在谷歌退出中國后成為最大的受益者，淘寶成為阿里新的增長點，騰訊則宣布 QQ 同時在線超 1 億人。自此，百度、阿里和騰訊正式成為"三巨頭"——BAT。除此之外，網(wǎng)易的網(wǎng)游、新浪的微博、搜狐的視頻和輸入法也開始發(fā)力出擊，移動互聯(lián)網(wǎng)的競爭正式拉開帷幕。

pyecharts 繪制折線圖可視化： 

# -*- coding: UTF-8 -*- 
""" 
@Author  ：葉庭云 
@公眾號  ：修煉Python 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
import pandas as pd 
import pyecharts.options as opts 
import pyecharts 
from pyecharts.charts import Line 
from pyecharts.globals import CurrentConfig, ThemeType 
 
print(pyecharts.__version__)    # 查看當(dāng)前 pyecharts 版本 
# 引用本地js資源渲染 
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
df1 = df[(df['成立之年'] >= 2010) & (df['成立之年'] < 2020)] 
born_time = df1['成立之年'].value_counts() 
# 按索引  2010-2019排序 
born_time = born_time.sort_index() 
death_time = df['倒閉時間'].str[:4].apply(int).value_counts() 
death_time = death_time.sort_index() 
 
year = [f'{i}年' for i in range(2010, 2020)] 
num_1 = [int(x) for x in born_time.values] 
num_2 = [int(y) for y in death_time.values] 
 
c = ( 
    Line(init_opts=opts.InitOpts(theme=ThemeType.DARK)) 
    .add_xaxis(xaxis_data=year) 
    .set_colors(['#7FFF00', 'red'])     # 設(shè)置兩條折線圖的顏色 
    .add_yaxis('出生公司數(shù)量', y_axis=num_1) 
    .add_yaxis('死亡公司數(shù)量', y_axis=num_2) 
    .set_global_opts(     # 設(shè)置x軸 y軸標(biāo)簽 
        xaxis_opts=opts.AxisOpts(name='年份'), 
        yaxis_opts=opts.AxisOpts(name='數(shù)量') 
    ) 
    .render('test.html') 
) 

2010 年來，歷年出生及死亡的公司數(shù)量趨勢如下圖：

 

• 2014、2015年是公司誕生潮，兩年后，正好對應(yīng)了2016、2017的一波死亡潮。在 2017 年和 2018 年，均超過 2000 家公司倒閉，2019年超過 5000 家公司倒閉。2015年以后，新生創(chuàng)業(yè)公司越來越少，也側(cè)面反應(yīng)了創(chuàng)業(yè)越來越艱難。
• 在這十年間，諸多 "風(fēng)口" 起起伏伏。網(wǎng)約車、團(tuán)購、直播、基因檢測、共享單車、短視頻、比特幣、VR|AR、無人貨架、人工智能、直播帶貨……

每一個風(fēng)口上，都站著數(shù)百頭 "豬"，嘗試飛起來。下面看看各行業(yè)這十年來倒閉公司數(shù)量分布情況。 

# -*- coding: UTF-8 -*- 
""" 
@Author  ：葉庭云 
@公眾號  ：修煉Python 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
import pandas as pd 
import matplotlib.pyplot as plt 
import matplotlib as mpl 
import seaborn as sns 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
df['倒閉之年'] = df['倒閉時間'].str[:4].apply(int) 
# unique()  獲取所屬行業(yè)這一列的唯一值   去重 
datas = list(df['所屬行業(yè)'].unique()) 
print(datas) 
# print(len(datas)) 
for item in datas: 
    # 判斷每行  有這個類型  對應(yīng)類型的列下添個1 
    df[item] = df['所屬行業(yè)'].str.contains(item).apply(lambda x: 1 if x else 0) 
 
industry_data = df.loc[:, datas] 
# 將成立之年作為索引標(biāo)簽 
industry_data.index = df['倒閉之年'] 
# 將數(shù)據(jù)集按年份分組并求和，得出每個年份，公司所屬各行業(yè)的數(shù)量 
industry_df = industry_data.groupby('倒閉之年').sum() 
# print(industry_df) 
# print(type(industry_df)) 
# industry_df.to_excel('2010-2019年各行業(yè)倒閉公司數(shù)量.xlsx', encoding='gbk') 
mpl.rcParams['font.family'] = 'Kaiti' 
fig, ax = plt.subplots(figsize=(15, 9)) 
# 繪制熱力圖    cmap：從數(shù)字到色彩空間的映射 
# PRGn_r  OrRd  rainbow 
sns.heatmap(data=industry_df.T, linewidths=0.25, 
            linecolor='white', ax=ax, annot=True, 
            fmt='d', cmap='rainbow', robust=True, 
            ) 
 
