Python疫情数据可视化分析

目录

  • 前言
  • 功能函数
    • 读取文件
    • 更换列名,便于查看
    • 全球疫情趋势
    • 筛选出中国的数据
    • 利用groupby按照省统计确诊死亡治愈病例的总和
    • 确诊人数排名前15的国家
  • 这里用pyecharts库画图,绘制的玫瑰图,rosetype
    • 中国确诊人数前十的省
    • 区域图
    • 热力图
    • 全球死亡人数地理分布情况
    • 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

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()

Python疫情数据可视化分析
文章图片


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 = colsdf.日期 = pd.to_datetime(df.日期)df

Python疫情数据可视化分析
文章图片

## 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

Python疫情数据可视化分析
文章图片


全球疫情趋势
ax = global_confirm.plot(figsize = (12,10), title = '全球疫情趋势图')

Python疫情数据可视化分析
文章图片


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
Python疫情数据可视化分析
文章图片


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)

Python疫情数据可视化分析
文章图片


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')

Python疫情数据可视化分析
文章图片


这里用pyecharts库画图,绘制的玫瑰图,rosetype set_global_opts是设置格式:
Python疫情数据可视化分析
文章图片


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])

Python疫情数据可视化分析
文章图片


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()

【Python疫情数据可视化分析】Python疫情数据可视化分析
文章图片

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()

Python疫情数据可视化分析
文章图片


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()

Python疫情数据可视化分析
文章图片


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()

Python疫情数据可视化分析
文章图片


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')

Python疫情数据可视化分析
文章图片


其他图
陕西确诊病例饼图
Python疫情数据可视化分析
文章图片


陕西省确诊病例数据分布
Python疫情数据可视化分析
文章图片


中国治愈病例玫瑰图
Python疫情数据可视化分析
文章图片

到此这篇关于Python疫情数据可视化分析的文章就介绍到这了,更多相关Python可视化内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

    推荐阅读