Python疫情數(shù)據(jù)可視化分析
更新時間：2022年07月11日 17:14:19 作者：謝謝大家我愛小謝
這篇文章主要介紹了Python疫情數(shù)據(jù)可視化分析，本數(shù)據(jù)集主要涉及到全球疫情統(tǒng)計，包括確診、治愈、死亡、時間、國家、地區(qū)等信息，需要的朋友可以參考一下
前言
本項目主要通過python的matplotlib pandas pyecharts等庫對疫情數(shù)據(jù)進行可視化分析
數(shù)據(jù)來源：
- 本數(shù)據(jù)集來源于kaggle競賽的開源數(shù)據(jù)集，數(shù)據(jù)集地址
- 本數(shù)據(jù)集主要涉及到全球疫情統(tǒng)計，包括確診、治愈、死亡、時間、國家、地區(qū)等信息
功能函數(shù)
讀取文件
df = pd.read_csv(r'C:\Users\Hasee\Desktop/covid_19_data.csv') df.head()
更換列名，便于查看
cols= ['序號','日期','省/州','國家','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(tǒng)計確診死亡治愈病例的總和
#合并同一天同國家日期
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(shù)據(jù)
利用groupby按照日期統(tǒng)計確診死亡治愈病例的總和
global_china = df[df['國家'] == '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(tǒng)計確診死亡治愈病例的總和
global_china = df[df['國家'] == '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(shù)排名前15的國家
plt.figure(figsize=(16,16))
plt.barh(list(global_country_confirm_rank.國家)[::-1], list(global_country_confirm_rank.確診)[::-1])
plt.title('確診人數(shù)排名前15的國家')
plt.xlabel('人數(shù)（千萬）')
plt.ylabel('國家')
這里用pyecharts庫畫圖，繪制的玫瑰圖，rosetype
set_global_opts是設(shè)置格式：
中國確診人數(shù)前十的省
china_confirm = df[df['國家'] == "Mainland China"]
china_latest = china_confirm[china_confirm['日期'] == max(china_confirm['日期'])]
words = WordCloud()
words.add('確診人數(shù)', [tuple(dic) for dic in zip(list(china_latest['省/州']),list(china_latest['確診']))], word_size_range=[20,100])
區(qū)域圖
china_death = df[df['國家'] == "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')[['確診', '死亡']].max().reset_index()
geo = Map()
geo.add("中國死亡病例分布", [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="全國各省死亡病例數(shù)據(jù)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()
熱力圖
geo = Geo()
geo.add_schema(maptype="china")
geo.add("中國死亡病例分布", [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="全國各省死亡病例數(shù)據(jù)分布"))
geo.render_notebook()
全球死亡人數(shù)地理分布情況
map = Map()
map.set_global_opts(title_opts=opts.TitleOpts(title="全球死亡人數(shù)地理分布情況"),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(shù)地理分布情況", [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(shù)（千萬）')
plt.ylabel('出現(xiàn)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(shù)據(jù)分布
中國治愈病例玫瑰圖
到此這篇關(guān)于Python疫情數(shù)據(jù)可視化分析的文章就介紹到這了,更多相關(guān)Python可視化內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
這篇文章主要介紹了Sanic框架Cookies操作,結(jié)合實例形式分析了Sanic框架cookie讀取、寫入及刪除等簡單操作技巧,需要的朋友可以參考下2018-07-07
淺析Python 簡單工廠模式和工廠方法模式的優(yōu)缺點
這篇文章主要介紹了Python 工廠模式的相關(guān)資料，文中示例代碼非常詳細，幫助大家更好的理解和學(xué)習(xí)，感興趣的朋友可以了解下2020-07-07
這篇文章主要介紹了python變量數(shù)據(jù)類型和運算符，不同類型的變量可以進行的運算是不同的，所以必須理解變量的類型，下面文章的更多相關(guān)內(nèi)容介紹，需要的小伙伴可以參考一下2022-07-07
這篇文章主要介紹了僅利用30行Python代碼來展示X算法,同時還有對算法實現(xiàn)的復(fù)雜度的說明,需要的朋友可以參考下2015-04-04
python中文分詞,使用結(jié)巴分詞對python進行分詞(實例講解)
下面小編就為大家?guī)硪黄猵ython中文分詞,使用結(jié)巴分詞對python進行分詞的實例講解。有比較好的參考價值，希望能給大家做個參考。一起跟隨小編過來看看吧2017-11-11
這篇文章主要介紹了django模板獲取list中指定索引的值方式，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
這篇文章主要介紹了python實現(xiàn)的簡單窗口倒計時界面,實例分析了Python基于Tkinter操作windows窗口界面的相關(guān)技巧,非常具有實用價值,需要的朋友可以參考下2015-05-05
Python退出While循環(huán)的3種方法舉例詳解
在每次循環(huán)結(jié)束后,我們需要檢查循環(huán)條件是否滿足。如果條件滿足,則繼續(xù)執(zhí)行循環(huán)體內(nèi)的代碼,否則退出循環(huán),這篇文章主要給大家介紹了關(guān)于Python退出While循環(huán)的3種方法,需要的朋友可以參考下2023-10-10
今天有位同事和我吐槽關(guān)于公司 XX 的問題，我告訴他不要在公司電腦上說這些，因為很可能會被狙擊，這位同事剛開始還不信，直到我寫了這邊文章，他才恍然大悟2021-10-10
這篇文章主要介紹了python函數(shù)返回多個值的方法，大家參考使用2013-12-12