La nueva epidemia de la corona ha estado sucediendo durante varios meses. En la actualidad, la epidemia en China se ha controlado básicamente, y los países europeos y estadounidenses están en el período del brote. Veremos que muchos sitios web proporcionan una variedad de estadísticas de epidemias. Hoy utilizamos el marco de gráficos de Python para Dibuja algunas estadísticas comunes.
Ilustración rosa
Primero, dibujemos el Nightingale Rose Chart, que estuvo relativamente caliente hace algún tiempo. La fuente de datos se obtiene a través de la interfaz `https: // lab.isaaclin.cn / nCoV / zh`. Tomamos los países con más de 2000 muertes en la epidemia. Los datos, el código de implementación es el siguiente:
url = 'https://lab.isaaclin.cn/nCoV/api/area'
data_json = requests.get(url).json()
country_list = []
count_list = []
ds = {}
for item in data_json['results']:
if item['countryEnglishName']:
if item['deadCount'] is not None and item['countryName'] is not None:
if int(item['deadCount']) > 2000:
d = {item['countryName']:item['deadCount']}
ds.update(d)
ds = dict(sorted(ds.items(), key = lambda k: k[1]))
# 名称有重复的，把国家名作为 key 吧
country_list = ds.keys()
count_list = ds.values()
# 随机颜色生成
def randomcolor(kind):
colors = []
for i in range(kind):
colArr = ['1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F']
color = ""
for i in range(6):
color += colArr[random.randint(0, 14)]
colors.append("#" + color)
return colors
color_series = randomcolor(len(count_list))
# 创建饼图
pie = Pie(init_opts=opts.InitOpts(width='800px', height='900px'))
# 添加数据
pie.add("", [list(z) for z in zip(country_list, count_list)],
radius=['20%', '100%'],
center=['60%', '65%'],
rosetype='area')
# 设置全局配置
# pie.set_global_opts(title_opts=opts.TitleOpts(title='南丁格尔玫瑰图'),
# legend_opts=opts.LegendOpts(is_show=False))
# 设置全局配置项
pie.set_global_opts(title_opts=opts.TitleOpts(title='全球新冠疫情',subtitle='死亡人数超过\n2000 的国家',
title_textstyle_opts=opts.TextStyleOpts(font_size=15,color= '#0085c3'),
subtitle_textstyle_opts= opts.TextStyleOpts(font_size=15,color= '#003399'),
pos_right= 'center',pos_left= '53%',pos_top= '62%',pos_bottom='center'
),
legend_opts=opts.LegendOpts(is_show=False))
# 设置系列配置和颜色
pie.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='inside', font_size=12,
formatter='{b}：{c}', font_style='italic',
font_family='Microsoft YaHei'))
pie.set_colors(color_series)
pie.render('南丁格尔玫瑰图.html')
Mira las representaciones:
Mapa global de epidemias
A continuación, dibujemos un mapa de la situación epidémica global. Tomamos datos sobre el número acumulado de muertes en varios países. La implementación del código es la siguiente:
url = 'https://lab.isaaclin.cn/nCoV/api/area'
data = requests.get(url).json()
oversea_confirm = []
for item in data['results']:
if item['countryEnglishName']:
oversea_confirm.append((item['countryEnglishName']
.replace('United States of America', 'United States')
.replace('United Kiongdom', 'United Kingdom'),
item['deadCount']))
world_map = (
Map(init_opts=opts.InitOpts(theme='dark'))
.add('累计死亡人数', oversea_confirm, 'world',is_map_symbol_show=False, is_roam=False)
.set_series_opts(label_opts=opts.LabelOpts(is_show=False, color='#fff'))
.set_global_opts(
title_opts=opts.TitleOpts(title='全球疫情累计死亡人数地图'),
legend_opts=opts.LegendOpts(is_show=False),
visualmap_opts=opts.VisualMapOpts(max_=2700,
is_piecewise=True,
pieces=[
{"max": 99999, "min": 10000, "label": "10000人及以上", "color": "#8A0808"},
{"max": 9999, "min": 1000, "label": "1000-9999人", "color": "#B40404"},
{"max": 999, "min": 500, "label": "500-999人", "color": "#DF0101"},
{"max": 499, "min": 100, "label": "100-499人", "color": "#F78181"},
{"max": 99, "min": 10, "label": "10-99人", "color": "#F5A9A9"},
{"max": 9, "min": 0, "label": "1-9人", "color": "#FFFFCC"},
])
)
)
world_map.render(path='全球疫情地图.html')
Mira las representaciones:
Mapa epidémico de China
Luego dibujamos un mapa de la situación epidémica en China. Los datos se basan en el número acumulado de personas diagnosticadas en cada provincia. La implementación del código es la siguiente:
