微信扫一扫city-compare -- 中国城市经济多维对比诊断
能力边界
支持的操作：
- 50 个中国主要城市的经济数据查询（直辖市、省会、计划单列市、GDP 前列地级市）
- 8 个经济维度指标对比：经济规模、增长动能、财政收入、居民收入、消费活力、工业实力、对外开放、公共服务
- 多城市雷达图叠加对比（基于 Plotly，交互式悬停/缩放/导出）
- 各维度排名条形图
- 8 个维度间的相关性热力图矩阵
- K-means 城市聚类分析（自动分组相似城市）
- PCA 降维散点图（揭示城市群分布模式）
- 城市差距分析（多城市在同一维度上的相对差距可视化）
- Streamlit Web 交互式仪表板应用
- 综合得分排名表（加权综合评分）
不支持的操作：
- 房价、学区、宜居度等居住类指标
- 实时交通拥堵、环境污染等高频传感器数据
- 全球城市跨国对比
- 城市人口迁徙、通勤等空间数据
- 时间序列分析（仅有横截面数据）
- 自定义维度或指标权重（使用内置权重方案）
触发条件
当用户提出以下意图时触发本 Skill：
- "比较北京、上海、深圳、广州的经济数据"
- "哪些城市经济增长最快"
- "城市经济雷达图对比"
- "中国城市聚类分析"
- "分析城市经济结构差异"
- "城市选择决策辅助"、"去哪个城市发展"
- 任何涉及中国城市经济数据对比、多维度评估的需求
使用方法
# 启动 Streamlit Web 应用
streamlit run app.py
# 运行演示脚本
python examples/demo.py
Streamlit 应用操作流程：
- 在左侧边栏选择 2-5 个城市
- 右侧主区域自动展示：综合排名表、雷达图叠加对比、维度排名条形图
- 切换 Tab 可查看：相关性热力图、聚类散点图、差距分析
输出示例
综合排名 (加权评分):
─────────────────────────────────────────────
排名 城市 综合得分 经济规模 增长动能 ...
─────────────────────────────────────────────
1 上海 92.1 98.3 85.2 ...
2 北京 90.7 95.8 82.1 ...
3 深圳 88.4 90.2 91.5 ...
4 广州 82.6 85.1 78.3 ...
5 苏州 79.3 82.4 80.1 ...
...
雷达图 (Plotly 交互式):
[8 维度雷达图，多城市叠加，不同颜色区分]
聚类结果 (K-means, k=4):
群组 A (一线综合型): 北京, 上海, 深圳, 广州
群组 B (工业导向型): 苏州, 无锡, 东莞, 佛山...
群组 C (区域中心型): 成都, 武汉, 南京, 杭州...
群组 D (特色发展型): ...
FAQ
Q1: 数据来源是什么？
数据通过 akshare 实时获取（优先在线），失败时回退到项目内置的 config/cities.yaml 静态数据。数据源涵盖各城市统计年鉴/统计公报的公开数据。
Q2: 覆盖哪些城市？ 覆盖 50 个主要城市：4 个直辖市、27 个省会/首府、5 个计划单列市，以及部分 GDP 排名前列的地级市（如苏州、无锡、佛山、东莞等）。
Q3: 8 个维度各包含哪些具体指标？ 经济规模（GDP 总量）、增长动能（GDP 增速/固定资产投资增速）、财政收入（一般公共预算收入）、居民收入（人均可支配收入）、消费活力（社会消费品零售总额）、工业实力（规上工业增加值）、对外开放（进出口总额/实际利用外资）、公共服务（一般公共预算支出/人均医疗等）。
Q4: 综合得分是如何计算的？ 各维度原始数据经过 Min-Max 归一化后，按等权重加总得到综合得分。8 个维度在综合评分中权重相等。
Q5: K-means 聚类有什么用？ 帮助自动识别城市类型分组（如一线综合型、工业导向型、区域中心型等），理解不同城市的发展模式差异，为城市比较和政策研究提供参考框架。
技术栈
- 语言: Python 3.9+
- Web 框架: Streamlit（交互式仪表板）
- 数据源: akshare（实时在线获取），
config/cities.yaml（静态降级数据） - 科学计算: NumPy, Pandas, scikit-learn（K-means 聚类、PCA、StandardScaler）
- 可视化: Plotly（雷达图、柱状图、热力图、散点图）、Plotly Express
- 核心模块:
city_compare/(fetcher, radar, report) - 入口:
app.py(Streamlit)、examples/demo.py(脚本演示)