新冠肺炎国内疫情基本控制住，很多地方都开始摘下口罩了。但是国外的疫情依然处于爆发期，特别是美国，截止目前其累计确诊数量已突破110w。五一节北京柳絮杨絮满天飞，不适合外出。在家心血来潮，献丑画一下各地区新冠肺炎累计确诊数量热图。
废话不多说，代码如下：
一、中国
1、获取数据：
import requests as rq import re import numpy as np import pandas as pd # 数据来源：新华网 # http://my-h5news.app.xinhuanet.com/h5activity/yiqingchaxun/index.html url = 'http://fms.news.cn/swf/2020_sjxw/2_1_xgyq/js/data.js' headers = { 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/70.0.3538.102 Safari/537.36' } # 网页数据 home_rt = rq.get(url, headers=headers).text # 提取日期 dates = re.search('_g_map_data_days = \[(.*?)\]', home_rt).group(1) dates = re.findall('\'(.*?)\'', dates) # # 日更日期 # dates = re.search('_g_dt_date = \[(.*?)\]', home_rt).group(1) # dates = re.findall('\'(.*?)\'', dates) # 提取省份 provinces = re.search('_g_map_data_province = \[(.*?)\];', home_rt).group(1) provinces = re.findall('\'(.*?)\'', provinces) # 提取数据 data = re.search('_g_map_data_data =\[(.*?)\];', home_rt, re.S).group(1) data = re.findall('\[(.*?)\]', data, re.S) data = [i.split(',') for i in data] data = np.array(data).T # 生成表格 data = pd.DataFrame(data, columns=dates, index=provinces) data = data.astype('int') # 转换str类型为int型 last_colum = data.columns[-1] data = data.sort_values(last_colum, ascending=False)
得到如下dataframe格式数据：
2、画图
本次画图采用的是pyecharts：
pyecharts是基于echarts，是百度的开源可视化工具，包含多种酷炫工具，并且是交互式的，图像可以用鼠标进行拖动放大缩小等，强烈推荐。
1、github源码（包含安装方式，最好选择源码安装）。2、介绍文档。3、官方示例代码
from pyecharts import options as opts from pyecharts.charts import Map from pyecharts.faker import Faker province_data = [] # 生成pyecharts数据格式 for p_i, pro_name in enumerate(data.index): province_data.append([pro_name, int(data.iloc[p_i, -1])]) c = ( Map(opts.InitOpts(width='600px', height='400px', bg_color='white')) # 创建地图对象 .add('累计确诊', province_data, "china", is_map_symbol_show=False) # 添加数据，选择中国地图 # .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) # 用于显示各省份名字 .set_global_opts(title_opts=opts.TitleOpts(title="中国各省新冠肺炎累计确诊数量", pos_left='center'), # 设置标题图例等信息 legend_opts=opts.LegendOpts(is_show=False), visualmap_opts=opts.VisualMapOpts(is_piecewise = True, pieces = [{"max": 100, 'color': '#ffeead', 'label': '小于100人'}, {"min": 100, "max": 500, 'color': '#f29c2b', 'label': '100-500人'}, {"min": 500, "max": 1000, 'color': '#d9534f', 'label': '500-1000人'}, {"min": 1000, "max": 2000, "color": '#de4307', 'label': '1000-2000人'}, {"min": 2000, 'color': '#dd0a35', 'label': '2000人以上'}]) ) ) c.render_notebook()
输出图像如下：
二、世界地图
1、世界各国中英文映射关系（点击展开）