# 添加描述信息   x y軸  title 
ax.set_xlabel('年份', fontdict={'size': 18, 'weight': 'bold'}) 
ax.set_ylabel('公司所屬行業(yè)', fontdict={'size': 18, 'weight': 'bold'}) 
ax.set_title('2010-2019年各行業(yè)倒閉公司數(shù)量熱力圖', fontsize=25, x=0.5, y=1.02) 
 
# 隱藏邊框 
ax.spines['top'].set_visible(False) 
ax.spines['right'].set_visible(False) 
ax.spines['left'].set_visible(False) 
ax.spines['bottom'].set_visible(False) 
 
# 保存 展示圖片 
plt.savefig('heat_map.png') 
plt.show() 

# -*- coding: UTF-8 -*- 
""" 
@Author  ：葉庭云 
@公眾號  ：修煉Python 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
import pandas as pd 
import matplotlib.pyplot as plt 
import matplotlib as mpl 
import mplcyberpunk 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
df['倒閉之年'] = df['倒閉時間'].str[:4].apply(int) 
# unique()  獲取所屬行業(yè)這一列的唯一值   去重 
datas = list(df['所屬行業(yè)'].unique()) 
print(datas) 
# print(len(datas)) 
for item in datas: 
    # 判斷每行  有這個類型  對應(yīng)類型的列下添個1 
    df[item] = df['所屬行業(yè)'].str.contains(item).apply(lambda x: 1 if x else 0) 
 
industry_data = df.loc[:, datas] 
# 將成立之年作為索引標(biāo)簽 
industry_data.index = df['倒閉之年'] 
# 將數(shù)據(jù)集按年份分組并求和，得出每個年份，公司所屬各行業(yè)的數(shù)量 
industry_df = industry_data.groupby('倒閉之年').sum() 
# print(industry_df) 
# print(type(industry_df)) 
industry_df.T.to_excel('2010-2019年各行業(yè)倒閉公司數(shù)量.xlsx', encoding='gbk') 
 
# 使用風(fēng)格樣式  賽博朋克風(fēng)格 
plt.style.use("cyberpunk") 
# 設(shè)置中文顯示 
mpl.rcParams['font.family'] = 'SimHei' 
# 設(shè)置大小  像素 
plt.figure(figsize=(10, 6), dpi=100) 
 
# DataFrame 繪制折線圖 
plt.plot(industry_df, label=industry_df.columns) 
# 添加描述信息 
plt.xticks(range(2010, 2020, 1)) 
plt.xlabel('年份', fontsize=12) 
plt.ylabel('倒閉公司數(shù)量', fontsize=12) 
plt.title('2010-2019年各行業(yè)倒閉公司數(shù)量變化趨勢', fontsize=18, x=0.5, y=1.02) 
# 設(shè)置線條發(fā)光+面積圖 
mplcyberpunk.add_glow_effects() 
# 顯示圖例 
plt.legend(industry_df) 
# 保存圖片 
plt.savefig('test_004.png') 
# 展示圖片 
plt.show() 

• 這十年來，各行業(yè)倒閉公司數(shù)量變化趨勢大致相似。在2019年，從公司所處行業(yè)來看，倒閉最多的是電子商務(wù)，有 675 家;其次是企業(yè)服務(wù)，有 665 家;第三是金融，有 624 家;本地生活排第四，有 446 家。
• 百團(tuán)大戰(zhàn)、垂直電商大戰(zhàn)、外賣大戰(zhàn)、打車大戰(zhàn)、單車大戰(zhàn)，在這些著名的戰(zhàn)場里，各種橋段令吃瓜群眾們目不暇接。有老大老二打架，老三打沒了;有老二老三合并，繼續(xù)和老大抗衡的;也有老大老二合并，將其他家遠(yuǎn)遠(yuǎn)甩在后面的……
• 還有像沖頂大會之類直播答題一樣，辦起來的時候，各家分庭抗禮來勢洶洶，卻從2018年的公歷新年開始，沒有挺到農(nóng)歷新年。

風(fēng)口消亡的背后，是無數(shù)創(chuàng)業(yè)公司燒掉的錢，每個公司在一開始，都堅信可以燒倒對手，但燒著燒著把自己燒光了，卻再也拿不到融資。

 

