3.2 读取世界各国历史数据
import chardet
import pandas as pd
# 查看文件编码格式
with open('alltime_world.csv', 'rb') as f:
data = f.read()
encoding = chardet.detect(data)['encoding']
# print(encoding)
# 读取数据
alltime_world = pd.read_csv("./alltime_world.csv",encoding=encoding)
# print(alltime_world)
# 创建中文列名字典
name_dict = {'date':'日期','name':'名称', 'today_confirm':'当日新增确诊',
'today_suspect':'当日新增疑似','today_heal':'当日新增治愈',
'today_dead':'当日新增死亡','today_severe':'当日新增重症',
'today_storeConfirm':'当日现存确诊','total_confirm':'累计确诊',
'total_suspect':'累计疑似','total_heal':'累计治愈',
'total_dead':'累计死亡','total_severe':'累计重症',
'total_input':'累计境外输入','today_input':'当日境外输入'}
# print(name_dict)
# 更改列名
alltime_world.rename(columns=name_dict,inplace=True)
# 展示前5行数据
print(alltime_world.head(5))
# 查看数据的基本信息
alltime_world.info()
# 查看数据的描述性统计信息
alltime_world.describe()
3.3 查看每天出现疫情的国家数量变化趋势(预处理）
import pandas as pd
# 将日期更改成datetime格式
alltime_world['日期'] = pd.to_datetime(alltime_world['日期'])
# 对日期进行分组聚合，统计每个分组的样本数
value = alltime_world.groupby('日期').size()
# 将日期转换成列表
time = [i.strftime('%m-%d') for i in value.index]
time
3.4 查看每天出现疫情的国家数量变化趋势
import pyecharts
import pyecharts.options as opts
from pyecharts.charts import Line
# 绘制出现疫情国家数量折线图
line = Line().add_xaxis(# 配置x轴
xaxis_data =time # 输入x轴数据
)
line. add_yaxis(# 配置y轴
series_name = "", # 设置图例名称
y_axis = value, # 输入y轴数据
symbol_size = 10, # 设置点的大小
label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签
is_smooth = True # 绘制平滑曲线
)
# 设置全局配置项
line.set_global_opts(title_opts = opts.TitleOpts(title = "疫情出现国家数量变化折线图",
pos_left = "center"), # 设置图标题和位置
axispointer_opts = opts.AxisPointerOpts(is_show = True,
link = [{"xAxisIndex": "all"}]), # 坐标轴指示器配置
# x轴配置项
xaxis_opts = opts.AxisOpts(type_ = "category"),
# y轴配置项
yaxis_opts = opts.AxisOpts(name = "疫情出现国家数量"), # 轴标题
)
line.render()
3.5 绘制世界国家累计确诊动态排名条形图（定义获取每日数据的函数）
import pyecharts.options as opts
# 将数据按照日期分组
grouped_world = dict(list(alltime_world.groupby('日期')))
# 定义函数，获取每天的数据
def transform_bar(date):
date_data = grouped_world[date]
# 当天累计确诊按照降序排列的国家名称
x = date_data.sort_values('累计确诊',ascending=False)['名称'].values.tolist()
# 当天累计确诊的最值，用于控制横轴范围
y_max = date_data['累计确诊'].max()
# 当天国家个数小于10
y = []
if len(x)<=10:
for i in range(len(x)):
# 定义每个条形的名称，值和颜色
y.append(
opts.BarItem(
name=x[i], # 名称
value=date_data.sort_values('累计确诊',ascending=False)['累计确诊'].values.tolist()[i], # 值
itemstyle_opts=opts.ItemStyleOpts(color=country_color[country_color['中文']==x[i]]['颜色'].values[0]) # 颜色
)
)
# 当天国家个数大于10
else:
# 选出前10个国家
x = x[:10]
for i in range(10):
y.append(
opts.BarItem(
name=x[i],
value=date_data.sort_values('累计确诊',ascending=False)['累计确诊'].values.tolist()[i],
