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:

  1. Windows 10系统
  2. Anaconda(Python 3.7)
  3. Jupyter Notebook
    本次使用到的Python库: akshare, pandas, plotly

数据导入

1
2
3
4
5
6
7
8
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)。

1
2
3
4
5
6
7
8
# 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。

1
2
3
4
5
6
7
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。

1
2
3
4
5
# 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。

1
2
3
4
5
6
7
8
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。

1
2
3
4
# 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。

1
2
3
4
5
6
7
8
9
# 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。

1
2
3
4
# 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。

1
2
3
4
5
6
7
8
9
10
11
12
13
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


源码及数据文件

下载源码 下载数据
您的支持,使我不懈努力!❤️
  • PayPal
  • AliPay
  • WeChatPay
  • QQPay
Donate

 评论




Copyright © 2019-2020 YINUXY   |   ICP 鄂ICP备20002395号   |   MOE ICP 萌ICP备 20200022号   |   正在载入...   |   站点地图  |  

UV
PV