使用Python获取疫情数据，并使用pyecharts可视化，绘制国内、国际日增长人数地图，matplotlib绘制方寸图。同时代码是在notebook中完成，
随笔记录所的所学，此博客为我记录文章所用，发布到此，仅供网友阅读参考。作者:北山啦
写在前面：这个已经不是什么新鲜的话题了，所以请大佬勿喷
由于网页变化，爬取代码报错，修改后，再次发布时CSDN就不通过了，为了能发出来，我要修改一些keywords，分成两个部分来发布。数据获取在这篇文章https://beishan.blog.csdn.net/article/details/127728522
3.3 数据整合
将国内数据和海外数据合并
从新增areaTree中提取中国数据，并添加至world_data
import time
import json
import requests
from datetime import datetime
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import patches
world_data.loc[world_data['country'] == "中国"]
confirm = areaTree[0]['total']['confirm'] # 提取中国累计确诊数据
heal = areaTree[0]['total']['heal'] # 提取中国累计治愈数据
dead = areaTree[0]['total']['dead'] # 提取中国累计死亡数据
nowConfirm = confirm - heal - dead # 计算中国现有确诊数量
world_data = world_data.append(
{
'country': "中国",
'nowConfirm': nowConfirm,
'confirm': confirm,
'heal': heal,
'dead': dead
},
ignore_index=True)
再次查询数据中是否含有中国疫情数据
world_data.loc[world_data['country'] == "中国"]
| country | nowConfirm | confirm | dead | heal | |
|---|---|---|---|---|---|
| 161 | 中国 | 518 | 102479 | 4849 | 97112 |
4. 可视化展示
4.1 国内疫情态势可视化
导入pyecharts相关库
import pyecharts.options as opts
from pyecharts.charts import Map
from pyecharts.globals import CurrentConfig, NotebookType
#CurrentConfig.NOTEBOOK_TYPE = NotebookType.JUPYTER_LAB
国内各地区现有确诊人数地图
m = Map()
m.add("", [
list(z)
for z in zip(list(china_data["province"]), list(china_data["nowConfirm"]))
],
maptype="china",
is_map_symbol_show=False)
m.set_global_opts(
title_opts=opts.TitleOpts(title="COVID-19中国现有地区现有确诊人数地图"),
visualmap_opts=opts.VisualMapOpts(
is_piecewise=True,
pieces=[
{
"min": 5000,
"label": '>5000',
"color": "#893448"
}, # 不指定 max，表示 max 为无限大
{
"min": 1000,
"max": 4999,
"label": '1000-4999',
"color": "#ff585e"
},
{
"min": 500,
"max": 999,
"label": '500-1000',
"color": "#fb8146"
},
{
"min": 101,
"max": 499,
"label": '101-499',
"color": "#ffA500"
},
{
"min": 10,
"max": 100,
"label": '10-100',
"color": "#ffb248"
},
{
"min": 1,
"max": 9,
"label": '1-9',
"color": "#fff2d1"
},
{
"max": 1,
"label": '0',
"color": "#ffffff"
}
]))
#m.render_notebook()
m.render("china.html")
会生成一个名为china的html文件，图就再其中，如果你用notebook来运行的，可以改为m.render_notebook()
4.2 国际疫情态势可视化
将各国的中文名称转换成英文名称，使用pandas中的merge方法
pd.merge( left, right, how=‘inner’, on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=(‘_x’, ‘_y’), copy=True, indicator=False, validate=None,)
how: One of ‘left’, ‘right’, ‘outer’, ‘inner’. 默认inner。inner是取交集，outer取并集
这里需要使用到,国家中英文对照表.xlsx。提取码: u1mc
百度网盘自取提取码: u1mc 。
把下载的excel和你的python程序放在相同目录即可。
world_name = pd.read_excel(r"国家中英文对照表.xlsx")
world_data_t = pd.merge(world_data,
world_name,
left_on="country",