itemstyle_opts=opts.ItemStyleOpts(color=country_color[country_color['中文']==x[i]]['颜色'].values[0])
)
)
return x,y,y_max
输出 None
3.6 绘制世界累计确诊动态排名条形图
# 载入时间轴组件和柱状图
from pyecharts.charts import Timeline
from pyecharts.charts import Bar
import pyecharts.options as opts
# 实例化时间轴组件
tl = Timeline()
tl.add_schema(is_auto_play=True, # 自动播放
play_interval=200, # 播放频率
is_loop_play=True) # 循环播放
# 循环作图
for date in list(grouped_world.keys())[36:]:
# 将日期转为字符串，并去掉年份
_date = date.strftime("%Y-%m-%d")[5:]
# 调用函数获取数据
x,y,y_max = transform_bar(date)
# 绘制条形图
bar = Bar(init_opts=opts.InitOpts()).add_xaxis(x).add_yaxis("确诊人数", y).reversal_axis()# 添加横轴和纵轴数据，交换两个轴的位置，相当于绘制条形图
# 系列配置项
bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right'))
# 全局配置项
bar.set_global_opts(legend_opts=opts.LegendOpts(is_show=True), # 显示图例
title_opts=opts.TitleOpts("{} Day".format(_date)), # 图标题
xaxis_opts = opts.AxisOpts(max_=int(y_max)+5000), # 设置横轴刻度最大值
yaxis_opts = opts.AxisOpts(is_inverse=True)) # 反向纵轴
# 在时间轴组件中添加图形
tl.add(bar, "{}".format(_date))
# 渲染
tl.render()
3.7 多国累计确诊和新增确诊变化趋势分析（预处理）
import pandas as pd
# 根据日期和名称两列进行分组聚合，选取累计确诊一列数据，并将名称一列由行索引转换为列索引
countries_total = alltime_world.groupby(['日期','名称'])['累计确诊'].mean().unstack()
# 根据日期和名称两列进行分组聚合，选取当日新增确诊一列数据，并将名称一列由行索引转换为列索引
countries_today = alltime_world.groupby(['日期','名称'])['当日新增确诊'].mean().unstack()
# 输出结果
print('============累计确诊数据============\n', countries_total.sample())
print('============当日新增确诊数据============\n',countries_today.sample())
3.8 多国累计确诊和新增确诊变化趋势分析
import pandas as pd
from pyecharts.charts import Line, Grid
import pyecharts.options as opts
list = ['中国', '日本', '韩国', '美国', '英国', '西班牙', '印度', '巴西', '法国', '俄罗斯']
# 绘制第一张图表：多国累计确诊折线图
# 配置x轴
l1 = Line().add_xaxis(
xaxis_data = time # 输入x轴数据
)
for c in list:
# 配置y轴
l1.add_yaxis(
series_name = c, # 设置图例名称
y_axis = countries_total[c]/10000, # 输入y轴数据
is_connect_nones=True, # 连接空数据
symbol_size = 10, # 设置点的大小
label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签
linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式
is_smooth = True # 绘制平滑曲线
)
# 设置全局配置项
l1.set_global_opts(
title_opts = opts.TitleOpts(
title = "",
pos_left = "center" # 设置图标题和位置
),
axispointer_opts = opts.AxisPointerOpts(
is_show = True,
link = [{"xAxisIndex": "all"}] # 坐标轴指示器配置
),
# x轴配置项
xaxis_opts = opts.AxisOpts(
type_ = "category",
boundary_gap = True # 坐标轴两边是否留白
),
# y轴配置项
yaxis_opts = opts.AxisOpts(
name = "累计确诊（万人）", # 轴标题
splitline_opts=opts.SplitLineOpts(is_show=True), # 显示图表分割线
axisline_opts = opts.AxisLineOpts(is_show=False) # 隐藏坐标轴轴线
),
# 图例配置项
legend_opts = opts.LegendOpts(
pos_left ='7%' # 图例的位置
)
)
# 绘制第二张图表：多国当日新增确诊折线图
l2 = Line().add_xaxis(xaxis_data = time)
for c in list:
l2.add_yaxis(
