用 Python 可視化神器 Plotly 動(dòng)態(tài)演示全球疫情變化趨勢(shì)

“

閱讀本文大概需要 9 分鐘。

”大家好，今天轉(zhuǎn)載的這一篇是借助 Plotly 工具來(lái)演示全球疫情變化趨勢(shì)，同時(shí)該技能在日常的報(bào)表制作中也十分實(shí)用?。近期對(duì)疫情數(shù)據(jù)進(jìn)行可視化的內(nèi)容比較多，今天我來(lái)用 Python 可視化申請(qǐng) Plotly 對(duì)國(guó)外的疫情發(fā)展情況進(jìn)行可視化，以項(xiàng)目實(shí)戰(zhàn)的形式，在分析和了解國(guó)外疫情變化趨勢(shì)的同時(shí)，加深大家對(duì) Plotly 的學(xué)習(xí)應(yīng)用。在開(kāi)始之前，我們先來(lái)看看最終制作的部分效果圖，如果你覺(jué)得有興趣，不妨繼續(xù)往下看。

數(shù)據(jù)來(lái)源

國(guó)內(nèi)的疫情，目前已逐步受到控制，各項(xiàng)指標(biāo)已開(kāi)始明顯好轉(zhuǎn)，但國(guó)外的情況，看起來(lái)不是太樂(lè)觀，已有的作業(yè)也沒(méi)有抄好，所以，本次我們主要來(lái)可視化分析國(guó)外疫情的發(fā)展情況。疫情的數(shù)據(jù)來(lái)源于開(kāi)源項(xiàng)目 Akshare，由于使用該項(xiàng)目獲取數(shù)據(jù)時(shí)，有時(shí)不太穩(wěn)定，可能會(huì)遇到連接失敗的情況。

準(zhǔn)備工作

照例，還是先介紹下我運(yùn)行的環(huán)境

• Mac 系統(tǒng)

• Anaconda（Python 3.7）

• Jupyter Notebook

本次使用到的 Python 庫(kù)包括 akshare, pandas, plotly 等，導(dǎo)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. 
   

8. init_notebook_mode()

接著，我們讀取已獲得的數(shù)據(jù)，已保存的數(shù)據(jù)是截至3月7日的。

1. # 從 akshare 獲取數(shù)據(jù)

2. # df_all_history = ak.epidemic_history()

3. 
   

4. # 從csv文件獲取數(shù)據(jù)

5. df_all_history = pd.read_csv('epidemic_all_20200307.csv',index_col=0)

6. 
   

7. df_all_history

從上面獲取的數(shù)據(jù)，有些數(shù)據(jù)格式需要加以調(diào)整，對(duì)于日期，我們這里會(huì)組織兩列數(shù)據(jù)，一列是時(shí)間格式的日期（?['date']），一列是字符串格式的日期 (?['dates'])。這樣設(shè)置的原因，是因?yàn)槲覀兒罄m(xù)分別需要用到這兩種格式的日期。

1. df_all = df_all_history

2. 
   

3. # 將字符串格式的日期 另保存為一列

4. df_all['dates'] = df_all_history['date']

5. 
   

6. # 將字符串格式的日期轉(zhuǎn)換為 日期格式

7. df_all['date'] = pd.to_datetime(df_all['date'])

獲取國(guó)外的疫情數(shù)據(jù)

上面的數(shù)據(jù)，是全球的數(shù)據(jù)，我們可以把其中屬于中國(guó)的剔除，就可以得到國(guó)外的數(shù)據(jù)了。

1. # 國(guó)外，按國(guó)家統(tǒng)計(jì)

2. df_oversea = df_all.query("country!='中國(guó)'")

3. df_oversea.fillna(value="", inplace=True)

4. 
   

5. df_oversea

先來(lái)用 plotly express 看下國(guó)外疫情分國(guó)家的整體走勢(shì)。

1. fig_oversea = px.line(df_oversea, x='dates', y='confirmed',

2. line_group='country',

3. color='country',

4. color_discrete_sequence=px.colors.qualitative.D3,

5. hover_name='country',

6. )

7. 
   

8. fig_oversea.show()

從上圖可以看出，國(guó)外的疫情發(fā)展情況，大部分國(guó)家從2月10日期，發(fā)展趨勢(shì)較為明顯，因此，后面我們重點(diǎn)分析這段時(shí)間之后的情況。

1. # 現(xiàn)有數(shù)據(jù)演示從 2020年2月10日開(kāi)始

2. df_oversea_recent = df_oversea.set_index('date')

3. df_oversea_recent = df_oversea_recent['2020-02-10':]

4. df_oversea_recent

由于部分國(guó)家的數(shù)據(jù)不是從 2020 年 2 月 10 日開(kāi)始記錄的，所以要補(bǔ)充數(shù)據(jù)。我們可以手動(dòng)新建一個(gè) excel 數(shù)據(jù)表，將補(bǔ)充日期的數(shù)值填充為 0 。我這里主要補(bǔ)充的是伊朗的數(shù)據(jù)，因?yàn)橐晾蕦?shí)在是發(fā)展太快了，必須納入分析的范圍內(nèi)。其他國(guó)家，如果有需要補(bǔ)充的，后續(xù)可以繼續(xù)完善。

1. # 由于部分國(guó)家，數(shù)據(jù)不是從2020年2月10日開(kāi)始的，所以要補(bǔ)充數(shù)據(jù)，數(shù)值為 0

2. # 數(shù)據(jù)在 excel 表格中進(jìn)行補(bǔ)充，這里進(jìn)行讀取

3. 
   