nameMap = { 'Singapore':'新加坡', 'Dominican Rep.':'多米尼加', 'Palestine':'巴勒斯坦', 'Bahamas':'巴哈马', 'Timor-Leste':'东帝汶', 'Afghanistan':'阿富汗', 'Guinea-Bissau':'几内亚比绍', "Côte d'Ivoire":'科特迪瓦', 'Siachen Glacier':'锡亚琴冰川', "Br. Indian Ocean Ter.":'英属印度洋领土', 'Angola':'安哥拉', 'Albania':'阿尔巴尼亚', 'United Arab Emirates':'阿联酋', 'Argentina':'阿根廷', 'Armenia':'亚美尼亚', 'French Southern and Antarctic Lands':'法属南半球和南极领地', 'Australia':'澳大利亚', 'Austria':'奥地利', 'Azerbaijan':'阿塞拜疆', 'Burundi':'布隆迪', 'Belgium':'比利时', 'Benin':'贝宁', 'Burkina Faso':'布基纳法索', 'Bangladesh':'孟加拉国', 'Bulgaria':'保加利亚', 'The Bahamas':'巴哈马', 'Bosnia and Herz.':'波斯尼亚和黑塞哥维那', 'Belarus':'白俄罗斯', 'Belize':'伯利兹', 'Bermuda':'百慕大', 'Bolivia':'玻利维亚', 'Brazil':'巴西', 'Brunei':'文莱', 'Bhutan':'不丹', 'Botswana':'博茨瓦纳', 'Central African Rep.':'中非', 'Canada':'加拿大', 'Switzerland':'瑞士', 'Chile':'智利', 'China':'中国', 'Ivory Coast':'象牙海岸', 'Cameroon':'喀麦隆', 'Dem. Rep. Congo':'刚果民主共和国', 'Congo':'刚果', 'Colombia':'哥伦比亚', 'Costa Rica':'哥斯达黎加', 'Cuba':'古巴', 'N. Cyprus':'北塞浦路斯', 'Cyprus':'塞浦路斯', 'Czech Rep.':'捷克', 'Germany':'德国', 'Djibouti':'吉布提', 'Denmark':'丹麦', 'Algeria':'阿尔及利亚', 'Ecuador':'厄瓜多尔', 'Egypt':'埃及', 'Eritrea':'厄立特里亚', 'Spain':'西班牙', 'Estonia':'爱沙尼亚', 'Ethiopia':'埃塞俄比亚', 'Finland':'芬兰', 'Fiji':'斐', 'Falkland Islands':'福克兰群岛', 'France':'法国', 'Gabon':'加蓬', 'United Kingdom':'英国', 'Georgia':'格鲁吉亚', 'Ghana':'加纳', 'Guinea':'几内亚', 'Gambia':'冈比亚', 'Guinea Bissau':'几内亚比绍', 'Eq. Guinea':'赤道几内亚', 'Greece':'希腊', 'Greenland':'格陵兰', 'Guatemala':'危地马拉', 'French Guiana':'法属圭亚那', 'Guyana':'圭亚那', 'Honduras':'洪都拉斯', 'Croatia':'克罗地亚', 'Haiti':'海地', 'Hungary':'匈牙利', 'Indonesia':'印度尼西亚', 'India':'印度', 'Ireland':'爱尔兰', 'Iran':'伊朗', 'Iraq':'伊拉克', 'Iceland':'冰岛', 'Israel':'以色列', 'Italy':'意大利', 'Jamaica':'牙买加', 'Jordan':'约旦', 'Japan':'日本', 'Kazakhstan':'哈萨克斯坦', 'Kenya':'肯尼亚', 'Kyrgyzstan':'吉尔吉斯斯坦', 'Cambodia':'柬埔寨', 'Korea':'韩国', 'Kosovo':'科索沃', 'Kuwait':'科威特', 'Lao PDR':'老挝', 'Lebanon':'黎巴嫩', 'Liberia':'利比里亚', 'Libya':'利比亚', 'Sri Lanka':'斯里兰卡', 'Lesotho':'莱索托', 'Lithuania':'立陶宛', 'Luxembourg':'卢森堡', 'Latvia':'拉脱维亚', 'Morocco':'摩洛哥', 'Moldova':'摩尔多瓦', 'Madagascar':'马达加斯加', 'Mexico':'墨西哥', 'Macedonia':'马其顿', 'Mali':'马里', 'Myanmar':'缅甸', 'Montenegro':'黑山', 'Mongolia':'蒙古', 'Mozambique':'莫桑比克', 'Mauritania':'毛里塔尼亚', 'Malawi':'马拉维', 'Malaysia':'马来西亚', 'Namibia':'纳米比亚', 'New Caledonia':'新喀里多尼亚', 'Niger':'尼日尔', 'Nigeria':'尼日利亚', 'Nicaragua':'尼加拉瓜', 'Netherlands':'荷兰', 'Norway':'挪威', 'Nepal':'尼泊尔', 'New Zealand':'新西兰', 'Oman':'阿曼', 'Pakistan':'巴基斯坦', 'Panama':'巴拿马', 'Peru':'秘鲁', 'Philippines':'菲律宾', 'Papua New Guinea':'巴布亚新几内亚', 'Poland':'波兰', 'Puerto Rico':'波多黎各', 'Dem. Rep. Korea':'朝鲜', 