安邦保險、廣信房產(chǎn)這兩家屬于金融行業(yè)的公司，在燒錢榜上融資總額分別排第一、第二。共享單車們也曾大戰(zhàn)一場，戰(zhàn)火燒過國內(nèi)的各大城市，甚至燒到了海外。摩拜單車在燒錢榜單名列第三，融資總額 327.1596 億元;ofo小黃車緊隨其后，排名第五，融資總額 167.96 億元，摩拜單車存活 5 年 11 個月，ofo小黃車存活 5 年 7 個月。

接著來看看這些倒閉公司的獲投狀態(tài) 

import pandas as pd 
from collections import Counter 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
data = list(df['獲投狀態(tài)']) 
count = Counter(data).most_common() 
for item in count: 
    print(item) 

結(jié)果如下： 

# (獲投狀態(tài),倒閉公司數(shù)量) 
('尚未獲投', 5184) 
('不明確', 4859) 
('天使輪', 1898) 
('A輪', 622) 
('種子輪', 198) 
('已被收購', 149) 
('A+輪', 137) 
('B輪', 117) 
('Pre-A輪', 111) 
('戰(zhàn)略投資', 44) 
('C輪', 25) 
('D輪', 10) 
('B+輪', 9) 
('新三板', 5) 
('E輪', 2) 
('已退市', 2) 
('C+輪', 1) 
('已上市', 1) 
('Pre-B輪', 1) 

超過 10000 家倒閉公司獲投狀態(tài)為尚未獲投、不明確。

創(chuàng)業(yè)公司的消亡，究其原因必然是多方面的，除行業(yè)競爭激烈這一核心因素外，最主要的還是資金問題。創(chuàng)業(yè)者內(nèi)在對于如何維穩(wěn)、如何盈利等方面欠缺的了解、思考與準(zhǔn)備，不足以在行業(yè)穩(wěn)定后，支撐他在風(fēng)口來臨之初的一腔熱血豪情。

 

參考 IT 桔子給的市場定位，分析創(chuàng)業(yè)公司死亡原因。

# -*- coding: UTF-8 -*- 
""" 
@Author  ：葉庭云 
@公眾號  ：修煉Python 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
import pandas as pd 
from collections import Counter 
from pyecharts import options as opts 
from pyecharts.charts import Pie 
from pyecharts.globals import CurrentConfig 
 
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
datas = df['倒閉原因'] 
# 參考IT桔子給的市場定位  創(chuàng)業(yè)公司死亡原因主要的問題 
reason_loaction = {'團(tuán)隊問題': ['創(chuàng)始人問題', '與投資人沖突', '團(tuán)隊能力不足', '團(tuán)隊缺乏激情'], 
                   '產(chǎn)品問題': ['產(chǎn)品缺陷嚴(yán)重', '產(chǎn)品入場時機(jī)'], 
                   '資金問題': ['燒錢', '現(xiàn)金流斷裂', '融資能力不足'], 
                   '運營問題': ['定價/成本問題', '營銷不足', '不重視客戶', '轉(zhuǎn)型問題'], 
                   '外部原因': ['法律法規(guī)風(fēng)險', '行業(yè)競爭', '政策監(jiān)管'], 
                   '其他問題': ['市場偽需求', '商業(yè)模式匱乏', '業(yè)務(wù)過于分散', '業(yè)務(wù)調(diào)整'] 
                   } 
reasons_list = [] 
for item in datas: 
    data = item.split('|') 
    for i in data: 
        reasons_list.append(i) 
 
reasons_count = Counter(reasons_list).most_common() 
for item in reasons_count: 
    print(item) 
print(len(reasons_count))     # 主要有20種原因 
result = [] 
for key in reason_loaction.keys(): 
    num = 0 
    for i, j in reasons_count: 
        if i in reason_loaction[key]: 
            num += j 
    result.append([key, num]) 
 
print(result) 
 
