用Python可视化神器Plotly动态演示全球疫情变化趋势

开发 后端
今天我来用 Python 可视化申请 Plotly 对国外的疫情发展情况进行可视化,以项目实战的形式,在分析和了解国外疫情变化趋势的同时,加深大家对 Plotly 的学习应用。

用 Python可视化神器 Plotly 

动态演示全球疫情变化趋势

各位同学早上好,我是 Lemonbit 。

近期对疫情数据进行可视化的内容比较多,今天我来用 Python 可视化申请 Plotly 对国外的疫情发展情况进行可视化,以项目实战的形式,在分析和了解国外疫情变化趋势的同时,加深大家对 Plotly 的学习应用。

在开始之前,我们先来看看最终制作的部分效果图,如果你觉得有兴趣,不妨继续往下看。

数据来源

国内的疫情,目前已逐步受到控制,各项指标已开始明显好转,但国外的情况,看起来不是太乐观,已有的作业也没有抄好,所以,本次我们主要来可视化分析国外疫情的发展情况。

疫情的数据来源于开源项目 Akshare,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,这里我提供了保存好的数据供大家使用。

准备工作

照例,还是先介绍下我运行的环境

  •  Mac 系统
  •  Anaconda(Python 3.7)
  •  Jupyter Notebook

本次使用到的 Python 库包括 akshare, pandas, plotly 等,导入如下:   

  1. import akshare as ak  
  2.     import pandas as pd  
  3.     import plotly  
  4.     from plotly.offline import iplot, init_notebook_mode  
  5.     import plotly.express as px 
  6.     from datetime import datetime  
  7.     init_notebook_mode() 

接着,我们读取已获得的数据,已保存的数据是截至3月7日的。   

  1. # 从 akshare 获取数据 
  2.    # df_all_history = ak.epidemic_history()  
  3.    # 从csv文件获取数据  
  4.    df_all_history = pd.read_csv('epidemic_all_20200307.csv',index_col=0 
  5.    df_all_history 

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. df_all = df_all_history  
  2.     # 将字符串格式的日期 另保存为一列  
  3.     df_all['dates'] = df_all_history['date']  
  4.     # 将字符串格式的日期转换为 日期格式  
  5.     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. # 国外,按国家统计 
  2.     df_oversea = df_all.query("country!='中国'")  
  3.     df_oversea.fillna(value=""inplace=True 
  4.     df_oversea 

先来用 plotly express 看下国外疫情分国家的整体走势。   

  1. # 国外,按国家统计  
  2.     df_oversea = df_all.query("country!='中国'") 
  3.     df_oversea.fillna(value=""inplace=True 
  4.     df_oversea 

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. # 现有数据演示从 2020年2月10日开始 
  2.    df_overseadf_oversea_recent = df_oversea.set_index('date') 
  3.    df_oversea_recentdf_oversea_recent = df_oversea_recent['2020-02-10':]  
  4.    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 。

我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. # 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  
  2.    # 数据在 excel 表格中进行补充,这里进行读取  
  3.    df_oversea_buchong = pd.read_excel('epidemic_buchong.xlsx')  
  4.    df_oversea_buchong['dates'] = df_oversea_buchong['date'].apply(lambda x:x.strftime('%Y-%m-%d'))  
  5.    df_oversea_buchong.set_index('date', inplace=True
  6.    df_oversea_buchong.fillna(value=""inplace=True 
  7.    print(df_oversea_buchong.info())  
  8.    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. # 合并补充数据  
  2.   df_oversea_recentdf_oversea_recent_new = df_oversea_recent.append(df_oversea_buchong)  
  3.   df_oversea_recent_new.sort_index(inplace=True 
  4.   df_oversea_recent_new 

得到合并的数据后,首先,我们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。

plotly express 现在已经合并到 plotly 中,个人觉得跟 plotly 原生内容的协同性相对 cufflinks 要好用点。 

  1. # 合并补充数据  
  2.   df_oversea_recentdf_oversea_recent_new = df_oversea_recent.append(df_oversea_buchong)  
  3.   df_oversea_recent_new.sort_index(inplace=True 
  4.   df_oversea_recent_new 

从上面这个动态图可以清晰的看出,当前,在海外的国家中,韩国、伊朗、意大利三个国家最为严重。这三个国家中,就增长趋势而言,伊朗和意大利又比韩国要更明显,目前韩国的增长有所放缓,而伊朗和意大利还处于快速增长的过程中,后续情况不容乐观。

此外,在这个图中,另外还有几个国家值得关注,日本,除去钻石号之外,从数据来看,本土的增长目前还算是在稍微较好的范围内。反倒是,德国、法国、西班牙,个人觉得已成逐步壮大之势,不得不防。

而且,由于整个欧盟国家之间,人员是自由流通的,现在看来,整个欧盟很可能会成为疫情的重灾区,其影响巨大。

上图左下角的这些国家的走势,我们可以拉近来看,走势如下,这样,对于 德国、法国、西班牙就会看的更明显了。

这里,还有一个国家,就是美国,虽然从数据以及增长情况来看,好像美国还好,但恐怕实际情况,要糟糕很多。

上面是以气泡图的方式来演示变化过程,我们也可以以柱状图的形式来演示,效果如下:

关于上面的效果图,各位可以自行研究下,欢迎交流。

需要说明的是,本文代码是在 Jupyter Notebook 中运行的, 如果是在 PyCharm 等 IDE 中运行,需要稍微修改下代码。

最后,再次感谢开源项目 Akshare 提供了数据接口。

 

 

责任编辑:庞桂玉 来源: 恋习Python
相关推荐

2021-07-02 14:07:00

可视化Plotly漏斗图

2022-08-26 09:15:58

Python可视化plotly

2022-02-23 09:50:52

PythonEchartspyecharts

2020-06-29 15:40:53

PlotlyPython数据可视化

2022-05-16 09:34:17

Python可视化图表

2022-06-28 09:34:24

可视化Python代码

2021-10-08 09:27:11

Python图形化工具

2020-06-02 10:09:59

JavaScript开发 可视化

2021-09-27 08:31:01

数据可视化柱状图折现图

2021-07-14 09:00:36

Python数据Python基础

2020-03-11 14:39:26

数据可视化地图可视化地理信息

2020-11-02 13:54:41

Python可视化决策树

2022-08-23 12:32:37

Python可视化图表

2021-08-05 13:52:05

大大数据疫情数据可视化

2019-03-20 13:44:30

Web 开发代码

2011-06-20 14:11:41

网站优化

2018-08-09 22:16:35

可视化数据集Groeger

2021-10-20 15:24:21

大数据数据可视化技术

2023-04-14 08:21:55

2021-06-24 13:00:35

微软开源可视化
点赞
收藏

51CTO技术栈公众号