'Portugal':'葡萄牙', 'Paraguay':'巴拉圭', 'Qatar':'卡塔尔', 'Romania':'罗马尼亚', 'Russia':'俄罗斯', 'Rwanda':'卢旺达', 'W. Sahara':'西撒哈拉', 'Saudi Arabia':'沙特阿拉伯', 'Sudan':'苏丹', 'S. Sudan':'南苏丹', 'Senegal':'塞内加尔', 'Solomon Is.':'所罗门群岛', 'Sierra Leone':'塞拉利昂', 'El Salvador':'萨尔瓦多', 'Somaliland':'索马里兰', 'Somalia':'索马里', 'Serbia':'塞尔维亚', 'Suriname':'苏里南', 'Slovakia':'斯洛伐克', 'Slovenia':'斯洛文尼亚', 'Sweden':'瑞典', 'Swaziland':'斯威士兰', 'Syria':'叙利亚', 'Chad':'乍得', 'Togo':'多哥', 'Thailand':'泰国', 'Tajikistan':'塔吉克斯坦', 'Turkmenistan':'土库曼斯坦', 'East Timor':'东帝汶', 'Trinidad and Tobago':'特里尼达和多巴哥', 'Tunisia':'突尼斯', 'Turkey':'土耳其', 'Tanzania':'坦桑尼亚', 'Uganda':'乌干达', 'Ukraine':'乌克兰', 'Uruguay':'乌拉圭', 'United States':'美国', 'Uzbekistan':'乌兹别克斯坦', 'Venezuela':'委内瑞拉', 'Vietnam':'越南', 'Vanuatu':'瓦努阿图', 'West Bank':'西岸', 'Yemen':'也门', 'South Africa':'南非', 'Zambia':'赞比亚', 'Zimbabwe':'津巴布韦' }
2、处理数据（新华网数据）
foreigh_rt = re.search('国外表格(.*)', home_rt, re.S).group(1) foreigh_data = re.findall('cityName"\>(.*?)\</p\>.*?cityQZ"\>(.*?)\</p\>.*?cityXZQZ"\>(.*?)\</p\>.*?citySWSJ"\>(.*?)\</p\>', foreigh_rt, re.S) foreigh_data = pd.DataFrame(foreigh_data) foreigh_data.columns = ['国家', '累计确诊', '新增', '累计死亡'] foreigh_data[foreigh_data=='-'] = 0 country_name = pd.DataFrame([nameMap.values(), nameMap.keys()]).T country_name.columns = ['国家', 'name'] foreigh_data = pd.merge(foreigh_data, country_name, on='国家', how='outer') # 替换中文名字为英文 foreigh_data = foreigh_data.fillna(0) indexes = list(foreigh_data.iloc[:, -1]) foreigh_data = foreigh_data.drop(['国家', 'name'], axis=1) foreigh_data.index = indexes country_data = [] for cou_i, coun_index in enumerate(foreigh_data.index): country_data.append([coun_index, int(foreigh_data.iloc[cou_i, 0])]) country_data.append(['China', int(data.iloc[:, -1].sum())]) # 添加中国数据
3、画图
c = ( Map(opts.InitOpts(width='800px', height='400px', bg_color='white')) .add("累计确诊", country_data, "world", is_map_symbol_show=False) .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) # 不显示国家名字 .set_global_opts( title_opts=opts.TitleOpts(title="世界新冠肺炎累计确诊热图", pos_left='center'), legend_opts=opts.LegendOpts(is_show=False), visualmap_opts=opts.VisualMapOpts(is_piecewise = True, pieces = [{"max": 1000, 'color': '#ffeead', 'label': '1k人以下'}, {"min": 1000, "max": 50000, 'color': '#f29c2b', 'label': '1k~5w人'}, {"min": 50000, "max": 200000, 'color': '#d9534f', 'label': '5w-20w人'}, {"min": 200000, "max": 1000000, "color": '#F71E35', 'label': '20w-100w人'}, {"min": 1000000, 'color': '#C00000', 'label': '100w以上'}]) ) ) c.render_notebook()
输出图像如下：