series_name=c,
y_axis=countries_total[c]/10000, # 添加数据
symbol_size=10,
is_connect_nones=True,
label_opts = opts.LabelOpts(is_show = False),
linestyle_opts = opts.LineStyleOpts(width = 1.5),
is_smooth = True
)
l2.set_global_opts(
# 设置坐标轴指示器
axispointer_opts = opts.AxisPointerOpts(
is_show = True,
link = [{"xAxisIndex": "all"}] # 对x轴所有索引进行联动
),
# x轴配置项
xaxis_opts = opts.AxisOpts(
is_show=False,
type_ = "category" # 类型
),
# y轴配置项
yaxis_opts = opts.AxisOpts(
name = "当日新增确诊（万人）",
splitline_opts=opts.SplitLineOpts(is_show=True),
axisline_opts = opts.AxisLineOpts(is_show=False)
),
# 图例设置
legend_opts = opts.LegendOpts(
is_show=False
)
)
# 绘制分组折线图
# 设置图形的长和宽
grid = Grid(
init_opts = opts.InitOpts(
width = "1000px",
height = "600px"
)
)
# 添加第一个图表
grid.add(
chart=l1,
grid_opts = opts.GridOpts(pos_left = 80, pos_right = 20, height = "35%") # 直角坐标系网格配置项
)
# 添加第二个图表
grid.add(
chart = l2,
grid_opts = opts.GridOpts(pos_left = 80, pos_right = 20, pos_top = "55%", height = "35%")
)
# 利用notebook进行渲染
grid.render()
3.9 世界各国历史数据可视化分析（拓展）
# 读取数据
import pandas as pd
alltime_world = pd.read_csv("alltime_world_2020_11_16.csv")
输出 None
3.11 读取中国历史数据
import chardet
import pandas as pd
# 查看文件编码格式
with open('./alltime_China.csv', 'rb') as f:
data = f.read()
encoding = chardet.detect(data).get("encoding")
# 数据读取
alltime_china = pd.read_csv('./alltime_China.csv',encoding=encoding)
# 展示前5行数据
print(alltime_china.head(5))
# 查看数据的基本信息
alltime_china.info()
# 查看数据的描述性统计信息
alltime_china.describe()
3.12 中国疫情历史数据可视化分析
import pandas as pd
from pyecharts.charts import Line, Grid
import pyecharts.options as opts
# 将日期改成datetime格式
alltime_china['日期'] = pd.to_datetime(alltime_china['日期'])
# 按时间顺序排列
alltime_china.sort_values(['日期'], inplace=True)
# 将日期转换成列表
time = [i.strftime('%m-%d') for i in alltime_china['日期']]
# 返回列标签，选取除日期以外的后8个标签
columns_name = alltime_china.columns[1:]
# 绘制折线图
line = Line().add_xaxis(# 配置x轴
xaxis_data = time # 输入x轴数据
)
for i in columns_name:
line.add_yaxis(# 配置y轴
series_name = i, # 设置图例名称
y_axis = alltime_china[i], # 输入y轴数据
symbol_size = 10, # 设置点的大小
label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签
linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式
is_smooth = True # 绘制平滑曲线
)
# 设置全局配置项
line.set_global_opts(title_opts = opts.TitleOpts(title = "",
pos_left = "center"), # 设置图标题和位置
axispointer_opts = opts.AxisPointerOpts(is_show = True,
link = [{"xAxisIndex": "all"}]), # 坐标轴指示器配置
# x轴配置项
xaxis_opts = opts.AxisOpts(type_ = "category",
boundary_gap = True), # 坐标轴两边是否留白
# y轴配置项
yaxis_opts = opts.AxisOpts(name = "人数", # 轴标题
splitline_opts=opts.SplitLineOpts(is_show=True), # 显示图表分割线
axisline_opts = opts.AxisLineOpts(is_show=False)), # 隐藏坐标轴轴线
