Суицид — важная и тяжелая проблема нашего общества, о которой не принято говорить открыто. Анализ уровня суицида является важным социально-демографическим показателем, отражающим совокупное влияние экономических, культурных и психологических факторов. В разных странах и временных периодах этот показатель ведёт себя по-разному, что делает его анализ особенно значимым для понимания устойчивых различий между социальными группами. Изучение динамики самоубийств во времени, а также различий по полу, странам и поколениям позволяет увидеть, как масштабные человеческие процессы проявляются в статистических данных.
В своём анализе я использовала датасет «Suicide Rates Overview 1985–2016», опубликованный на платформе Kaggle. Датасет содержит данные о количестве самоубийств, численности населения, уровне самоубийств на 100 тысяч человек, поле, возрастных группах и поколениях в разных с странах в период с 1985 по 2016 год.
Кроме того, в набор данных входят макроэкономические показатели, такие как ВВП на душу населения и индекс человеческого развития (HDI), что позволяет рассматривать уровень самоубийств в более широком социально-экономическом контексте.
Интерес к этому датасету был обусловлен несколькими причинами:
Во-первых, тема напрямую связана с социальными и демографическими процессами и показывает, как сложные и болезненные человеческие явления могут быть формализованы в виде чисел.
Во-вторых, структура данных позволяет анализировать изменения во времени и сравнивать разные группы — по полу, странам и поколениям, — выстраивая связный исследовательский нарратив и предоставляя пространство для анализа причин суицида и выявления наиболее подверженных проблеме групп.
В-третьих, датасет даёт возможность сочетать визуальный анализ с применением статистических методов, переходя от наглядных графиков к проверке гипотез.
На начальном этапе данные были загружены из CSV-файла master.csv с использованием языка программирования Python и библиотеки Pandas.
После загрузки была выполнена базовая подготовка структуры таблицы: названия столбцов очищены от лишних пробелов.
Для первичного ознакомления с данными были выведены первые строки таблицы, а также информация о типах переменных и наличии пропусков. Этот шаг позволил понять общую структуру датасета, определить числовые и категориальные переменные и наметить дальнейшие шаги по очистке данных.
На втором этапе была проведена очистка данных и приведение переменных к корректным типам, необходимым для дальнейшего анализа и визуализации. В первую очередь столбец year был преобразован в числовой формат.
Далее числовые показатели, содержащие значения с разделителями, были очищены от запятых и приведены к типам float или int. Также была выполнена стандартизация значений переменной sex, чтобы избежать дублирования категорий из-за различий в формате записи.
Для визуального оформления проекта была выбрана ограниченная холодная палитра, основанная на сочетании чёрного, тёмно-синего и светлых голубых оттенков с белыми акцентами. Такое решение напрямую отсылает к визуальному языку фирменного стиля проекта и поддерживает общее эмоциональное и смысловое поле — холодное, тяжелое.
Глубокий чёрный (фон) #0E0E11 Тёмный ночной синий #1C2A3A Холодный сине-серый #3A5F7D Приглушённый голубой #6FA3C8 Светлый ледяной голубой #BFD9EA Мягкий белый (акценты, текст) #F4F6F8
Динамика во времени не является линейной или однозначной. В разные периоды наблюдаются росты и спады, что показывает: для корректной интерпретации необходимо учитывать дополнительные факторы и разбиение на группы. Также становится очевидно, что абсолютные значения и нормализованный показатель могут демонстрировать разные визуальные тренды, поэтому их важно рассматривать совместно.
