新冠疫情可视化（7月11日，7月12日）

**

各省疫情数据分析

**

1.黑龙江与香港疫情分析
2.湖南与湖北疫情分析
3.安徽与上海疫情分析

一.黑龙江与香港

1. 绘制两个省份累计确诊人数随时间变化折线图，结合当地政策进行分析(附录一)
制作简述：
导入python模块中的pandas模块，matplotlib.dates模块与matplotlib.pyplot模块
先运用pandas模块与数据所在的excel建起联系，进行有一定条件的数据筛选与调用，之后利用matplotlib型模块对于所采用的数据进行绘制展现。

分析：
有图可知，三月中旬之前，香港的疫情处于初期，还未开始爆发，但与黑龙江相比，黑龙江的确诊人数要高于香港，但黑龙江在二月后期开始短暂爆发，后面确诊人数趋于平稳。造成此现象的原因是：二月中旬和后期处于春运时期，各省返乡人流量较大，导致病毒传播速度较快，但是由于我国各省防疫措施的及时实施，在3，4月时疫情得到有效的控制，相比香港，从2019年11月开始，香港发生动乱，持续将近四个月，在此期间，前往香港的人数较少，导致3月中旬之前香港的疫情还未开始。
但3月中旬以后，香港的疫情开始爆发，累计确诊人数一直持续到4月初才趋于平稳，但是在6月末，7月初香港的确诊人数再次呈上升趋势，可见，香港疫情可能再次失去控制。
4月初的黑龙江，由于靠近中国的边疆，有着大量的境外输入病例，导致黑龙江的疫情再次短暂爆发。但由于黑龙江的防疫措施的有效执行和实施，导致境外输入病例得到有效控制，目前，黑龙江的累计确诊病例已经趋于平稳，无再次上升的趋势。

2. 绘制两个省份累计死亡人数随时间变化折线图，结合当地政策进行分析（附录二）
制作简述：
导入python模块中的pandas模块，matplotlib.dates模块与matplotlib.pyplot模块
先运用pandas模块与数据所在的excel建起联系，进行有一定条件的数据筛选与调用，之后利用matplotlib型模块对于所采用的数据进行绘制展现。

分析：
由上图可知，黑龙江在2月时死亡病例持续上升，但在3月后，黑龙江的累计死亡病例就已经趋于平稳了。出现此现象的原因时，2月正是中国疫情爆发初期，无数医护人员初次接触该病毒，对该病毒没有完全了解，部分重症病者无法第一时间得到正确的救治方案以及自身抵抗力弱的原因，感染病毒后引起自己身体上的并发症，造成人员的死亡。
而香港从2月到3月中旬累计死亡病例一直持续上升，后趋于平稳，但在6月后期又出现人员的死亡。但从总体来看，香港的累计死亡人数低于黑龙江的累计死亡人数。

3. 绘制两个省份治愈人数，死亡人数，确诊人数占比饼图(附录三)
制作简述：对装载数据的excel表格预先处理，得出南美洲的治愈、死亡、现有确诊总人数，之后直接带入数据。定义图形的大小，表情，每块的颜色，将所显示的分数设置为小数点后两位，设置列表名为南美洲，同时保证x，y轴刻度设置一致，保证饼图为圆形。运用t.set_size调整字体大小，最终用subplot函数实现把多个图形放在一个图里的功能，使用plot函数对其进行绘制展现。

分析：
从上图可知，黑龙江确诊人数占总体的50%，治愈人数占总体的49.31%，死亡占总数的0.69%，香港确诊人数占总体的52.16%，治愈人数占总体的47.55%，死亡人数占总体的0.29%，可见，黑龙江的确诊人数少于香港，但是黑龙江的治愈人数以及死亡人数的占比均大于香港。但两者占比相差不大。

4. 两个省份的各项数据做雷达图(f附录四)
制作简述：
导入python模块中的numpy，xlrd与matplotlib.pyplot模块，利用xlrd函数建立与数据之间的联系，从而达到引用数据的目的, 之后利用matplotlib.pyplot模块对其进行绘制展现。

分析：
由上图可见，黑龙江的累计确诊人数和累计治愈人数均小于香港的累计确诊人数和累计治愈人数，均在1000人上下，黑龙江的累计确诊和累计治愈接近同一个点，可见，黑龙江目前的疫情情况是处于好转这个局面，而相比香港的累计确诊和累计治愈还存在较小差距，因此，黑龙江的防疫措施略好于香港的防疫和治愈措施，但是两个地方的疫情治理情况良好，治疗情况也良好。