# 图例配置项
legend_opts = opts.LegendOpts(pos_left='12%') # 图例的位置
)
line.render()
3.13 全国与二次爆发省市新增确诊对比折线图
# 将数据按照名称分组
grouped_province = alltime_province.groupby('名称')
# 提取出全国5月1日后的新增确诊人数
newconfirm_0501 = alltime_china.set_index('日期').loc['2020-05-01':, '当日新增确诊']
# 加载绘图类Line
from pyecharts.charts import Line
import pyecharts.options as opts
line1 = Line(init_opts = opts.InitOpts(width = "1100px", height = "500px")).add_xaxis(# 配置x轴
xaxis_data = newconfirm_0501.index.tolist() # 输入x轴数据
)
# 添加全国数据
line1.add_yaxis(# 配置y轴
series_name = '全国', # 设置图例名称
y_axis = newconfirm_0501.values.tolist(), # 输入y轴数据
symbol_size = 10, # 设置点的大小
label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签
linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式
is_smooth = True, # 绘制平滑曲线
)
# 添加北京、辽宁和新疆三个省的数据
for i in ['北京','辽宁','新疆']:
line1.add_yaxis(# 配置y轴
series_name = i, # 设置图例名称
y_axis = grouped_province.get_group(i).set_index('日期').loc['2020-05-01':,'当日新增确诊'].values.tolist(), # 输入y轴数据
symbol_size = 10, # 设置点的大小
label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签
linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式
is_smooth = True, # 绘制平滑曲线
)
# 设置全局配置项
line1.set_global_opts(title_opts = opts.TitleOpts(title = "",
pos_left = "center"), # 设置图标题和位置
axispointer_opts = opts.AxisPointerOpts(is_show = True,
link = [{"xAxisIndex": "all"}]), # 坐标轴指示器配置
# x轴配置项
xaxis_opts = opts.AxisOpts(type_ = "category",
boundary_gap = True), # 坐标轴两边是否留白
# y轴配置项
yaxis_opts = opts.AxisOpts(name = "人数",interval=30,max_=280), # 轴标题
# 图例配置项
legend_opts = opts.LegendOpts(pos_left ='12%') # 图例的位置
)
# 渲染
line1.render()
3.14 中国历史数据可视化分析（拓展）
# 读取数据
import pandas as pd
alltime_china = pd.read_csv("alltime_China_v1.csv")
alltime_province = pd.read_csv("alltime_province_2020_11_16.csv")
输出 None
3.16 读取美国各州历史数据
import chardet
import pandas as pd
# 查看文件编码格式
with open('./alltime_usa.csv','rb') as f:
data = f.read()
encoding = chardet.detect(data).get("encoding")
# 读取数据
alltime_state = pd.read_csv('./alltime_usa.csv',encoding=encoding)
# 创建中文列名字典
name_dict = {'date':'日期', 'name':'名称', 'today_confirm':'当日新增确诊',
'today_suspect':'当日新增疑似', 'today_heal':'当日新增治愈',
'today_dead':'当日新增死亡', 'today_severe':'当日新增重症',
'today_storeConfirm':'当日现存确诊', 'total_confirm':'累计确诊',
'total_suspect':'累计疑似', 'total_heal':'累计治愈',
'total_dead':'累计死亡', 'total_severe':'累计重症',
'total_input':'累计境外输入', 'today_input':'当日境外输入'}
# 更改列名
alltime_state.rename(columns=name_dict,inplace=True)
# 展示前5行数据
print(alltime_state.head(5))
# 查看数据的基本信息
alltime_state.info()
# 查看数据的描述性统计信息
alltime_state.describe()
3.17 美国每100万累计确诊所用天数柱状图
# 将数据按照名称分组，提取出美国的数据
grouped_usa = alltime_world.groupby('名称').get_group('美国')
