目录
前言
本项目主要通过python的matplotlib pandas pyecharts等库对疫情数据进行可视化分析
数据来源：
- 本数据集来源于kaggle竞赛的开源数据集，数据集地址
- 本数据集主要涉及到全球疫情统计，包括确诊、治愈、死亡、时间、国家、地区等信息
功能函数
读取文件
df = pd.read_csv(r\'C:\\Users\\Hasee\\Desktop/covid_19_data.csv\') df.head()
更换列名，便于查看
cols= [\'序号\',\'日期\',\'省/州\',\'国家\',\'最近更新\',\'确诊\',\'死亡\',\'治愈\'] df.columns = cols df.日期 = pd.to_datetime(df.日期) df
## 利用groupby按照日期统计确诊死亡治愈病例的总和
#合并同一天同国家日期 global_confirm = df.groupby(\'日期\')[[\'确诊\', \'死亡\', \'治愈\']].sum() global_confirm
全球疫情趋势
ax = global_confirm.plot(figsize = (12,10), title = \'全球疫情趋势图\')
筛选出中国的数据
利用groupby按照日期统计确诊死亡治愈病例的总和
global_china = df[df[\'国家\'] == \'Mainland China\'].reset_index() global_china_confirm = global_china.groupby(\'日期\')[[\'确诊\', \'死亡\', \'治愈\']].sum().reset_index()
画图，三条线组合到一个图
利用groupby按照省统计确诊死亡治愈病例的总和
global_china = df[df[\'国家\'] == \'Mainland China\'].reset_index()
global_china_province_confirm = global_china.groupby(\'省/州\')[[\'确诊\', \'死亡\', \'治愈\']].sum().reset_index()
recovercent = 100.*global_china_province_confirm[\'治愈\'] / global_china_province_confirm[\'治愈\'].sum()
labels = [\'{0}-{1:1.2f}%-{2}\'.format(i,j,k) for i,j,k in zip(list(global_china_province_confirm[\'省/州\']), recovercent, list(global_china_province_confirm[\'治愈\']))]
plt.figure(figsize=(10,10))
plt.pie(global_china_province_confirm[\'治愈\'],radius = 0.3)
确诊人数排名前15的国家
plt.figure(figsize=(16,16)) plt.barh(list(global_country_confirm_rank.国家)[::-1], list(global_country_confirm_rank.确诊)[::-1]) plt.title(\'确诊人数排名前15的国家\') plt.xlabel(\'人数（千万）\') plt.ylabel(\'国家\')
这里用pyecharts库画图，绘制的玫瑰图，rosetype
set_global_opts是设置格式：
中国确诊人数前十的省
china_confirm = df[df[\'国家\'] == \"Mainland China\"] china_latest = china_confirm[china_confirm[\'日期\'] == max(china_confirm[\'日期\'])] words = WordCloud() words.add(\'确诊人数\', [tuple(dic) for dic in zip(list(china_latest[\'省/州\']),list(china_latest[\'确诊\']))], word_size_range=[20,100])
区域图
china_death = df[df[\'国家\'] == \"Mainland China\"] china_death_latest = china_death[china_death[\'日期\'] == max(china_death[\'日期\'])] china_death_latest = china_death_latest.groupby(\'省/州\')[[\'确诊\', \'死亡\']].max().reset_index()
geo = Map()
geo.add(\"中国死亡病例分布\", [list(z) for z in zip(china_death_prodic,list(china_death_latest[\'死亡\']))], \"china\")
geo.set_global_opts(title_opts=opts.TitleOpts(title=\"全国各省死亡病例数据分布\"),visualmap_opts=opts.VisualMapOpts(is_piecewise=True,
pieces=[
{\"min\": 1500, \"label\": \'>10000人\', \"color\": \"#6F171F\"},
{\"min\": 500, \"max\": 15000, \"label\": \'500-1000人\', \"color\": \"#C92C34\"},
{\"min\": 100, \"max\": 499, \"label\": \'100-499人\', \"color\": \"#E35B52\"},
{\"min\": 10, \"max\": 99, \"label\": \'10-99人\', \"color\": \"#F39E86\"},
{\"min\": 1, \"max\": 9, \"label\": \'1-9人\', \"color\": \"#FDEBD0\"}]))
geo.render_notebook()
热力图
geo = Geo() geo.add_schema(maptype=\"china\") geo.add(\"中国死亡病例分布\", [list(dic) for dic in zip(china_death_prodic,list(china_death_latest[\'死亡\']))],type_=GeoType.EFFECT_SCATTER) geo.set_global_opts(visualmap_opts=opts.VisualMapOpts(),title_opts=opts.TitleOpts(title=\"全国各省死亡病例数据分布\")) geo.render_notebook()
全球死亡人数地理分布情况
map = Map()
map.set_global_opts(title_opts=opts.TitleOpts(title=\"全球死亡人数地理分布情况\"),visualmap_opts=opts.VisualMapOpts(is_piecewise=True,
pieces=[
{\"min\": 100001, \"label\": \'>100001人\', \"color\": \"#6F171F\"},
{\"min\": 10001, \"max\": 100000, \"label\": \'10001-100000人\', \"color\": \"#C92C34\"},
{\"min\": 1001, \"max\": 10000, \"label\": \'1001-10000人\', \"color\": \"#E35B52\"},
{\"min\": 101, \"max\": 10000, \"label\": \'101-10000人\', \"color\": \"#F39E86\"},
{\"min\": 1, \"max\": 100, \"label\": \'1-100人\', \"color\": \"#FDEBD0\"}]))
map.add(\"全球死亡人数地理分布情况\", [list(z) for z in zip(global_death_n,list(global_death[\'死亡\']))], \"world\")
map.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
map.render_notebook()
全球疫情频率直方图
global_confirm.plot.hist(alpha=0.5) plt.xlabel(\'人数（千万）\') plt.ylabel(\'出现频率\') plt.title(\'全球疫情频率直方图\')
其他图
陕西确诊病例饼图
陕西省确诊病例数据分布
中国治愈病例玫瑰图
© 版权声明
THE END
暂无评论内容