使用 Python可视化神器 Plotly 动态演示全球疫情变化趋势
使用 Python可视化神器 Plotly 动态演示全球疫情变化趋势
使用 Python可视化神器 Plotly 动态演示全球疫情变化趋势
数据来源
疫情的数据来源于开源项目 Akshare。
准备工作
运行环境：
- Windows 10系统
- Anaconda（Python 3.7）
- Jupyter Notebook
本次使用到的Python库：
akshare,pandas,plotly
数据导入
import akshare as ak
import pandas as pd
import plotly
from plotly.offline import iplot, init_notebook_mode
import plotly.express as px
from datetime import datetime
init_notebook_mode()init_notebook_mode()是离线使用plotly，不需注册账号即可使用，但是功能没有在线模式全，下面简单的介绍一下两种模式：
plotly的两种模式
离线模式：没有数量限制，图片都在本地。 在线模式：最多可以上传25张，可以通过浏览器在线编辑、观看。更好的分享给别，有分为三种情况——公开(public)、私人(private)、秘密(secret)。
# 从 akshare 获取数
# df_all_history = ak.epidemic_history()
# 从csv文件获取数据
df_all_history = pd.read_csv('epidemic_all_20200307.csv',index_col=0)
df_all_history由于使用该项目获取数据时，有时不太稳定，可能会遇到连接失败的情况，所以，这里选用保存好的数据。
提取数据
从上面获取的数据，有些数据格式需要加以调整，对于日期，我们这里会组织两列数据，一列是时间格式的日期（ ['date']），一列是字符串格式的日期 ( ['dates'])。这样设置的原因，是因为我们后续分别需要用到这两种格式的日期。
df_all = df_all_history
# 将字符串格式的日期 另保存为一列
df_all['dates'] = df_all_history['date']
# 将字符串格式的日期转换为 日期格式
df_all['date'] = pd.to_datetime(df_all['date'])获取国外的疫情数据
上面的数据，是全球的数据，我们可以把其中属于中国的剔除，就可以得到国外的数据了。
# 国外，按国家统计
df_oversea = df_all.query("country!='中国'")
df_oversea.fillna(value="", inplace=True)
df_oversea数据可视化
先来用 plotly express 看下国外疫情分国家的整体走势。
fig_oversea = px.line(df_oversea, x='dates', y='confirmed',
line_group='country',
color='country',
color_discrete_sequence=px.colors.qualitative.D3,
hover_name='country',
)
fig_oversea.show()效果如下
从上图可以看出，国外的疫情发展情况，大部分国家从2月10日期，发展趋势较为明显，因此，后面我们重点分析这段时间之后的情况。
# 现有数据演示从 2020年2月10日开始
df_oversea_recent = df_oversea.set_index('date')
df_oversea_recent = df_oversea_recent['2020-02-10':]
df_oversea_recent由于部分国家的数据不是从2020年2月10日开始记录的，所以要补充数据。我们可以手动新建一个 excel数据表，将补充日期的数值填充为 0 。
这里主要补充的是伊朗的数据，因为伊朗实在是发展太快了，必须纳入分析的范围内。其他国家，如果有需要补充的，后续可以继续完善。
# 由于部分国家，数据不是从2020年2月10日开始的，所以要补充数据，数值为 0
# 数据在 excel 表格中进行补充，这里进行读取
df_oversea_buchong = pd.read_excel('epidemic_buchong.xlsx')
df_oversea_buchong['dates'] = df_oversea_buchong['date'].apply(lambda x:x.strftime('%Y-%m-%d'))
df_oversea_buchong.set_index('date', inplace=True)
df_oversea_buchong.fillna(value="", inplace=True)
print(df_oversea_buchong.info())
df_oversea_buchong将需要补充的数据弄好后，我们可以合并上面这两部分数据，一起进行分析。
# 合并补充数据
df_oversea_recent_new = df_oversea_recent.append(df_oversea_buchong)
df_oversea_recent_new.sort_index(inplace=True)
df_oversea_recent_new得到合并的数据后，首先，用气泡图来对变化情况进行可视化，这里用的是 plotly express 的散点图。
fig_oversea_recent = px.scatter(df_oversea_recent_new, x='dead', y='confirmed',
size='confirmed', text='country', color='country',
color_discrete_sequence=px.colors.qualitative.Light24,
animation_frame='dates',animation_group='country',
hover_name='country',
range_x=[-10,260],
range_y=[0,8000],
size_max=50,
template='plotly_white',
)
fig_oversea_recent.show()效果如下
您的支持，使我不懈努力！❤️
- PayPal
- AliPay
- WeChatPay
- QQPay
博客内容遵循 署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 如需转载请注明出处@Copyright © 2019-2020 YINUXY 本文永久链接是：https://cloud.tencent.com/developer/article/1597072