# 设定组距
import numpy as np
bins = np.arange(0,1e7+2e6,1e6).tolist()
# 设置横轴数据
bins_label = [str(int(bins[i]/1e4))+'万~'+str(int(bins[i+1]/1e4)) + '万' for i in range(len(bins)-1)]
bins_label[0] = '0~100万'
# 对累计确诊这一列进行等距离散化
confirm_cutted = pd.cut(x=grouped_usa['累计确诊'],bins=bins,labels=False)
# 统计每组值的个数得到每100万累计确诊所用天数
confirm_days = confirm_cutted.value_counts().sort_index().values.tolist()
# 绘制柱状图
from pyecharts.charts import Bar
from pyecharts.charts import Line
import pyecharts.options as opts
# 实例化绘图类，添加横轴、纵轴数据
bar_ = Bar().add_xaxis(xaxis_data = bins_label).add_yaxis('天数',confirm_days)
# 设置全局配置项
bar_.set_global_opts(title_opts = opts.TitleOpts(title = "美国每100万累计确诊所用天数",
pos_left = "left"), # 设置图标题和位置
xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=35))
)
# 添加趋势折线
line_ = Line().add_xaxis(xaxis_data=bins_label)
line_.add_yaxis(
series_name="",
y_axis=[i+10 for i in confirm_days],
label_opts=opts.LabelOpts(is_show=False),
)
# 设置层叠组件
bar_.overlap(line_).render()
3.18 美国各州累计死亡动态地图（获取数据）
# 将数据按照日期分组
grouped_state = alltime_state.groupby('日期')
# 定义获取每日数据的函数
def transform_map(date):
# 获取当天数据
date_data = grouped_state.get_group(date)
# 添加州英文名称
date_data['英文名称'] = date_data['名称'].replace(state_name['中文名称'].values,state_name['英文名称'].values)
# 提取出各州英文名称和累计死亡人数的嵌套列表
y = date_data[['英文名称','累计死亡']].values.tolist()
return y
输出 None
3.19 美国各州累计死亡动态地图
# 加载时间轴组件
from pyecharts.charts import Timeline,Map
import pyecharts.options as opts
# 实例化时间轴组件
tl = Timeline()
tl.add_schema(is_auto_play=True, # 自动播放
play_interval=200, # 播放频率
is_loop_play=True) # 循环播放
for date in grouped_state.groups.keys():
_date = date[5:]
# 获取数据
heatmap_data = transform_map(date)
# 绘制地图
map_ = Map().add(series_name = "累计死亡人数", # 设置提示框标签
data_pair = heatmap_data, # 输入数据
maptype = "美国", # 设置地图类型为世界地图
is_map_symbol_show = False # 不显示标记点
)
# 设置系列配置项
map_.set_series_opts(label_opts=opts.LabelOpts(is_show=False)) # 不显示国家（标签）名称
# 设置全局配置项
map_.set_global_opts(legend_opts=opts.LegendOpts(is_show=True),
title_opts=opts.TitleOpts("{} Day".format(_date)),
visualmap_opts = opts.VisualMapOpts(pieces=[ # 自定义分组的分点和颜色
{"min": 10000,"color":"#800000"}, # 栗色
{"min": 5000, "max": 10000, "color":"#B22222"}, # 耐火砖
{"min": 1000, "max": 5000,"color":"#CD5C5C"}, # 印度红
{"min": 100, "max": 1000, "color":"#BC8F8F"}, # 玫瑰棕色
{"max": 100, "color":"#FFE4E1"}, # 薄雾玫瑰
],
is_piecewise = True))
# 在时间轴组件中添加图形
tl.add(map_, "{}".format(_date))
# 渲染
tl.render()
3.20 绘制美国3月每日新增确诊人数与股票涨跌变化折线图
# 将数据按名称分组并提取出美国的数据
grouped_usa = alltime_world.groupby('名称').get_group('美国')
# 提取出3月美国单日新增确诊人数数据
usa_data = grouped_usa[grouped_usa['日期'].isin(stock['日期'].values)][['日期','当日新增确诊']]
# 载入绘图类
from pyecharts.charts import Line, Grid