right_on="中文",
how="inner")
world_data_t
| country | nowConfirm | confirm | dead | heal | 英文 | 中文 | |
|---|---|---|---|---|---|---|---|
| 0 | 美国 | 7282611 | 30358880 | 552470 | 22523799 | United States | 美国 |
| 1 | 西班牙 | 193976 | 3212332 | 72910 | 2945446 | Spain | 西班牙 |
| 2 | 法国 | 2166003 | 2405255 | 57671 | 181581 | France | 法国 |
| 3 | 秘鲁 | 111940 | 422183 | 19408 | 290835 | Peru | 秘鲁 |
| 4 | 英国 | 90011 | 104145 | 13759 | 375 | United Kingdom | 英国 |
| ... | ... | ... | ... | ... | ... | ... | ... |
| 164 | 伯利兹 | 2 | 2 | 0 | 0 | Belize | 伯利兹 |
| 165 | 东帝汶 | 1 | 1 | 0 | 0 | Timor-Leste | 东帝汶 |
| 166 | 东帝汶 | 1 | 1 | 0 | 0 | East Timor | 东帝汶 |
| 167 | 巴布亚新几内亚 | 1 | 1 | 0 | 0 | Papua New Guinea | 巴布亚新几内亚 |
| 168 | 中国 | 518 | 102479 | 4849 | 97112 | China | 中国 |
169 rows × 7 columns
世界各国现有确诊人数地图
m2 = Map()
m2.add("", [
list(z)
for z in zip(list(world_data_t["英文"]), list(world_data_t["nowConfirm"]))
],
maptype="world",
is_map_symbol_show=False)
m2.set_global_opts(title_opts=opts.TitleOpts(title="COVID-19世界各国现有确诊人数地图"),
visualmap_opts=opts.VisualMapOpts(is_piecewise=True,
pieces=[{
"min": 5000,
"label": '>5000',
"color": "#893448"
}, {
"min": 1000,
"max": 4999,
"label": '1000-4999',
"color": "#ff585e"
}, {
"min": 500,
"max": 999,
"label": '500-1000',
"color": "#fb8146"
}, {
"min": 101,
"max": 499,
"label": '101-499',
"color": "#ffA500"
}, {
"min": 10,
"max": 100,
"label": '10-100',
"color": "#ffb248"
}, {
"min": 0,
"max": 9,
"label": '0-9',
"color": "#fff2d1"
}]))
"""取消显示国家名称"""
m2.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
#m2.render_notebook()
m2.render("world.html")
会生成一个名为world
的html文件，图就再其中，如果你用notebook来运行的，可以改为m.render_notebook()
4.3 国内疫情方寸间
单独取出中国疫情数据
# 单独取出中国疫情数据
China_data = world_data.loc[world_data['country'] == "中国"]
# 使索引从0开始递增
China_data.reset_index(drop=True, inplace=True)
China_data
| country | nowConfirm | confirm | dead | heal | |
|---|---|---|---|---|---|
| 0 | 中国 | 518 | 102479 | 4849 | 97112 |
提取China_data的累计确诊、累计治愈与累计死亡数据
# 提取China_data的累计确诊、累计治愈与累计死亡数据
# data.at[n,'name']代表根据行索引和列名，获取对应元素的值
w_confirm = China_data.at[0, 'confirm']
w_heal = China_data.at[0, 'heal']
w_dead = China_data.at[0, 'dead']
导入matplotlib相关库
import matplotlib.pyplot as plt
import matplotlib.patches as patches
构建国内疫情方寸间图示
# -*- coding: utf-8 -*-
#%matplotlib inline
fig1 = plt.figure()
ax1 = fig1.add_subplot(111, aspect='equal', facecolor='#fafaf0')
ax1.set_xlim(-w_confirm / 2, w_confirm / 2)
ax1.set_ylim(-w_confirm / 2, w_confirm / 2)
ax1.spines['top'].set_color('none')
ax1.spines['right'].set_color('none')
ax1.spines['bottom'].set_position(('data', 0))
