十年沉浮，用Python看创业公司消亡史

作者 | 叶庭云

来源 | 修炼Python

头图 | 下载于视觉中国

前言

IT桔子有一个新经济死亡公司数据库：https://www.itjuzi.com/deathCompany，统计了2000-2020年之间比较出名的公司 "死亡" 数据。

• "死亡公司数据库" 的公司关闭时间是依据公开媒体报道及部分估算，可能会存在些许误差，但还是具有较高的可靠性；

• IT桔子对所收录公司运营状况的判定来源如下：1、公开媒体报道公司关闭、破产清算的；2、公司自身在微信、微博等渠道宣布关闭、破产清算的；3、公司明显经营异常：公司被注销；公司产品比如APP或微信持续 6 个月及以上没更新；公司因为监管被抓、无法经营……交叉比对后确认没有持续经营。

数据预处理

对已获取的 14425 条死亡公司数据进行数据查看和预处理

1import pandas as pd
2
3df = pd.read_excel('倒闭公司数据.xlsx')
4df.head()

1df.info()
2
3# 查看公司描述为NAN的这一行
4df[df.isnull().values == True]

挑选最近十年的死亡公司数据，来看一看这十年里，创业公司的消亡。

1# 提取2010-2019年的死亡公司数据
2df1 = df[df['倒闭时间'].str[:4].apply(int) >= 2010]
3df2 = df1[df1['倒闭时间'].str[:4].apply(int) < 2020]
4df2.head()

1# 2010-2019 的死亡公司数据保存到新的Excel
2df2.to_excel('2010-2019倒闭公司数据.xlsx', index=False)

数据分析

大家常说 1998 年是中国互联网元年，2010年是移动互联网的元年。也难怪，2010年的移动互联网实在是太热闹了。微信、小米、美团、爱奇艺等都在这一年相继成立。百度在谷歌退出中国后成为最大的受益者，淘宝成为阿里新的增长点，腾讯则宣布 QQ 同时在线超 1 亿人。自此，百度、阿里和腾讯正式成为"三巨头"——BAT。除此之外，网易的网游、新浪的微博、搜狐的视频和输入法也开始发力出击，移动互联网的竞争正式拉开帷幕。

  pyecharts 绘制折线图可视化：

 1# -*- coding: UTF-8 -*-2"""3@Author  ：叶庭云4@公众号  ：修炼Python5@CSDN    ：https://yetingyun.blog.csdn.net/6"""7import pandas as pd8import pyecharts.options as opts9import pyecharts
10from pyecharts.charts import Line
11from pyecharts.globals import CurrentConfig, ThemeType
12
13print(pyecharts.__version__)    # 查看当前 pyecharts 版本
14# 引用本地js资源渲染
15CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
16
17# 读取数据
18df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
19df1 = df[(df['成立之年'] >= 2010) & (df['成立之年'] < 2020)]
20born_time = df1['成立之年'].value_counts()
21# 按索引  2010-2019排序
22born_time = born_time.sort_index()
23death_time = df['倒闭时间'].str[:4].apply(int).value_counts()
24death_time = death_time.sort_index()
25
26year = [f'{i}年' for i in range(2010, 2020)]
27num_1 = [int(x) for x in born_time.values]
28num_2 = [int(y) for y in death_time.values]
29
30c = (
31    Line(init_opts=opts.InitOpts(theme=ThemeType.DARK))
32    .add_xaxis(xaxis_data=year)
33    .set_colors(['#7FFF00', 'red'])     # 设置两条折线图的颜色
34    .add_yaxis('出生公司数量', y_axis=num_1)
35    .add_yaxis('死亡公司数量', y_axis=num_2)
36    .set_global_opts(     # 设置x轴 y轴标签
37        xaxis_opts=opts.AxisOpts(name='年份'),
38        yaxis_opts=opts.AxisOpts(name='数量')
39    )
40    .render('test.html')
41)

2010 年来，历年出生及死亡的公司数量趋势如下图：

• 2014、2015年是公司诞生潮，两年后，正好对应了2016、2017的一波死亡潮。在 2017 年和 2018 年，均超过 2000 家公司倒闭，2019年超过 5000 家公司倒闭。2015年以后，新生创业公司越来越少，也侧面反应了创业越来越艰难。

