getting_started

# Data Commons 入门 ## 快速入门指南 本指南提供了常见 Data Commons 工作流的端到端示例。 ## 安装与设置 bash # 安装并支持 Pandas pip install "datacommons-client[Pandas]" # 设置 datacommons.org 的 API 密钥 export DC_API_KEY="your_api_key_here" 在 https://apikeys.datacommons.org/ 申请 API 密钥。 ## 示例 1：基础人口查询 查询特定地点的当前人口： python from datacommons_client import DataCommonsClient # 初始化客户端 client = DataCommonsClient() # 第 1 步：将地点名称解析为 DCID places = ["California", "Texas", "New York"] resolve_response = client.resolve.fetch_dcids_by_name( names=places, entity_type="State" ) # 提取 DCID dcids = [] for name, result in resolve_response.to_dict().items(): if result["candidates"]: dcids.append(result["candidates"][0]["dcid"]) print(f"{name}: {result['candidates'][0]['dcid']}") # 第 2 步：查询人口数据 response = client.observation.fetch( variable_dcids=["Count_Person"], entity_dcids=dcids, date="latest" ) # 第 3 步：显示结果 data = response.to_dict() for variable, entities in data.items(): for entity, observations in entities.items(): for obs in observations: print(f"{entity}: {obs['value']:,} people ({obs['date']})") ## 示例 2：时序分析 检索并绘制历史失业率： python import pandas as pd import matplotlib.pyplot as plt client = DataCommonsClient() # 查询随时间变化的失业率 response = client.observation.fetch( variable_dcids=["UnemploymentRate_Person"], entity_dcids=["country/USA"], date="all" # 获取所有历史数据 ) # 转换为 DataFrame df = response.to_observations_as_records() # 绘图 df = df.sort_values('date') plt.figure(figsize=(12, 6)) plt.plot(df['date'], df['value']) plt.title('US Unemployment Rate Over Time') plt.xlabel('Year') plt.ylabel('Unemployment Rate (%)') plt.grid(True) plt.show() ## 示例 3：地理层级查询 获取州内所有县的数据： python client = DataCommonsClient() # 查询加州所有县的家庭收入中位数 response = client.observation.fetch( variable_dcids=["Median_Income_Household"], entity_expression="geoId/06<-containedInPlace+{typeOf:County}", date="2020" ) # 转换为 DataFrame 并排序 df = response.to_observations_as_records() # 获取县名