小編寫這篇文章的主要目的就是，站在當(dāng)下的一個(gè)角度，對(duì)全球疫情情況進(jìn)行一個(gè)數(shù)據(jù)分析，，包括確診、治愈、死亡、時(shí)間、國(guó)家、地區(qū)等這些數(shù)據(jù)，針對(duì)這些數(shù)據(jù)，進(jìn)行相關(guān)的一些可視化數(shù)據(jù)分析，下面小編就給大家做出一個(gè)詳細(xì)的解答。

　　本項(xiàng)目主要通過(guò)python的matplotlib pandas pyecharts等庫(kù)對(duì)疫情數(shù)據(jù)進(jìn)行可視化分析。

　　本數(shù)據(jù)集來(lái)源于kaggle競(jìng)賽的開源數(shù)據(jù)集，數(shù)據(jù)集地址

　　本數(shù)據(jù)集主要涉及到全球疫情統(tǒng)計(jì)，包括確診、治愈、死亡、時(shí)間、國(guó)家、地區(qū)等信息

　　功能函數(shù)

　　讀取文件

  　df=pd.read_csv(r'C:\Users\Hasee\Desktop/covid_19_data.csv')
　　df.head()

　　更換列名，便于查看

　　cols=['序號(hào)','日期','省/州','國(guó)家','最近更新','確診','死亡','治愈']
　　df.columns=cols
　　df.日期=pd.to_datetime(df.日期)
　　df

       ##利用groupby按照日期統(tǒng)計(jì)確診死亡治愈病例的總和

　　#合并同一天同國(guó)家日期
　　global_confirm=df.groupby('日期')[['確診','死亡','治愈']].sum()
　　global_confirm

　　全球疫情趨勢(shì)

  ax=global_confirm.plot(figsize=(12,10),title='全球疫情趨勢(shì)圖')

　　篩選出中國(guó)的數(shù)據(jù)

　　利用groupby按照日期統(tǒng)計(jì)確診死亡治愈病例的總和

　　global_china=df[df['國(guó)家']=='Mainland China'].reset_index()
　　global_china_confirm=global_china.groupby('日期')[['確診','死亡','治愈']].sum().reset_index()

　　然后對(duì)其進(jìn)行畫圖處理，把圖繪制成三條線

　　利用groupby按照省統(tǒng)計(jì)確診死亡治愈病例的總和

　　global_china=df[df['國(guó)家']=='Mainland China'].reset_index()
　　global_china_province_confirm=global_china.groupby('省/州')[['確診','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)

　　確診人數(shù)排名前15的國(guó)家

   plt.figure(figsize=(16,16))
   plt.barh(list(global_country_confirm_rank.國(guó)家)[::-1], list(global_country_confirm_rank.確診)[::-1])
   plt.title('確診人數(shù)排名前15的國(guó)家')
   plt.xlabel('人數(shù)（千萬(wàn)）')
   plt.ylabel('國(guó)家')

      這里用pyecharts庫(kù)畫圖，繪制的玫瑰圖，rosetype

　　set_global_opts是設(shè)置格式：

　　中國(guó)確診人數(shù)前十的省

　  china_confirm=df[df['國(guó)家']=="Mainland China"]
　　china_latest=china_confirm[china_confirm['日期']==max(china_confirm['日期'])]
　　words=WordCloud()
　　words.add('確診人數(shù)',[tuple(dic)for dic in zip(list(china_latest['省/州']),list(china_latest['確診']))],word_size_range=[20,100])

       區(qū)域圖

　  china_death=df[df['國(guó)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')[['確診','死亡']].max().reset_index()
　　geo=Map()
　　geo.add("中國(guó)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="全國(guó)各省死亡病例數(shù)據(jù)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()

　　熱力圖

　　geo=Geo()
　　geo.add_schema(maptype="china")
　　geo.add("中國(guó)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="全國(guó)各省死亡病例數(shù)據(jù)分布"))
　　geo.render_notebook()

      全球死亡人數(shù)地理分布情況

　　map=Map()
　　map.set_global_opts(title_opts=opts.TitleOpts(title="全球死亡人數(shù)地理分布情況"),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("全球死亡人數(shù)地理分布情況",[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()

       全球疫情頻率直方圖

  　global_confirm.plot.hist(alpha=0.5)
　　plt.xlabel('人數(shù)（千萬(wàn)）')
　　plt.ylabel('出現(xiàn)頻率')
　　plt.title('全球疫情頻率直方圖')

　　其他圖

　　陜西確診病例餅圖

　　陜西省確診病例數(shù)據(jù)分布

　　中國(guó)治愈病例玫瑰圖

　　到此為止，小編這篇文章就給大家介紹到這里了，希望可以給大家?guī)?lái)幫助。