fig, ax = plt.subplots (figsize=(12, 5))
ax.plot ( yearly[«year»], yearly[«suicides_total»], color=COL_BLACK, linewidth=2.2 )
ax.set_title («Глобальная динамика: абсолютное число самоубийств (1985–2016)») ax.set_xlabel («Год») ax.set_ylabel («Количество случаев (сумма по всем странам)»)
ax.text ( 0.02, 0.98, «Абсолютные числа зависят от размера населения.\n» «Поэтому далее дополнительно смотрим показатель на 100 тыс.», transform=ax.transAxes, ha="left», va="top», color=»#F4F6F8», bbox=dict ( boxstyle="round, pad=0.4», facecolor=»#1C2A3A», edgecolor=»#3A5F7D», linewidth=1 ) )
plt.tight_layout () plt.show ()
fig, ax = plt.subplots (figsize=(12, 5))
ax.plot ( yearly[«year»], yearly[«rate_mean»], color=COL_RED, linewidth=2.2 )
ax.set_title ( «Глобальная динамика: средний уровень самоубийств на 100 тыс. населения» ) ax.set_xlabel («Год») ax.set_ylabel («Самоубийства на 100 тыс. (среднее по странам/наблюдениям)»)
подсказка-вынос (использует обновлённый add_callout)
add_callout ( ax, «Нормализация (на 100 тыс.)\n» «позволяет сравнивать страны и годы корректнее.», xy=(0.02, 0.98) )
plt.tight_layout () plt.show ()
Гендерный разрыв сохраняется на протяжении всего анализируемого периода: показатели среди мужчин стабильно выше, чем среди женщин. При этом форма кривых у мужчин и женщин схожа, что говорит о схожей общей динамике, но на разных уровнях. Это указывает на устойчивый структурный характер различий, а не на единичные всплески.
pivot_sex = yearly_sex.pivot (index="year», columns="sex», values="rate_mean»)
fig, ax = plt.subplots (figsize=(12, 5), facecolor=BG)
if «male» in pivot_sex.columns: ax.plot ( pivot_sex.index, pivot_sex[«male»], color=COL_RED, # приглушённый голубой linewidth=2.4, label="Мужчины» )
if «female» in pivot_sex.columns: ax.plot ( pivot_sex.index, pivot_sex[«female»], color=COL_ORNG, # светлый ледяной голубой linewidth=2.4, label="Женщины» )
ax.set_title ( «Уровень самоубийств по полу: динамика (на 100 тыс.)», color=COL_BLACK ) ax.set_xlabel («Год», color=COL_BLACK) ax.set_ylabel («Самоубийства на 100 тыс.», color=COL_BLACK)
легенда в тёмном стиле
ax.legend ( frameon=True, facecolor="
1C2A3A»,
тёмный ночной синий edgecolor=»#3A5F7D», labelcolor=COL_BLACK )выноска (использует обновлённый add_callout)
add_callout ( ax, «Наблюдается устойчивый гендерный разрыв:\n» «мужчины выше женщин на протяжении всего периода.» )
plt.tight_layout () plt.show ()
У стран наблюдаются принципиально разные формы динамики: в одних странах уровень снижается, в других — растёт или колеблется. Это подтверждает, что не существует универсального глобального тренда, и анализ уровня самоубийств требует учёта национального контекста.
countries = list (top_countries) colors = custom_colors[: len (generations)]
fig, ax = plt.subplots (figsize=(12, 6))
for country, color in zip (countries, colors): d = yearly_country[yearly_country[«country»] == country] ax.plot (d[«year»], d[«rate_mean»], color=color, linewidth=2.0, label=country)
ax.set_title (f"Топ-{topN} стран по вкладу: уровень самоубийств (на 100 тыс.)») ax.set_xlabel («Год») ax.set_ylabel («Самоубийства на 100 тыс.») ax.legend (ncol=2, frameon=True, facecolor="
FFFDF8», edgecolor=»
E5DDCF»)add_callout (ax, «Одинакового „универсального“ тренда нет:\n» «траектории заметно отличаются между странами.»)
plt.tight_layout ()
Некоторые показатели демонстрируют статистическую связь с уровнем самоубийств. При этом важно подчеркнуть, что корреляция не означает причинно-следственную связь, а лишь указывает на совместное изменение показателей.
