Python疫情數據可視化分析
前言
本項目主要通過python的matplotlib pandas pyecharts等庫對疫情數據進行可視化分析
數據來源:
- 本數據集來源於kaggle競賽的開源數據集,數據集地址
- 本數據集主要涉及到全球疫情統計,包括確診、治愈、死亡、時間、國傢、地區等信息
功能函數
讀取文件
df = pd.read_csv(r'C:\Users\Hasee\Desktop/covid_19_data.csv') df.head()
更換列名,便於查看
cols= ['序號','日期','省/州','國傢','最近更新','確診','死亡','治愈'] df.columns = cols df.日期 = pd.to_datetime(df.日期) df
## 利用groupby按照日期統計確診死亡治愈病例的總和
#合並同一天同國傢日期 global_confirm = df.groupby('日期')[['確診', '死亡', '治愈']].sum() global_confirm
全球疫情趨勢
ax = global_confirm.plot(figsize = (12,10), title = '全球疫情趨勢圖')
篩選出中國的數據
利用groupby按照日期統計確診死亡治愈病例的總和
global_china = df[df['國傢'] == 'Mainland China'].reset_index() global_china_confirm = global_china.groupby('日期')[['確診', '死亡', '治愈']].sum().reset_index()
畫圖,三條線組合到一個圖
利用groupby按照省統計確診死亡治愈病例的總和
global_china = df[df['國傢'] == 'Mainland China'].reset_index() global_china_province_confirm = global_china.groupby('省/州')[['確診', '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)
確診人數排名前15的國傢
plt.figure(figsize=(16,16)) plt.barh(list(global_country_confirm_rank.國傢)[::-1], list(global_country_confirm_rank.確診)[::-1]) plt.title('確診人數排名前15的國傢') plt.xlabel('人數(千萬)') plt.ylabel('國傢')
這裡用pyecharts庫畫圖,繪制的玫瑰圖,rosetype
set_global_opts是設置格式:
中國確診人數前十的省
china_confirm = df[df['國傢'] == "Mainland China"] china_latest = china_confirm[china_confirm['日期'] == max(china_confirm['日期'])] words = WordCloud() words.add('確診人數', [tuple(dic) for dic in zip(list(china_latest['省/州']),list(china_latest['確診']))], word_size_range=[20,100])
區域圖
china_death = df[df['國傢'] == "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')[['確診', '死亡']].max().reset_index()
geo = Map() geo.add("中國死亡病例分佈", [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="全國各省死亡病例數據分佈"),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()
熱力圖
geo = Geo() geo.add_schema(maptype="china") geo.add("中國死亡病例分佈", [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="全國各省死亡病例數據分佈")) geo.render_notebook()
全球死亡人數地理分佈情況
map = Map() map.set_global_opts(title_opts=opts.TitleOpts(title="全球死亡人數地理分佈情況"),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("全球死亡人數地理分佈情況", [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()
全球疫情頻率直方圖
global_confirm.plot.hist(alpha=0.5) plt.xlabel('人數(千萬)') plt.ylabel('出現頻率') plt.title('全球疫情頻率直方圖')
其他圖
陜西確診病例餅圖
陜西省確診病例數據分佈
中國治愈病例玫瑰圖
到此這篇關於Python疫情數據可視化分析的文章就介紹到這瞭,更多相關Python可視化內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- Python可視化神器pyecharts繪制地理圖表
- Python數據可視化之基於pyecharts實現的地理圖表的繪制
- python用pyecharts實現地圖數據可視化
- Python pyecharts實現繪制中國地圖的實例詳解
- Python機器學習之使用Pyecharts制作可視化大屏