ax1.spines['left'].set_position(('data', 0))
ax1.set_xticks([])
ax1.set_yticks([])
p0 = patches.Rectangle((-w_confirm / 2, -w_confirm / 2),
width=w_confirm,
height=w_confirm,
facecolor='#29648c',
label='confirm')
p1 = patches.Rectangle((-w_heal / 2, -w_heal / 2),
width=w_heal,
height=w_heal,
facecolor='#69c864',
label='heal')
p2 = patches.Rectangle((-w_dead / 2, -w_dead / 2),
width=w_dead,
height=w_dead,
facecolor='#000000',
label='dead')
plt.gca().add_patch(p0)
plt.gca().add_patch(p1)
plt.gca().add_patch(p2)
plt.title('COVID-19 Square - China', fontdict={'size': 20})
plt.legend(loc='best')
plt.show()
4.4 国际疫情方寸间
重新排序数据
world_data.sort_values("confirm", ascending=False, inplace=True)
world_data.reset_index(drop=True, inplace=True)
world_data
| country | nowConfirm | confirm | dead | heal | |
|---|---|---|---|---|---|
| 0 | 美国 | 7282611 | 30358880 | 552470 | 22523799 |
| 1 | 西班牙 | 193976 | 3212332 | 72910 | 2945446 |
| 2 | 法国 | 2166003 | 2405255 | 57671 | 181581 |
| 3 | 秘鲁 | 111940 | 422183 | 19408 | 290835 |
| 4 | 英国 | 90011 | 104145 | 13759 | 375 |
| ... | ... | ... | ... | ... | ... |
| 157 | 利比里亚 | 3 | 3 | 0 | 0 |
| 158 | 几内亚比绍 | 2 | 2 | 0 | 0 |
| 159 | 伯利兹 | 2 | 2 | 0 | 0 |
| 160 | 东帝汶 | 1 | 1 | 0 | 0 |
| 161 | 巴布亚新几内亚 | 1 | 1 | 0 | 0 |
162 rows × 5 columns
构建国际疫情方寸间图示
# -*- coding: utf-8 -*-
plt.rcParams['font.sans-serif'] = [u'SimHei']
plt.rcParams['axes.unicode_minus'] = False
fig1 = plt.figure(figsize=(25, 25))
for a in range(20):
w_confirm = world_data.at[a, 'confirm']
w_heal = world_data.at[a, 'heal']
w_dead = world_data.at[a, 'dead']
ax1 = fig1.add_subplot(20 / 4,
4,
a + 1,
aspect='equal',
facecolor='#fafaf0')
ax1.set_xlim(-w_confirm / 2, w_confirm / 2)
ax1.set_ylim(-w_confirm / 2, w_confirm / 2)
ax1.spines['top'].set_color('none')
ax1.spines['right'].set_color('none')
ax1.spines['bottom'].set_position(('data', 0))
ax1.spines['left'].set_position(('data', 0))
ax1.set_xticks([])
ax1.set_yticks([])
p0 = patches.Rectangle((-w_confirm / 2, -w_confirm / 2),
width=w_confirm,
height=w_confirm,
alpha=w_confirm / 90000,
facecolor='#29648c',
label='confirm')
p1 = patches.Rectangle((-w_heal / 2, -w_heal / 2),
width=w_heal,
height=w_heal,
alpha=1,
facecolor='#69c864',
label='heal')
p2 = patches.Rectangle((-w_dead / 2, -w_dead / 2),
width=w_dead,
height=w_dead,
alpha=1,
facecolor='black',
label='dead')
plt.gca().add_patch(p0)
plt.gca().add_patch(p1)
plt.gca().add_patch(p2)
plt.title(world_data.at[a, 'country'], fontdict={'size': 20})
plt.legend(loc='best')
plt.show()
这样就可以清楚的看到各个国家新冠确诊人数、治愈和死亡人数的关系了
到这里就结束了，如果对你有帮助，欢迎点赞关注评论，你的点赞对我很重要。
2133
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