c = ( 
    # 寬  高  背景顏色 
    Pie(init_opts=opts.InitOpts(width="800px", height="500px", bg_color="#2c343c")) 
    .add( 
        series_name="倒閉原因",   # 系列名稱 
        data_pair=result,         # 系列數(shù)據(jù)項，格式為 [(key1, value1), (key2, value2)...] 
        rosetype="radius",        # radius：扇區(qū)圓心角展現(xiàn)數(shù)據(jù)的百分比，半徑展現(xiàn)數(shù)據(jù)的大小 
        radius="55%",             # 餅圖的半徑 
        center=["50%", "50%"],    # 餅圖的中心（圓心）坐標(biāo)，數(shù)組的第一項是橫坐標(biāo)，第二項是縱坐標(biāo) 
        label_opts=opts.LabelOpts(is_show=False, position="center"),   # 標(biāo)簽配置項 
    ) 
    .set_colors(["#00BFFF", "#00FF7F", "#FF1493", "#8B008B", "#FFFF00", "#556B2F"]) 
    .set_global_opts( 
        title_opts=opts.TitleOpts( 
            title="Customized Pie", 
            pos_left="center", 
            pos_top="20", 
            title_textstyle_opts=opts.TextStyleOpts(color="#fff"), 
        ), 
        legend_opts=opts.LegendOpts(is_show=False), 
    ) 
    .set_series_opts( 
        tooltip_opts=opts.TooltipOpts( 
            trigger="item", formatter="{a} <br/>: {c} (k6zqhab033oa%)"  # 'item': 數(shù)據(jù)項圖形觸發(fā)，主要在散點圖，餅圖等無類目軸的圖表中使用 
         ), 
        label_opts=opts.LabelOpts(color="#fff"), 
    ) 
    .render("customized_pie.html") 
) 

結(jié)果如下： 

('行業(yè)競爭', 6818) 
('燒錢', 4963) 
('融資能力不足', 4655) 
('營銷不足', 2297) 
('現(xiàn)金流斷裂', 1802) 
('商業(yè)模式匱乏', 1490) 
('政策監(jiān)管', 992) 
('業(yè)務(wù)過于分散', 990) 
('產(chǎn)品入場時機(jī)', 917) 
('法律法規(guī)風(fēng)險', 850) 
('市場偽需求', 775) 
('定價/成本問題', 549) 
('業(yè)務(wù)調(diào)整', 150) 
('不重視客戶', 101) 
('產(chǎn)品缺陷嚴(yán)重', 46) 
('轉(zhuǎn)型問題', 42) 
('團(tuán)隊能力不足', 42) 
('創(chuàng)始人問題', 19) 
('與投資人沖突', 6) 
('團(tuán)隊缺乏激情', 5) 
20 
[['團(tuán)隊問題', 72], ['產(chǎn)品問題', 963], ['資金問題', 11420], ['運營問題', 2989], ['外部原因', 8660], ['其他問題', 3405]] 

• 行業(yè)競爭激烈是核心原因。而從市場定位來看，對于創(chuàng)業(yè)公司，資金問題是主要原因，包括燒錢、現(xiàn)金流斷裂、融資能力不足，其次是外部原因，包括行業(yè)競爭激烈、政策監(jiān)管、法律法規(guī)風(fēng)險。
• 另外，"偽風(fēng)口" 與 "偽需求" 也曾迷住眾多創(chuàng)業(yè)公司的眼。有的瞄準(zhǔn)的市場過于分散，還未形成市場效應(yīng);有的則沒有解決市場痛點，不痛不癢的創(chuàng)造用戶不需要的需求。"共享經(jīng)濟(jì)" 衍生出的共享單車、共享充電寶紅紅火火，但共享電話、共享廁紙、共享籃球什么的，倒也不必。

比較有意思的是，這個死亡公司數(shù)據(jù)庫還加了一個上香排行榜，排行第一的果然是大名鼎鼎的“快播”。

還真是有的公司死了，但在人們心里它還活著。 

再來看一下創(chuàng)業(yè)公司的地區(qū)分布 

# -*- coding: UTF-8 -*- 
""" 
@Author  ：葉庭云 
@公眾號  ：修煉Python 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
import pandas as pd 
from collections import Counter 
from pyecharts.globals import ThemeType, CurrentConfig, GeoType 
from pyecharts import options as opts 
from pyecharts.charts import Geo 
 
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
# 有些數(shù)據(jù)可能多了空格 
area = list(df['所在地區(qū)'].str.strip()) 
 
