怎么使用Python对疫情数据进行可视化分析

　　小编写这篇文章的主要目的就是，站在当下的一个角度，对全球疫情情况进行一个数据分析，，包括确诊、治愈、死亡、时间、国家、地区等这些数据，针对这些数据，进行相关的一些可视化数据分析，下面小编就给大家做出一个详细的解答。

　　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。

　　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()

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

       ##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

　　全球疫情趋势

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

　　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()

　　然后对其进行画图处理，把图绘制成三条线

　　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)

　　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')

      这里用pyecharts库画图，绘制的玫瑰图，rosetype

　　set_global_opts是设置格式：

　　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])

       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()
　　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()

　　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()

      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()

       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')

　　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

　　到此为止，小编这篇文章就给大家介绍到这里了，希望可以给大家带来帮助。