Цель проекта — провести анализ динамики выбросов CO₂ и связанных социально-экономических факторов на основе открытого табличного датасета (CSV) и представить результаты в виде набора визуализаций с единым стилем оформления.

Использован набор данных «CO₂ and Greenhouse Gas Emissions» от Our World in Data (OWID). Датасет распространяется в формате CSV и содержит показатели по странам и годам, включая CO₂, CO₂ на душу населения, ВВП, население и энергетические метрики. Источник (страница датасета): https://ourworldindata.org/co2-and-greenhouse-gas-emissions CSV (репозиторий OWID): https://github.com/owid/co2-data

Обработка выполнена в Python с использованием pandas. Основные шаги: • загрузка CSV; • отбор необходимых столбцов и удаление строк без ключевых полей; • формирование набора «focus» для сравнения (World, EU, Latvia, Russia, USA, China, India); • приведение типов и обработка пропусков; • расчет дополнительных показателей (например, GDP per capita = gdp / population).

В проекте применены следующие методы:

1. Описательная статистика (describe) для понимания распределения выбросов.
2. Сглаживание тренда: скользящее среднее за 10 лет для глобального ряда (World).
3. Корреляционный анализ (Пирсон) для набора метрик (co2_per_capita, gdp, energy_per_capita) за последние годы.
4. Визуальная проверка связи CO₂ на душу населения и GDP per capita с логарифмической шкалой по доходу.

Ниже приведены 4 графика разных типов (line/bar/scatter/heatmap), оформленные в едином стиле. Каждый график снабжен подписью и предназначен для поддержки интерпретации результатов.

1. Глобальный тренд по CO₂ демонстрирует выраженную долгосрочную динамику, которую удобнее интерпретировать после сглаживания скользящим средним.
2. Вклад отдельных стран в суммарные выбросы существенно различается, что видно на столбчатой диаграмме топ-эмитентов.
3. На уровне стран наблюдается нелинейная связь между уровнем дохода (GDP per capita) и CO₂ на душу населения, поэтому для визуального анализа применена логарифмическая шкала по оси X.
4. Корреляционная матрица помогает оценить совместную изменчивость метрик и выбрать направления для дальнейшего анализа.

В процессе подготовки черновой структуры отчета и базового шаблона кода использовались автоматизированные инструменты генерации текста. Итоговые расчеты, выбор метрик, построение графиков и формулировка выводов были проверены и доработаны вручную. Модель: ChatGPT (OpenAI). Страница продукта: https://chatgpt.com/

co2_owid_analysis.py

Репликация графиков и расчётов для отчёта по глобальным выбросам CO2 (OWID)

from future import annotations

import os from pathlib import Path

import numpy as np import pandas as pd import matplotlib.pyplot as plt

---------------------------

0) Конфигурация и единый стиль

---------------------------

DATA_URL = "https://raw.githubusercontent.com/owid/co2-data/master/owid-co2-data.csv" DATA_LOCAL = Path("owid-co2-data.csv") FIG_DIR = Path("figs") FIG_DIR.mkdir(parents=True, exist_ok=True)

BG = "#0B0F1A" FG = "#E8EEF7" GRID = "#2A3552" ACC1 = "#7CDBD5" ACC2 = "#FF4D8D" ACC3 = "#FFD166"

plt.rcParams.update({ "figure.facecolor": BG, "axes.facecolor": BG, "savefig.facecolor": BG, "text.color": FG, "axes.labelcolor": FG, "xtick.color": FG, "ytick.color": FG, "axes.edgecolor": GRID, "grid.color": GRID, "grid.alpha": 0.35, "axes.grid": True, "axes.titleweight": "bold", "font.size": 11, "font.family": "DejaVu Sans", })

def prettify(ax: plt.Axes) -> plt.Axes: ax.spines["top"].set_visible(False) ax.spines["right"].set_visible(False) ax.grid(True, which="major", linewidth=0.8) ax.set_axisbelow(True) return ax

---------------------------

1) Загрузка данных

---------------------------

def load_data() -> pd.DataFrame: if DATA_LOCAL.exists(): return pd.read_csv(DATA_LOCAL) df = pd.read_csv(DATA_URL) df.to_csv(DATA_LOCAL, index=False) return df

df = load_data()

Базовые метрики набора

years = (int(df["year"].min()), int(df["year"].max())) entities = int(df["country"].nunique()) rows, cols = df.shape

---------------------------

2) Фильтры и подготовка выборок

---------------------------

Страны: iso_code длиной 3 (исключаем агрегаты OWID/континенты/группы дохода)

is_country = df["iso_code"].notna() & (df["iso_code"].astype(str).str.len() == 3)

last_year = int(df["year"].max()) top12 = ( df[is_country & (df["year"] == last_year)][["country", "co2"]] .dropna() ) top12 = top12[top12["co2"] > 0].sort_values("co2", ascending=False).head(12)

focus = ["World", "European Union (27)", "Latvia", "Russia", "United States", "China", "India"] recent = df[df["country"].isin(focus) & (df["year"] >= (last_year - 25))].copy()