fig, ax = plt.subplots (figsize=(6.5, 5.5), facecolor=BG)
чтобы область осей тоже была тёмной (иногда rcParams не применяются везде)
ax.set_facecolor (BG)
im = ax.imshow ( corr.values, cmap=custom_cmap, vmin=-1, vmax=1 )
подписи осей
ax.set_xticks (range (len (corr.columns))) ax.set_yticks (range (len (corr.columns)))
ax.set_xticklabels ( [«Суициды / 100 тыс.», «ВВП на душу», «ИЧР»], rotation=25, ha="right», color=COL_BLACK ) ax.set_yticklabels ( [«Суициды / 100 тыс.», «ВВП на душу», «ИЧР»], color=COL_BLACK )
тонкие линии сетки по ячейкам (чтобы матрица читалась аккуратно)
ax.set_xticks ([x — 0.5 for x in range (1, corr.shape[1])], minor=True) ax.set_yticks ([y — 0.5 for y in range (1, corr.shape[0])], minor=True) ax.grid (which="minor», color=»#1C2A3A», linestyle="-», linewidth=1) ax.tick_params (which="minor», bottom=False, left=False)
Автоконтраст текста: цвет зависит от яркости ячейки
norm = mcolors.Normalize (vmin=-1, vmax=1)
for i in range (corr.shape[0]): for j in range (corr.shape[1]): val = corr.values[i, j]
# RGBA цвет ячейки из cmap
r, g, b, _ = custom_cmap (norm (val))
# воспринимаемая яркость
luminance = 0.2126 * r \+ 0.7152 * g \+ 0.0722 * b
# если фон тёмный — белый текст, если светлый — тёмный
txt_color = «<h3>F4F6F8» if luminance < 0.45 else »</h3>0E0E11»
ax.text (
j, i,
f"{val:.2f}»,
ha="center»,
va="center»,
color=txt_color,
fontsize=11,
fontweight="bold»
)
оформление осей под тёмный фон
ax.tick_params (colors=COL_BLACK) for spine in ax.spines.values (): spine.set_color (COL_BLACK)
ax.set_title («Корреляции (Спирмен): уровень и макропоказатели», color=COL_BLACK)
выноска (предполагается, что add_callout уже обновлена под тёмный фон)
add_callout ( ax, «Спирмен оценивает монотонную связь\nи менее чувствителен к выбросам,\nчем корреляция Пирсона.», xy=(0.02, 0.98) )
plt.tight_layout () plt.show ()
ChatGPT 5.2 как вспомогательный инструмент на этапе формулирования исследовательской темы и поиска данных: я обратилась с запросом проанализировать мои исследовательские интересы, предыдущий опыт работы с визуальными и социальными темами, а также предпочтения в формате анализа. На основе этого анализа модель предложила несколько потенциальных направлений для исследования, связанных с социально-демографическими процессами, динамикой во времени и возможностью статистического сравнения групп. Одним из таких направлений стал анализ уровня самоубийств в разрезе времени, пола, стран и поколений.
Midjourney 6.1 для генерации изображений, использованных как основа для фирменного стиля.
Анализ показал, что на уровень самоубийств важно смотреть с разных сторон, чтобы точнее отследить взаимосвязь между статистикой самоубийств и социально-демографическими факторами.
Абсолютные числа дают представление о масштабе, но только нормализованный показатель на 100 тысяч населения позволяет увидеть реальную динамику во времени. Эта динамика оказывается неоднородной: в разные годы наблюдаются как рост, так и снижение, поэтому говорить о едином устойчивом тренде нельзя.
При разделении данных по полу становится видно, что разрыв между мужчинами и женщинами сохраняется на протяжении всего периода, при этом общая форма изменений у них схожа.
Сравнение стран показывает, что каждая страна имеет свою собственную траекторию, и универсального сценария здесь не существует.
Анализ по поколениям дополняет эту картину, показывая, что группы, сформированные в разном социальном и историческом контексте, отличаются по уровню и распределению показателя.
В целом проект демонстрирует, что даже за сухими статистическими данными скрываются сложные и неоднозначные процессы, которые важно рассматривать в связке друг с другом.