【Python征稿】用Python分析了某市公开的流浪动物救助数据，发现了一个反直觉规律

上个月，我作为动物保护志愿者，出于好奇心想看看救助站的真实运转情况，便从市数据开放平台下载了一份包含800条记录的“年度流浪动物救助公开数据集”，打算用Python做个深度分析。

数据包含“月份”、“动物种类（猫/狗）”、“救助方式（主动巡查/市民送交）”和“是否被领养”。一开始我想直接统计每月的救助总数，但发现这样无法看出真实的领养效率。于是我改用 groupby 结合 pivot_table 计算不同来源的实际领养转化率：

1. import pandas as pd
   
2. 
   
3. # 读取公开数据集
   
4. df = pd.read_csv('animal_rescue_open_data.csv', encoding='utf-8')
   
5. 
   
6. # 计算各动物种类在不同救助方式下的实际领养率（是=1, 否=0）
   
7. adoption_rate = pd.pivot_table(
   
8.     df,
   
9.     values='是否被领养',
   
10.     index='动物种类',
    
11.     columns='救助方式',
    
12.     aggfunc='mean'
    
13. )
    
14. print(adoption_rate.round(2))

复制代码

运行结果出乎意料：“市民送交”的猫狗领养率（约65%）远高于“主动巡查”救助的（约30%）。最后我把这个透视表用seaborn画成了热力图，分享给了志愿者团队，作为后续宣传“鼓励市民科学送交”的数据支撑。

这次分析让我深刻体会到，原始数据里的“救助总数”会掩盖效率问题，用 aggfunc='mean' 计算转化率才能反映真实情况。新手建议：处理这类结果导向的数据，先做比率计算，别只盯着绝对数量求和。

本文为本人真实经历，原创首发，未使用AI生成。