• 在这十年间，诸多 "风口" 起起伏伏。网约车、团购、直播、基因检测、共享单车、短视频、比特币、VR|AR、无人货架、人工智能、直播带货……

每一个风口上，都站着数百头 "猪"，尝试飞起来。下面看看各行业这十年来倒闭公司数量分布情况。

 1# -*- coding: UTF-8 -*-2"""3@Author  ：叶庭云4@公众号  ：修炼Python5@CSDN    ：https://yetingyun.blog.csdn.net/6"""7import pandas as pd8import matplotlib.pyplot as plt9import matplotlib as mpl
10import seaborn as sns
11
12# 读取数据
13df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
14df['倒闭之年'] = df['倒闭时间'].str[:4].apply(int)
15# unique()  获取所属行业这一列的唯一值   去重
16datas = list(df['所属行业'].unique())
17print(datas)
18# print(len(datas))
19for item in datas:
20    # 判断每行  有这个类型  对应类型的列下添个1
21    df[item] = df['所属行业'].str.contains(item).apply(lambda x: 1 if x else 0)
22
23industry_data = df.loc[:, datas]
24# 将成立之年作为索引标签
25industry_data.index = df['倒闭之年']
26# 将数据集按年份分组并求和，得出每个年份，公司所属各行业的数量
27industry_df = industry_data.groupby('倒闭之年').sum()
28# print(industry_df)
29# print(type(industry_df))
30# industry_df.to_excel('2010-2019年各行业倒闭公司数量.xlsx', encoding='gbk')
31mpl.rcParams['font.family'] = 'Kaiti'
32fig, ax = plt.subplots(figsize=(15, 9))
33# 绘制热力图    cmap：从数字到色彩空间的映射
34# PRGn_r  OrRd  rainbow
35sns.heatmap(data=industry_df.T, linewidths=0.25,
36            linecolor='white', ax=ax, annot=True,
37            fmt='d', cmap='rainbow', robust=True,
38            )
39
40# 添加描述信息   x y轴  title
41ax.set_xlabel('年份', fontdict={'size': 18, 'weight': 'bold'})
42ax.set_ylabel('公司所属行业', fontdict={'size': 18, 'weight': 'bold'})
43ax.set_title('2010-2019年各行业倒闭公司数量热力图', fontsize=25, x=0.5, y=1.02)
44
45# 隐藏边框
46ax.spines['top'].set_visible(False)
47ax.spines['right'].set_visible(False)
48ax.spines['left'].set_visible(False)
49ax.spines['bottom'].set_visible(False)
50
51# 保存 展示图片
52plt.savefig('heat_map.png')
53plt.show()

 1# -*- coding: UTF-8 -*-2"""3@Author  ：叶庭云4@公众号  ：修炼Python5@CSDN    ：https://yetingyun.blog.csdn.net/6"""7import pandas as pd8import matplotlib.pyplot as plt9import matplotlib as mpl
10import mplcyberpunk
11
12# 读取数据
13df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
14df['倒闭之年'] = df['倒闭时间'].str[:4].apply(int)
15# unique()  获取所属行业这一列的唯一值   去重
16datas = list(df['所属行业'].unique())
17print(datas)
18# print(len(datas))
19for item in datas:
20    # 判断每行  有这个类型  对应类型的列下添个1
21    df[item] = df['所属行业'].str.contains(item).apply(lambda x: 1 if x else 0)
22
23industry_data = df.loc[:, datas]
24# 将成立之年作为索引标签
25industry_data.index = df['倒闭之年']
26# 将数据集按年份分组并求和，得出每个年份，公司所属各行业的数量
27industry_df = industry_data.groupby('倒闭之年').sum()
28# print(industry_df)
29# print(type(industry_df))
30industry_df.T.to_excel('2010-2019年各行业倒闭公司数量.xlsx', encoding='gbk')
31
32# 使用风格样式  赛博朋克风格
33plt.style.use("cyberpunk")
34# 设置中文显示
35mpl.rcParams['font.family'] = 'SimHei'
36# 设置大小  像素
37plt.figure(figsize=(10, 6), dpi=100)
38
39# DataFrame 绘制折线图
40plt.plot(industry_df, label=industry_df.columns)
41# 添加描述信息
42plt.xticks(range(2010, 2020, 1))
43plt.xlabel('年份', fontsize=12)
44plt.ylabel('倒闭公司数量', fontsize=12)
45plt.title('2010-2019年各行业倒闭公司数量变化趋势', fontsize=18, x=0.5, y=1.02)
46# 设置线条发光+面积图
47mplcyberpunk.add_glow_effects()
48# 显示图例
49plt.legend(industry_df)
50# 保存图片
51plt.savefig('test_004.png')
52# 展示图片
53plt.show()