url = 'https://lab.isaaclin.cn/nCoV/api/area'
data = requests.get(url).json()
province_data = []
for item in data['results']:
if item['countryName'] == '中国':
province_data.append((item['provinceShortName'], item['confirmedCount']))
china_map = (
Map(init_opts=opts.InitOpts(theme='dark'))
.add('确诊人数', province_data, 'china',is_map_symbol_show=False, is_roam=False)
.set_series_opts(label_opts=opts.LabelOpts(is_show=True, color='#ffffff'))
.set_global_opts(
title_opts=opts.TitleOpts(title="中国疫情累计确诊人数地图"),
legend_opts=opts.LegendOpts(is_show=False),
visualmap_opts=opts.VisualMapOpts(max_=2000,
is_piecewise=True,
pieces=[
{"max": 9999, "min": 1000, "label": "1000-9999人", "color": "#B40404"},
{"max": 999, "min": 500, "label": "500-999人", "color": "#DF0101"},
{"max": 499, "min": 100, "label": "100-499人", "color": "#F78181"},
{"max": 99, "min": 10, "label": "10-99人", "color": "#F5A9A9"},
{"max": 9, "min": 0, "label": "1-9人", "color": "#FFFFCC"},
])
)
)
china_map.render(path='中国疫情地图.html')
Mira las representaciones:
Mapa de calor
Continuemos dibujando el mapa de calor. Todavía tomamos los datos de varias provincias en China. El código de implementación es el siguiente:
url = 'https://lab.isaaclin.cn/nCoV/api/area'
data = requests.get(url).json()
cities_data = []
for item in data['results']:
if item['countryName'] == '中国':
if item['cities'] is not None:
cities_data.extend(item['cities'])
hot_geo = (
Geo(init_opts=opts.InitOpts(theme='dark'))
.add_schema(maptype='china')
.add('累计确诊人数',
[(i['cityName'], i['currentConfirmedCount']) for i in cities_data
if i['cityName'] in pyecharts.datasets.COORDINATES.keys()],
type_='heatmap')
.set_global_opts(
title_opts=opts.TitleOpts(title='中国疫情热力图',
pos_left='left'),
legend_opts=opts.LegendOpts(is_show=False),
visualmap_opts=opts.VisualMapOpts(is_show=True,
is_piecewise=False,
range_color=['#0ff', '#0f0', '#ff0', '#f00'])
)
)
hot_geo.render(path='中国疫情热力图.html')
Mira las representaciones:
Histograma
A continuación, dibujemos un histograma. Esta vez tomamos datos de una provincia. Debido a que la provincia de Hubei tiene el mayor número de diagnósticos, usemos los datos de esta provincia. El código de implementación es el siguiente:
url = 'https://lab.isaaclin.cn/nCoV/api/area'
data = requests.get(url).json()
for item in data['results']:
if item['provinceShortName'] == '湖北':
hb_data = item['cities']
hb_bar = (
Bar(init_opts=opts.InitOpts(theme='dark'))
.add_xaxis([hd['cityName'] for hd in hb_data])
.add_yaxis('累计确诊人数', [hd['confirmedCount'] for hd in hb_data])
.add_yaxis('累计治愈人数', [hd['curedCount'] for hd in hb_data])
.reversal_axis()
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(
title_opts=opts.TitleOpts(title="湖北新冠疫情确诊及治愈情况"),
legend_opts=opts.LegendOpts(is_show=True)
)
)
hb_bar.render(path='湖北新冠疫情图.html')
Mira las representaciones:
Gráfico de líneas
En la actualidad, la interfaz anterior no proporciona datos que devuelvan series temporales, pero se proporciona un almacén de datos en GitHub. Hay dos formatos de JSON y CSV. Debido a la baja velocidad de GitHub, no pude descargar los datos varias veces. Entonces, usemos los datos que se muestran directamente en WeChat. La implementación del código es la siguiente:
x_data = ['2-06', '2-13', '2-20', '2-27', '3-05', '3-12', '3-19', '3-26', '4-02', '4-09', '4-17']
# 现有确诊
y1_data = [20677, 46537, 49156, 36829, 22695, 13171, 6287, 2896, 987, 351, 122]
# 累计治愈
y2_data = [817, 4131, 11788, 26403, 41966, 51533, 58381, 61731, 63612, 64236, 63494]
line = (Line()
.add_xaxis(x_data)
.add_yaxis('现有确诊', y1_data, color='#10aeb5')
.add_yaxis('累计治愈', y2_data, color='#e83132')
.set_series_opts(label_opts=opts.LabelOpts(is_show=True))
.set_global_opts(
title_opts=opts.TitleOpts(title='中国疫情随时间变化趋势')
))
line.render(path='中国疫情折线图.html')
Mira las representaciones:
Si necesita el código fuente, puede escanear el código QR a continuación y responder al fondo en 200418 .