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.

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()

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",

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()

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="

add_callout(ax, "Одинакового «универсального» тренда нет:\n" "траектории заметно отличаются между странами.")

plt.tight_layout()

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()