4. df_oversea_buchong = pd.read_excel('epidemic_buchong.xlsx')

5. df_oversea_buchong['dates'] = df_oversea_buchong['date'].apply(lambda x:x.strftime('%Y-%m-%d'))

6. df_oversea_buchong.set_index('date', inplace=True)

7. df_oversea_buchong.fillna(value="", inplace=True)

8. print(df_oversea_buchong.info())

9. df_oversea_buchong

將需要補(bǔ)充的數(shù)據(jù)弄好后，我們可以合并上面這兩部分?jǐn)?shù)據(jù)，一起進(jìn)行分析。

1. # 合并補(bǔ)充數(shù)據(jù)

2. 
   

3. df_oversea_recent_new = df_oversea_recent.append(df_oversea_buchong)

4. 
   

5. df_oversea_recent_new.sort_index(inplace=True)

6. 
   

7. df_oversea_recent_new

得到合并的數(shù)據(jù)后，首先，我們用氣泡圖來(lái)對(duì)變化情況進(jìn)行可視化，這里用的是 plotly express 的散點(diǎn)圖。plotly express 現(xiàn)在已經(jīng)合并到 plotly 中，個(gè)人覺(jué)得跟 plotly 原生內(nèi)容的協(xié)同性相對(duì) cufflinks 要好用點(diǎn)。

1. # -*- coding: utf-8 -*-

2. """

3. @Author: Lemonbit

4. @出品：Python數(shù)據(jù)之道

5. @Homepage: liyangbit.com

6. """

7. 
   

8. fig_oversea_recent = px.scatter(df_oversea_recent_new, x='dead', y='confirmed',

9. size='confirmed', text='country', color='country',

10. color_discrete_sequence=px.colors.qualitative.Light24,

11. animation_frame='dates',animation_group='country',

12. hover_name='country',

13. range_x=[-10,260],

14. range_y=[0,8000],

15. size_max=50,

16. template='plotly_white',

17. )

18. 
    

19. fig_oversea_recent.show()

從上面這個(gè)動(dòng)態(tài)圖可以清晰的看出，當(dāng)前，在海外的國(guó)家中，韓國(guó)、伊朗、意大利三個(gè)國(guó)家最為嚴(yán)重。這三個(gè)國(guó)家中，就增長(zhǎng)趨勢(shì)而言，伊朗和意大利又比韓國(guó)要更明顯，目前韓國(guó)的增長(zhǎng)有所放緩，而伊朗和意大利還處于快速增長(zhǎng)的過(guò)程中，后續(xù)情況不容樂(lè)觀。此外，在這個(gè)圖中，另外還有幾個(gè)國(guó)家值得關(guān)注，日本，除去鉆石號(hào)之外，從數(shù)據(jù)來(lái)看，本土的增長(zhǎng)目前還算是在稍微較好的范圍內(nèi)。反倒是，德國(guó)、法國(guó)、西班牙，個(gè)人覺(jué)得已成逐步壯大之勢(shì)，不得不防。而且，由于整個(gè)歐盟國(guó)家之間，人員是自由流通的，現(xiàn)在看來(lái)，整個(gè)歐盟很可能會(huì)成為疫情的重災(zāi)區(qū)，其影響巨大。上圖左下角的這些國(guó)家的走勢(shì)，我們可以拉近來(lái)看，走勢(shì)如下，這樣，對(duì)于 德國(guó)、法國(guó)、西班牙就會(huì)看的更明顯了。

這里，還有一個(gè)國(guó)家，就是美國(guó)，雖然從數(shù)據(jù)以及增長(zhǎng)情況來(lái)看，好像美國(guó)還好，但恐怕實(shí)際情況，要糟糕很多。上面是以氣泡圖的方式來(lái)演示變化過(guò)程，我們也可以以柱狀圖的形式來(lái)演示，效果如下：

關(guān)于上面的效果圖，各位可以自行研究下，歡迎交流。最后，關(guān)于數(shù)據(jù)的獲取，大家可以點(diǎn)擊左下角的「閱讀原文」查看官方介紹。

需要說(shuō)明的是，本文代碼是在 Jupyter Notebook 中運(yùn)行的， 如果是在 PyCharm 等 IDE 中運(yùn)行，需要稍微修改下代碼。

推薦閱讀

1

Python 中更優(yōu)雅的日志記錄方案

2

別再造假數(shù)據(jù)了，來(lái)試試 Faker 這個(gè)庫(kù)吧！

3

200 行代碼實(shí)現(xiàn)一個(gè)滑動(dòng)驗(yàn)證碼

4??

如何用一條命令將網(wǎng)頁(yè)轉(zhuǎn)成電腦 App

好文和朋友一起看~