• 这十年来，各行业倒闭公司数量变化趋势大致相似。在2019年，从公司所处行业来看，倒闭最多的是电子商务，有 675 家；其次是企业服务，有 665 家；第三是金融，有 624 家；本地生活排第四，有 446 家。

• 百团大战、垂直电商大战、外卖大战、打车大战、单车大战，在这些著名的战场里，各种桥段令吃瓜群众们目不暇接。有老大老二打架，老三打没了；有老二老三合并，继续和老大抗衡的；也有老大老二合并，将其他家远远甩在后面的……

• 还有像冲顶大会之类直播答题一样，办起来的时候，各家分庭抗礼来势汹汹，却从2018年的公历新年开始，没有挺到农历新年。

风口消亡的背后，是无数创业公司烧掉的钱，每个公司在一开始，都坚信可以烧倒对手，但烧着烧着把自己烧光了，却再也拿不到融资。

安邦保险、广信房产这两家属于金融行业的公司，在烧钱榜上融资总额分别排第一、第二。共享单车们也曾大战一场，战火烧过国内的各大城市，甚至烧到了海外。摩拜单车在烧钱榜单名列第三，融资总额 327.1596 亿元；ofo小黄车紧随其后，排名第五，融资总额 167.96 亿元，摩拜单车存活 5 年 11 个月，ofo小黄车存活 5 年 7 个月。

  接着来看看这些倒闭公司的获投状态

1import pandas as pd
2from collections import Counter
3
4# 读取数据
5df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
6data = list(df['获投状态'])
7count = Counter(data).most_common()
8for item in count:
9    print(item)

结果如下：

 1# (获投状态,倒闭公司数量)2('尚未获投', 5184)3('不明确', 4859)4('天使轮', 1898)5('A轮', 622)6('种子轮', 198)7('已被收购', 149)8('A+轮', 137)9('B轮', 117)
10('Pre-A轮', 111)
11('战略投资', 44)
12('C轮', 25)
13('D轮', 10)
14('B+轮', 9)
15('新三板', 5)
16('E轮', 2)
17('已退市', 2)
18('C+轮', 1)
19('已上市', 1)
20('Pre-B轮', 1)

超过 10000 家倒闭公司获投状态为尚未获投、不明确。

创业公司的消亡，究其原因必然是多方面的，除行业竞争激烈这一核心因素外，最主要的还是资金问题。创业者内在对于如何维稳、如何盈利等方面欠缺的了解、思考与准备，不足以在行业稳定后，支撑他在风口来临之初的一腔热血豪情。

  参考 IT 桔子给的市场定位，分析创业公司死亡原因。

 1# -*- coding: UTF-8 -*-2"""3@Author  ：叶庭云4@公众号  ：修炼Python5@CSDN    ：https://yetingyun.blog.csdn.net/6"""7import pandas as pd8from collections import Counter9from pyecharts import options as opts
10from pyecharts.charts import Pie
11from pyecharts.globals import CurrentConfig
12
13CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
14
15# 读取数据
16df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
17datas = df['倒闭原因']
18# 参考IT桔子给的市场定位  创业公司死亡原因主要的问题
19reason_loaction = {'团队问题': ['创始人问题', '与投资人冲突', '团队能力不足', '团队缺乏激情'],
20                   '产品问题': ['产品缺陷严重', '产品入场时机'],
21                   '资金问题': ['烧钱', '现金流断裂', '融资能力不足'],
22                   '运营问题': ['定价/成本问题', '营销不足', '不重视客户', '转型问题'],
23                   '外部原因': ['法律法规风险', '行业竞争', '政策监管'],
24                   '其他问题': ['市场伪需求', '商业模式匮乏', '业务过于分散', '业务调整']
25                   }
26reasons_list = []
27for item in datas:
28    data = item.split('|')
29    for i in data:
30        reasons_list.append(i)
31
32reasons_count = Counter(reasons_list).most_common()
33for item in reasons_count:
34    print(item)
35print(len(reasons_count))     # 主要有20种原因
36result = []
37for key in reason_loaction.keys():
38    num = 0
39    for i, j in reasons_count:
40        if i in reason_loaction[key]:
41            num += j
42    result.append([key, num])
43
44print(result)
45
46c = (
47    # 宽  高  背景颜色
48    Pie(init_opts=opts.InitOpts(width="800px", height="500px", bg_color="#2c343c"))
49    .add(
50        series_name="倒闭原因",   # 系列名称
51        data_pair=result,         # 系列数据项，格式为 [(key1, value1), (key2, value2)...]
52        rosetype="radius",        # radius：扇区圆心角展现数据的百分比，半径展现数据的大小
53        radius="55%",             # 饼图的半径
54        center=["50%", "50%"],    # 饼图的中心（圆心）坐标，数组的第一项是横坐标，第二项是纵坐标
55        label_opts=opts.LabelOpts(is_show=False, position="center"),   # 标签配置项
56    )
57    .set_colors(["#00BFFF", "#00FF7F", "#FF1493", "#8B008B", "#FFFF00", "#556B2F"])
58    .set_global_opts(
59        title_opts=opts.TitleOpts(
60            title="Customized Pie",
61            pos_left="center",
62            pos_top="20",
63            title_textstyle_opts=opts.TextStyleOpts(color="#fff"),
64        ),
65        legend_opts=opts.LegendOpts(is_show=False),
66    )
67    .set_series_opts(
68        tooltip_opts=opts.TooltipOpts(
69            trigger="item", formatter="{a} <br/>{b}: {c} ({d}%)"  # 'item': 数据项图形触发，主要在散点图，饼图等无类目轴的图表中使用
70         ),
71        label_opts=opts.LabelOpts(color="#fff"),
72    )
73    .render("customized_pie.html")
74)