area_count = Counter(area).most_common() 
# 濾除 
filter_area = [('北美洲', 23), ('亞洲', 11), ('歐洲', 3)] 
area_counts = [item for item in area_count if item not in filter_area] 
for item in area_counts: 
    print(item) 
geo = Geo(init_opts=opts.InitOpts(width='1000px', height='600px', theme=ThemeType.DARK)) 
geo.add_schema(maptype='china', label_opts=opts.LabelOpts(is_show=True))   # 顯示label  省名 
geo.add('倒閉公司數(shù)量', data_pair=area_counts, type_=GeoType.EFFECT_SCATTER, symbol_size=8) 
geo.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) 
geo.set_global_opts(title_opts=opts.TitleOpts(title='倒閉公司數(shù)量在全國的分布'), 
                    visualmap_opts=opts.VisualMapOpts(max_=5000, is_piecewise=True, 
                    pieces=[{"max": 50, "min": 0, "label": "0-50", "color": "#708090"},        # 分段  添加圖例注釋  和顏色 
                              {"max": 100, "min": 51, "label": "51-100", "color": "#00FFFF"}, 
                              {"max": 200, "min": 101, "label": "101-200", "color": "#00008B"}, 
                              {"max": 300, "min": 201, "label": "201-300", "color": "#483D8B"}, 
                              {"max": 1000, "min": 500, "label": "500-1000", "color": "#1E90FF"}, 
                              {"max": 2000, "min": 1001, "label": "1001-2000", "color": "#8B008B"}, 
                              {"max": 4000, "min": 2001, "label": "2001-4000", "color": "#FF1493"}, 
                              {"max": 5000, "min": 4001, "label": "4001-5000", "color": "#FF0000"} 
                                 ]) 
                    ) 
 
geo.render("geo_map.html") 

有個別數(shù)據(jù)地區(qū)是北美洲、亞洲、歐洲這樣的，不便于分析，將其濾掉。 

結(jié)果如下： 

# (地區(qū),倒閉公司數(shù)量) 
('北京', 4527) 
('廣東', 2355) 
('上海', 2000) 
('浙江', 1007) 
('四川', 707) 
('江蘇', 507) 
('湖北', 302) 
('福建', 264) 
('山東', 211) 
('陜西', 197) 
('湖南', 155) 
('重慶', 154) 
('河南', 125) 
('安徽', 119) 
('天津', 110) 
('遼寧', 98) 
('河北', 76) 
('江西', 62) 
('黑龍江', 53) 
('廣西', 42) 
('山西', 36) 
('臺灣', 36) 
('云南', 34) 
('貴州', 32) 
('海南', 26) 
('香港', 23) 
('吉林', 20) 
('內(nèi)蒙古', 19) 
('新疆', 16) 
('甘肅', 11) 
('寧夏', 7) 
('西藏', 5) 
('青海', 2) 

北上廣不相信眼淚，但創(chuàng)業(yè)公司還是青睞于北京、廣東、上海等地區(qū)。 

最后看一下倒閉公司經(jīng)營年限分布情況 

# -*- coding: UTF-8 -*- 
""" 
@Author  ：葉庭云 
@公眾號  ：修煉Python 
@CSDN    ：https://yetingyun.blog.csdn.net/ 
""" 
import pandas as pd 
from collections import Counter 
from pyecharts import options as opts 
from pyecharts.charts import Bar 
from pyecharts.globals import ThemeType, CurrentConfig 
 
 
CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/' 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
 
year = list(df['經(jīng)營年限']) 
year_count = Counter(year).most_common() 
year_count = sorted(year_count, key=lambda x:x[0]) 
x_data = [x[0] for x in year_count] 
y_data = [y[1] for y in year_count] 
bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK)) 
bar.add_xaxis(xaxis_data=x_data) 
bar.add_yaxis("倒閉公司數(shù)量", y_axis=y_data) 
bar.set_global_opts( 
        title_opts=opts.TitleOpts(title='倒閉公司經(jīng)營年限分布'), 
        xaxis_opts=opts.AxisOpts(name='經(jīng)營年限'),   # 設(shè)置x名稱和Label 
        yaxis_opts=opts.AxisOpts(name='倒閉公司數(shù)量'), 
 
    ) 
bar.render('bar.html') 

結(jié)果如下： 

經(jīng)營年限不足 1 年的公司有 277 家，倒閉公司經(jīng)營年限大部分在 2-4 年，經(jīng)營年限為1年、5年的也比較多，經(jīng)營年限 6 年以上的越來越少。 

經(jīng)營年限最長的倒閉公司Top10： 

import pandas as pd 
 
# 讀取數(shù)據(jù) 
df = pd.read_excel('2010-2019倒閉公司數(shù)據(jù).xlsx') 
# 按經(jīng)營年限   降序排列 
df1 = df.sort_values(by='經(jīng)營年限', ascending=False) 
df1.iloc[:10, ].to_excel('經(jīng)營年限最長的倒閉公司Top10.xlsx', index=False) 

結(jié)語：這是一個最好的時代，也是一個最壞的時代，一批創(chuàng)業(yè)者正踏上天堂之路，一批創(chuàng)業(yè)者正走向地獄之門，創(chuàng)業(yè)的道路上致使失敗的原因太多，如同蝴蝶效應(yīng)一樣，一個小小的問題，也可能導(dǎo)致最終的失敗。創(chuàng)業(yè)不易，且行且珍惜!