Python for Economics, Computational Economics, Applied Econometrics, Python สำหรับเศรษฐศาสตร์, เศรษฐศาสตร์คำนวณ, เศรษฐมิติเชิงประยุกต์
ในบทที่ผ่านมา เราได้เรียนรู้การสร้างกราฟภาพนิ่งที่สวยงามเพื่อใช้ในสื่อสิ่งพิมพ์ แต่ในโลกของการทำงานจริงที่ต้องมีการนำเสนอผ่านเว็บไซต์ หรือการวิเคราะห์ข้อมูลเชิงลึก (Exploratory Data Analysis: EDA) กราฟที่โต้ตอบได้จะเข้ามาตอบโจทย์ที่กราฟภาพนิ่งทำไม่ได้
จุดเด่นที่สุดของ Plotly ในงานเศรษฐศาสตร์คือการจัดการข้อมูลอนุกรมเวลาที่มีจำนวนมาก เช่น ข้อมูลราคารายวันย้อนหลังหลายปี
Note: กราฟด้านล่างเป็นแบบ Interactive ท่านสามารถนำเมาส์ไปชี้เพื่อดูค่าหรือซูมข้อมูลได้
import plotly.express as px
import yfinance as yf
# 1. เตรียมข้อมูล
df = yf.download("^SET.BK", period="2y")
df = df[['Close']].copy()
df.columns = ['Price']
df = df.reset_index()
# 2. สร้างกราฟ
fig = px.line(df, x='Date', y='Price', title='SET Index Analysis')
fig.update_layout(xaxis_title="Timeline", yaxis_title="Index Points", hovermode="x unified")ในกรณีที่ตัวแปรทางเศรษฐศาสตร์มีมากกว่า 2 มิติ เช่น การพิจารณาความสัมพันธ์ระหว่าง การเติบโต (GDP), เงินเฟ้อ (Inflation) และ การว่างงาน (Unemployment) กราฟ 3 มิติจะช่วยให้ผู้อ่านเห็นภาพรวมของระบบเศรษฐกิจได้ครบถ้วนกว่ากราฟ 2 มิติแบบปกติ
import pandas as pd
import plotly.express as px
# 1. เตรียมข้อมูล Economic Indicators
data = {
'Country': ['A', 'B', 'C', 'D', 'E'],
'GDP_Growth': [2.5, 3.8, 1.2, 4.5, 0.5],
'Inflation': [1.5, 2.0, 4.5, 1.8, 8.0],
'Unemployment': [4.0, 3.5, 7.0, 2.5, 12.0]
}
df_econ = pd.DataFrame(data)
# 2. สร้างโครงสร้างกราฟ 3 มิติ
fig = px.scatter_3d(df_econ, x='GDP_Growth', y='Inflation', z='Unemployment',
color='GDP_Growth', text='Country',
title='3D Macroeconomic Indicators Analysis')Interactive View: ท่านสามารถคลิกและลากเมาส์เพื่อหมุนดูความสัมพันธ์ในมุมต่าง ๆ ได้
# แสดงผลแบบ Interactive สำหรับ HTML
fig.show()การวิเคราะห์เชิงพื้นที่ (Spatial Economics) เป็นอีกหนึ่งส่วนที่ Plotly ทำงานได้ดีเยี่ยม ผู้อ่านสามารถสร้างแผนที่โลกเพื่อเปรียบเทียบข้อมูลรายประเทศได้ทันที
# ใช้ข้อมูล Gapminder จากชุดข้อมูลตัวอย่างของ Plotly
df_gap = px.data.gapminder().query("year == 2007")
fig_map = px.choropleth(df_gap, locations="iso_alpha",
color="gdpPercap",
hover_name="country",
projection="natural earth",
title="Global GDP per Capita Analysis")fig_map.show()สำหรับการจัดการฟังก์ชันการผลิต (Production Function) ซึ่งเป็นกราฟแบบ Surface Plot 3 มิติ เพื่อให้แสดงผลได้ทั้งใน HTML Book และ Typst/PDF โดยใช้คำสั่ง :::: visible ผู้อ่านสามารถวางโครงสร้างเนื้อหาในไฟล์ ch8.qmd ได้ดังนี้ครับ
ในทางเศรษฐศาสตร์ทฤษฎี การทำความเข้าใจฟังก์ชันการผลิต เช่น Cobb-Douglas Production Function มักจะมีความซับซ้อนเนื่องจากเกี่ยวข้องกับปัจจัยนำเข้าหลายตัว การใช้กราฟพื้นผิว 3 มิติ (Surface Plot) จะช่วยให้ผู้อ่านเห็นภาพการเปลี่ยนแปลงของผลผลิต (Output) เมื่อมีการปรับเปลี่ยนแรงงาน (Labor) และทุน (Capital) พร้อมกัน
import plotly.graph_objects as go
import numpy as np
# 1. จำลองข้อมูลตามทฤษฎี Cobb-Douglas: Q = A * L^alpha * K^beta
l_space = np.linspace(1, 100, 50) # Labor
k_space = np.linspace(1, 100, 50) # Capital
L, K = np.meshgrid(l_space, k_space)
A = 1
alpha = 0.5
beta = 0.3
Q = A * (L**alpha) * (K**beta) # Output (Q)
# 2. สร้างโครงสร้างกราฟพื้นผิว 3 มิติ
fig_surf = go.Figure(data=[go.Surface(z=Q, x=l_space, y=k_space, colorscale='Viridis')])
# 3. ปรับแต่งองค์ประกอบ (English Labels)
fig_surf.update_layout(
title='Cobb-Douglas Production Function Analysis',
scene = dict(
xaxis_title='Labor (L)',
yaxis_title='Capital (K)',