---------------------------

3) Статистические методы

---------------------------

3.1 Сглаживание (10-летнее скользящее среднее) для World CO2

world = df[df["country"] == "World"].sort_values("year").copy() world["co2_roll10"] = world["co2"].rolling(10, min_periods=5).mean()

3.2 Корреляции (Пирсон) по выбранному фокус-набору, последние ~25 лет

corr_cols = ["co2_per_capita", "gdp", "energy_per_capita"] corr = recent[corr_cols].corr(method="pearson")

3.3 Линейная аппроксимация CO2 per capita ~ log10(GDP per capita)

sc = df[is_country].copy() sc = sc.dropna(subset=["gdp", "population", "co2_per_capita"]) sc = sc[sc["population"] > 0] sc["gdp_per_capita"] = sc["gdp"] / sc["population"] sc = sc.replace([np.inf, -np.inf], np.nan).dropna(subset=["gdp_per_capita"])

last_year_gdp = int(sc["year"].max()) sc = sc[sc["year"] == last_year_gdp].copy()

x = sc["gdp_per_capita"].to_numpy() y = sc["co2_per_capita"].to_numpy() lx = np.log10(x)

y = a + b*log10(x)

b, a = np.polyfit(lx, y, deg=1)

---------------------------

4) Визуализация (4 разных типа графиков)

---------------------------

4.1 Line: World CO2 + rolling mean

fig, ax = plt.subplots(figsize=(11, 6)) ax.plot(world["year"], world["co2"], linewidth=1.4, alpha=0.35, color=ACC1, label="World: CO2 (raw)") ax.plot(world["year"], world["co2_roll10"], linewidth=2.8, color=ACC2, label="World: 10y rolling mean") ax.set_title("World CO2 emissions over time (raw vs 10-year rolling mean)") ax.set_xlabel("Year") ax.set_ylabel("CO2 emissions (million tonnes)") prettify(ax) ax.legend(frameon=False) fig.tight_layout() fig.savefig(FIG_DIR / "fig1_world_co2_trend.png", dpi=200) plt.close(fig)

4.2 Bar: Top-12 emitters (последний год)

fig, ax = plt.subplots(figsize=(11, 6)) ax.bar(top12["country"], top12["co2"], color=ACC3, alpha=0.95) ax.set_title(f"Top-12 countries by CO2 emissions in {last_year}") ax.set_xlabel("Country") ax.set_ylabel("CO2 emissions (million tonnes)") ax.tick_params(axis="x", rotation=35) prettify(ax) fig.tight_layout() fig.savefig(FIG_DIR / "fig2_top_emitters_bar.png", dpi=200) plt.close(fig)

4.3 Scatter + regression: CO2 per capita vs GDP per capita (log-x)

fig, ax = plt.subplots(figsize=(11, 6)) ax.scatter(sc["gdp_per_capita"], sc["co2_per_capita"], s=14, alpha=0.25, color=ACC1) ax.set_xscale("log") xs = np.logspace(np.log10(sc["gdp_per_capita"].min()), np.log10(sc["gdp_per_capita"].max()), 200) ys = a + b * np.log10(xs) ax.plot(xs, ys, linewidth=2.0, color=ACC2, label="Linear fit on log10(GDP per capita)") ax.set_title(f"CO2 per capita vs GDP per capita (log-x), {last_year_gdp}") ax.set_xlabel("GDP per capita (log scale)") ax.set_ylabel("CO2 per capita (tonnes per person)") prettify(ax) ax.legend(frameon=False) fig.tight_layout() fig.savefig(FIG_DIR / "fig3_scatter_gdp_co2pc.png", dpi=200) plt.close(fig)

4.4 Heatmap: Correlation matrix

fig, ax = plt.subplots(figsize=(7.4, 6.2)) im = ax.imshow(corr.values, interpolation="nearest") ax.set_title("Correlation matrix (focus set, recent ~25 years)") ax.set_xticks(range(len(corr.columns)), corr.columns, rotation=25, ha="right") ax.set_yticks(range(len(corr.index)), corr.index) for i in range(corr.shape[0]): for j in range(corr.shape[1]): ax.text(j, i, f"{corr.values[i, j]:.2f}", ha="center", va="center", color=FG) prettify(ax) plt.colorbar(im, ax=ax, fraction=0.046, pad=0.04) fig.tight_layout() fig.savefig(FIG_DIR / "fig4_corr_heatmap.png", dpi=200) plt.close(fig)

---------------------------

5) Ключевые числа (для отчёта/презентации)

---------------------------

world_last = float(world.loc[world["year"] == last_year, "co2"].iloc[0]) world_roll_last = float(world.loc[world["year"] == last_year, "co2_roll10"].iloc[0]) top5 = top12.head(5)

print("Dataset:", rows, "rows,", cols, "columns; years:", years, "entities:", entities) print("World CO2 last year:", last_year, "=", round(world_last, 3), "MtCO2") print("World 10y rolling mean (end):", round(world_roll_last, 3), "MtCO2") print("\nTop-5 emitters (countries):") print(top5.to_string(index=False))