import pyecharts.options as opts
l1 = Line().add_xaxis(# 配置x轴
xaxis_data = stock['日期'].values.tolist() # 输入x轴数据
)
l1.add_yaxis(# 配置y轴
series_name = "单日新增人数", # 设置图例名称
y_axis = usa_data['当日新增确诊'].values.tolist(), # 输入y轴数据
symbol_size = 10, # 设置点的大小
label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签
linestyle_opts = opts.LineStyleOpts(width=1.5, type_='dotted'), # 线条宽度和样式
is_smooth = True, # 绘制平滑曲线
)
# 设置全局配置项
l1.set_global_opts(title_opts = opts.TitleOpts(title = "3月美国单日新增人数与股票指数涨幅对比折线图",
pos_left = "center"), # 设置图标题和位置
axispointer_opts = opts.AxisPointerOpts(is_show = True,
link = [{"xAxisIndex": "all"}]), # 坐标轴指示器配置
# x轴配置项
xaxis_opts = opts.AxisOpts(type_ = "category",
boundary_gap = True), # 坐标轴两边是否留白
# y轴配置项
yaxis_opts = opts.AxisOpts(name = "单日新增人数"), # 轴标题
# 图例配置项
legend_opts = opts.LegendOpts(pos_left ='7%') # 图例的位置
)
l2 = Line().add_xaxis(xaxis_data = stock['日期'].values.tolist())
l2.add_yaxis(series_name = "上证指数",
y_axis = stock['SSEC'], # 添加上证指数数据
symbol_size = 10,
label_opts = opts.LabelOpts(is_show = False),
linestyle_opts = opts.LineStyleOpts(width = 1.5), # 设置线宽
is_smooth = True)
l2.add_yaxis(series_name = "日经225指数",
y_axis = stock['N225'], # 添加日经225指数数据
symbol_size = 10,
label_opts = opts.LabelOpts(is_show = False),
linestyle_opts = opts.LineStyleOpts(width = 1.5),
is_smooth = True)
l2.add_yaxis(series_name = "纳斯达克综合指数",
y_axis = stock['NASDAQ'], # 添加纳斯达克综合指数数据
symbol_size = 10,
label_opts = opts.LabelOpts(is_show = False),
linestyle_opts = opts.LineStyleOpts(width = 1.5),
is_smooth = True)
l2.set_global_opts(axispointer_opts = opts.AxisPointerOpts( # 设置坐标轴指示器
is_show = True,
link = [{"xAxisIndex": "all"}]), # 对x轴所有索引进行联动
xaxis_opts = opts.AxisOpts(grid_index = 1, # x轴开始的索引
type_ = "category", # 类型
boundary_gap = True,
position = "top", # 坐标轴位置
axisline_opts = opts.AxisLineOpts(is_on_zero=True)), # x轴或y轴的轴线是否在另一个轴的0刻度上
yaxis_opts = opts.AxisOpts(is_inverse = False, name = "涨跌幅（%）",name_gap = 25), # 轴线设置
legend_opts = opts.LegendOpts(pos_bottom = '50%',pos_right = '70') # 图例设置
)
# 绘制组合图形
grid = Grid(init_opts = opts.InitOpts(width = "1024px", height = "768px")) # 设置图形的长和宽
grid.add(chart=l1, # 添加第一个图表
grid_opts = opts.GridOpts(pos_left = 50, pos_right = 50, height = "35%")) # 直角坐标系网格配置项
grid.add(chart = l2, # 添加第二个图表
grid_opts = opts.GridOpts(pos_left = 50, pos_right = 50, pos_top = "55%", height = "35%"))
# 渲染
grid.render()
3.21 美国各州历史数据可视化分析（拓展）
# 读取数据
import pandas as pd
alltime_world = pd.read_csv("alltime_world_2020_11_16.csv")
alltime_usa = pd.read_csv("alltime_usa_v1.csv",encoding='GBK')
state_name = pd.read_csv("state_name.csv")
输出 None
6425
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