结果如下：

 1('行业竞争', 6818)2('烧钱', 4963)3('融资能力不足', 4655)4('营销不足', 2297)5('现金流断裂', 1802)6('商业模式匮乏', 1490)7('政策监管', 992)8('业务过于分散', 990)9('产品入场时机', 917)
10('法律法规风险', 850)
11('市场伪需求', 775)
12('定价/成本问题', 549)
13('业务调整', 150)
14('不重视客户', 101)
15('产品缺陷严重', 46)
16('转型问题', 42)
17('团队能力不足', 42)
18('创始人问题', 19)
19('与投资人冲突', 6)
20('团队缺乏激情', 5)
2120
22[['团队问题', 72],
23['产品问题', 963],
24['资金问题', 11420],
25['运营问题', 2989], 
26['外部原因', 8660], 
27['其他问题', 3405]]

• 行业竞争激烈是核心原因。而从市场定位来看，对于创业公司，资金问题是主要原因，包括烧钱、现金流断裂、融资能力不足，其次是外部原因，包括行业竞争激烈、政策监管、法律法规风险。

• 另外，"伪风口" 与 "伪需求" 也曾迷住众多创业公司的眼。有的瞄准的市场过于分散，还未形成市场效应；有的则没有解决市场痛点，不痛不痒的创造用户不需要的需求。"共享经济" 衍生出的共享单车、共享充电宝红红火火，但共享电话、共享厕纸、共享篮球什么的，倒也不必。

比较有意思的是，这个死亡公司数据库还加了一个上香排行榜，排行第一的果然是大名鼎鼎的“快播”。

还真是有的公司死了，但在人们心里它还活着。

  再来看一下创业公司的地区分布

 1# -*- coding: UTF-8 -*-2"""3@Author  ：叶庭云4@公众号  ：修炼Python5@CSDN    ：https://yetingyun.blog.csdn.net/6"""7import pandas as pd8from collections import Counter9from pyecharts.globals import ThemeType, CurrentConfig, GeoType
10from pyecharts import options as opts
11from pyecharts.charts import Geo
12
13CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
14
15# 读取数据
16df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
17# 有些数据可能多了空格
18area = list(df['所在地区'].str.strip())
19
20area_count = Counter(area).most_common()
21# 滤除
22filter_area = [('北美洲', 23), ('亚洲', 11), ('欧洲', 3)]
23area_counts = [item for item in area_count if item not in filter_area]
24for item in area_counts:
25    print(item)
26geo = Geo(init_opts=opts.InitOpts(width='1000px', height='600px', theme=ThemeType.DARK))
27geo.add_schema(maptype='china', label_opts=opts.LabelOpts(is_show=True))   # 显示label  省名
28geo.add('倒闭公司数量', data_pair=area_counts, type_=GeoType.EFFECT_SCATTER, symbol_size=8)
29geo.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
30geo.set_global_opts(title_opts=opts.TitleOpts(title='倒闭公司数量在全国的分布'),
31                    visualmap_opts=opts.VisualMapOpts(max_=5000, is_piecewise=True,
32                    pieces=[{"max": 50, "min": 0, "label": "0-50", "color": "#708090"},        # 分段  添加图例注释  和颜色
33                              {"max": 100, "min": 51, "label": "51-100", "color": "#00FFFF"},
34                              {"max": 200, "min": 101, "label": "101-200", "color": "#00008B"},
35                              {"max": 300, "min": 201, "label": "201-300", "color": "#483D8B"},
36                              {"max": 1000, "min": 500, "label": "500-1000", "color": "#1E90FF"},
37                              {"max": 2000, "min": 1001, "label": "1001-2000", "color": "#8B008B"},
38                              {"max": 4000, "min": 2001, "label": "2001-4000", "color": "#FF1493"},
39                              {"max": 5000, "min": 4001, "label": "4001-5000", "color": "#FF0000"}
40                                 ])
41                    )
42
43geo.render("geo_map.html")