zaxis_title='Output (Q)'
),
width=800,
height=700,
margin=dict(l=65, r=50, b=65, t=90)
)Interactive View: ท่านสามารถหมุนกราฟเพื่อดูความโค้งของฟังก์ชันผลิต และสังเกตปรากฏการณ์ Diminishing Marginal Returns ได้จากทุกมุมมอง
ในทางเศรษฐศาสตร์ เรามักต้องอธิบาย “การไหล” ของทรัพยากร เช่น การจัดสรรงบประมาณภาครัฐจากรายได้ภาษีไปสู่กระทรวงต่างๆ Sankey Diagram เป็นเครื่องมือที่ยอดเยี่ยมในการทำให้ผู้อ่านเห็นภาพปริมาณและการกระจายตัวของงบประมาณได้อย่างชัดเจน
import plotly.graph_objects as go
# 1. นิยามโครงสร้างการไหล (Source -> Target)
# 0: Tax Revenue, 1: Social Welfare, 2: Education, 3: Military, 4: Healthcare
fig_sankey = go.Figure(data=[go.Sankey(
node = dict(
pad = 15, thickness = 20,
line = dict(color = "black", width = 0.5),
label = ["Tax Revenue", "Social Welfare", "Education", "Military", "Healthcare"],
color = "royalblue"
),
link = dict(
source = [0, 0, 0, 0], # ต้นทางคือ Tax Revenue ทั้งหมด
target = [1, 2, 3, 4], # กระจายไปยังปลายทางต่างๆ
value = [45, 25, 15, 15] # สัดส่วนงบประมาณ
))])
fig_sankey.update_layout(title_text="Government Budget Allocation Flow", font_size=12)Interactive View: ท่านสามารถนำเมาส์ไปชี้ที่เส้นการไหลเพื่อดูตัวเลขงบประมาณที่แน่นอนในแต่ละสายได้
สำหรับผู้อ่านที่สนใจด้านเศรษฐศาสตร์การเงิน (Financial Economics) การใช้กราฟแท่งเทียนจะช่วยให้เห็นพฤติกรรมราคาในตลาดได้ละเอียดกว่ากราฟเส้นทั่วไป เพราะแสดงทั้งราคาเปิด (Open), สูงสุด (High), ต่ำสุด (Low), และราคาปิด (Close) ในแท่งเดียว
import yfinance as yf
import plotly.graph_objects as go
# 1. ดึงข้อมูล (เพิ่ม auto_adjust และ multi_level_index เพื่อให้จัดการง่าย)
df_fx = yf.download("USDTHB=X", period="12mo")
# เคลียร์ปัญหา Multi-index (ย้าย Ticker ออกไป)
if isinstance(df_fx.columns, pd.MultiIndex):
df_fx.columns = df_fx.columns.get_level_values(0)
df_fx = df_fx.reset_index()
# 2. สร้างกราฟแท่งเทียน
fig_candle = go.Figure(data=[go.Candlestick(
x=df_fx['Date'],
open=df_fx['Open'],
high=df_fx['High'],
low=df_fx['Low'],
close=df_fx['Close'])])
fig_candle.update_layout(
title="USD/THB Exchange Rate Analysis (Candlestick)",
xaxis_title="Date",
yaxis_title="Exchange Rate",
xaxis_rangeslider_visible=False,
template="plotly_white" # ช่วยให้กราฟดูสะอาดตาในตำรา
)Interactive View: ท่านสามารถใช้เมนูเครื่องมือในการซูม (Zoom) เพื่อดูลักษณะของแท่งเทียนในช่วงเวลาที่เกิดความผันผวนสูงได้
ในทางเศรษฐศาสตร์ เรามักพบข้อมูลที่มีลักษณะเป็นลำดับชั้น (Hierarchy) เช่น โครงสร้าง GDP ที่แบ่งตามภาคการผลิตหลัก (เกษตร, อุตสาหกรรม, บริการ) และในแต่ละภาคยังมีการแบ่งย่อยเป็นสาขากิจกรรมต่าง ๆ การใช้ Sunburst Chart จะช่วยให้ผู้อ่านเห็นสัดส่วนของข้อมูลจากภาพรวม (วงใน) ไปสู่รายละเอียด (วงนอก) ได้อย่างเป็นระบบ
import plotly.express as px
import pandas as pd
# 1. จำลองข้อมูลโครงสร้างเศรษฐกิจ (GDP Structure)
# ระบุชื่อรายการ (labels) และรายการหลักที่เป็นต้นกำเนิด (parents)
data = dict(
labels=["GDP", "Services", "Industry", "Agriculture",
"Tourism", "Finance", "Automotive", "Electronics", "Rice", "Rubber"],
parents=["", "GDP", "GDP", "GDP",
"Services", "Services", "Industry", "Industry", "Agriculture", "Agriculture"],
values=[100, 50, 30, 20, 30, 20, 15, 15, 12, 8]
)
# 2. สร้างโครงสร้างกราฟ Sunburst
fig_sun = px.sunburst(
data,
names='labels',
parents='parents',
values='values',
title="Hierarchy of National Economic Structure"
)Interactive View: ท่านสามารถคลิกที่วงกลมแต่ละส่วนเพื่อ “เจาะลึก” (Drill-down) เข้าไปดูสัดส่วนในหมวดหมู่ย่อยนั้น ๆ ได้อย่างชัดเจน
# แสดงผลแบบโต้ตอบสำหรับหน้าเว็บ
fig_sun.show()