5. 绘制柱状图，按照月份，做累计确诊，累计治愈，累计死亡，累计境外输入的柱状图
香港：(附录五)
黑龙江：（附录六）


制作简述：
读取“香港（黑龙江）”表中各省的累计确诊、累计治愈、累计死亡人数，设置行名从2到7，总共6个月份，将列名设置为“疫情情况”，最后使用plot函数。
分析：
从上图可知，香港的累计确诊人数自2月份开始一直呈现上升趋势，但是香港的2，3月治愈人数较少，从4月开始香港的治愈人数迅速增加，但是于累计确诊人数相比还有一定差距。较好的是香港的死亡人数较少。但是，目前香港的疫情还未结束，累计确诊病例还暂未停止。
由上图可知，黑龙江2，3月的累计确诊人数相近，在3月时黑龙江的累计治愈和累计死亡人数之和就近似于累计确诊病例，但是由于境外病例的输入，黑龙江在4月时疫情再次爆发，但黑龙江5、6月的累计确诊病例于四月相比并未增加，在5、6月时黑龙江的累计治愈人数和累计死亡人数之和就近似于黑龙江的累计确诊病例了。可见，目前黑龙江的疫情已经快要结束了。

6、创意图(附录7)

各个图表的优势和劣势：
柱状图：可以清楚的知道累计确诊、累计治愈和累计死亡的具体数值和三者之间的数值大小。但是无法清晰的表示出每个月的增长或减小的具体数值
折线图：可以清楚的知道累计确诊或累计治愈或累计死亡随着时间的增长而发生的改变，但是无法将三者之间的关系直观的反应出来。
饼状图：可以清晰的反映出部分占总体的百分比，但是我们无法知道部分具体数值。
雷达图：可以看出两个地区的部分数据相比的情况，但是我们也无法得到部分数值，只能了解大概数值。
箱线图：可以知道最大值和最小值相距大小，还可以知道中位线和四分线，但我们无法知道具体数值
词云图：无法知道具体数值，但是我们可以直观的看出哪个地区的疫情最严重，哪些地区疫情不严重
漏斗图：可以知道每个月的变化大小，但无法知道具体数值。

附录（源代码）
附录一：累计确诊折线图
#模块导入
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt
#读取表格中的数据
data=pd.read_excel('数据.xlsx',None)
#设置字体
plt.rcParams['font.sans-serif']=['simhei']
data_in=data['黑龙江']
data_out=data['香港']
plt.figure(figsize=(15, 5))
plt.plot(data_in['日期'],data_in['累计确诊'])
plt.plot(data_out['日期'],data_out['累计确诊'])
plt.legend(['黑龙江','香港'])
plt.title('累计确诊人数趋势')
plt.show()

附录二：累计死亡折线图
#模块导入
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt
#读取表格中的数据
data=pd.read_excel('数据.xlsx',None)
#设置字体
plt.rcParams['font.sans-serif']=['simhei']
data_in=data['黑龙江']
data_out=data['香港']
plt.figure(figsize=(15, 5))
plt.plot(data_in['日期'],data_in['累计死亡'])
plt.plot(data_out['日期'],data_out['累计死亡'])
plt.legend(['黑龙江','香港'])
plt.title('累计死亡人数趋势')
plt.show()

附录三：饼图
#模块导入
import pandas as pd
import matplotlib.pyplot as plt
#读取表格中的数据
data=pd.read_excel('数据.xlsx',None)
#设置字体
plt.rcParams['font.sans-serif']=['simhei']
data_in=data['黑龙江']
data_out=data['香港']
#治愈，死亡，确诊人数占比饼图
plt.subplot(2,1,1)
plt.pie([934,13,947],labels=['治愈','死亡','确诊'],autopct='%.2f%%')
plt.title('黑龙江')
plt.subplot(2,1,2)
plt.pie([1156,7,1268],labels=['治愈','死亡','确诊'],autopct='%.2f%%')
plt.title('香港')
plt.show()

附录四：雷达图
import numpy as np
import matplotlib.pyplot as plt
import xlrd
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('ggplot')
workbook=xlrd.open_workbook('数据.xlsx')