有个别数据地区是北美洲、亚洲、欧洲这样的，不便于分析，将其滤掉。

结果如下：

 1# (地区,倒闭公司数量)2('北京', 4527)3('广东', 2355)4('上海', 2000)5('浙江', 1007)6('四川', 707)7('江苏', 507)8('湖北', 302)9('福建', 264)
10('山东', 211)
11('陕西', 197)
12('湖南', 155)
13('重庆', 154)
14('河南', 125)
15('安徽', 119)
16('天津', 110)
17('辽宁', 98)
18('河北', 76)
19('江西', 62)
20('黑龙江', 53)
21('广西', 42)
22('山西', 36)
23('台湾', 36)
24('云南', 34)
25('贵州', 32)
26('海南', 26)
27('香港', 23)
28('吉林', 20)
29('内蒙古', 19)
30('新疆', 16)
31('甘肃', 11)
32('宁夏', 7)
33('西藏', 5)
34('青海', 2)

北上广不相信眼泪，但创业公司还是青睐于北京、广东、上海等地区。

  最后看一下倒闭公司经营年限分布情况

 1# -*- coding: UTF-8 -*-2"""3@Author  ：叶庭云4@公众号  ：修炼Python5@CSDN    ：https://yetingyun.blog.csdn.net/6"""7import pandas as pd8from collections import Counter9from pyecharts import options as opts
10from pyecharts.charts import Bar
11from pyecharts.globals import ThemeType, CurrentConfig
12
13
14CurrentConfig.ONLINE_HOST = 'D:/python/pyecharts-assets-master/assets/'
15
16# 读取数据
17df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
18
19year = list(df['经营年限'])
20year_count = Counter(year).most_common()
21year_count = sorted(year_count, key=lambda x:x[0])
22x_data = [x[0] for x in year_count]
23y_data = [y[1] for y in year_count]
24bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.DARK))
25bar.add_xaxis(xaxis_data=x_data)
26bar.add_yaxis("倒闭公司数量", y_axis=y_data)
27bar.set_global_opts(
28        title_opts=opts.TitleOpts(title='倒闭公司经营年限分布'),
29        xaxis_opts=opts.AxisOpts(name='经营年限'),   # 设置x名称和Label
30        yaxis_opts=opts.AxisOpts(name='倒闭公司数量'),
31
32    )
33bar.render('bar.html')

结果如下：

经营年限不足 1 年的公司有 277 家，倒闭公司经营年限大部分在 2-4 年，经营年限为1年、5年的也比较多，经营年限 6 年以上的越来越少。

  经营年限最长的倒闭公司Top10：

1import pandas as pd
2
3# 读取数据
4df = pd.read_excel('2010-2019倒闭公司数据.xlsx')
5# 按经营年限   降序排列
6df1 = df.sort_values(by='经营年限', ascending=False)
7df1.iloc[:10, ].to_excel('经营年限最长的倒闭公司Top10.xlsx', index=False)

  结语：这是一个最好的时代，也是一个最坏的时代，一批创业者正踏上天堂之路，一批创业者正走向地狱之门，创业的道路上致使失败的原因太多，如同蝴蝶效应一样，一个小小的问题，也可能导致最终的失败。创业不易，且行且珍惜！

福 利

CSDN给大家发压岁钱啦！

2月4日到2月11日每天上午11点

价值198元的芒果TV年卡，价值99元的CSDN月卡！现金红包，CSDN电子书月卡等奖品大放送！百分百中奖！

https://t.csdnimg.cn/gAkN

更多精彩推荐

☞Python 分析热卖年货，今年春节大家都在送啥？☞爬了20W+条猫咪交易数据，它不愧是人类团宠☞英超引入 AI 球探，寻找下一个足球巨星
☞三年投 1000 亿，达摩院何以仗剑走天涯？

点分享点收藏点点赞点在看t