本文關鍵闡述了python數據統計分析之單因素分析線性擬合及地理編碼，文章內容緊扣主題開展詳盡的基本介紹，具有很強的實用價值，必須的朋友可以學習一下

　　一、單因素分析線性擬合

　　作用：線性擬合，單因素分析，對趨勢線開展線性擬合，并變大趨勢線的部分位子

　　鍵入：某一xlsx文檔，含有'病人相對密度（人/10數萬人）'和'人口密度散布（人/平方公里）'二列

　　導出：對此二列信息進行線性擬合，制作矩形圖

　　完成編碼：

　　import pandas as pd
　　from pylab import mpl
　　from scipy import optimize
　　import numpy as np
　　import matplotlib.pyplot as plt
　　def f_1(x,A,B):
　　return A*x+B
　　def draw_cure(file):
　　data1=pd.read_excel(file)
　　data1=pd.DataFrame(data1)
　　hz=list(data1['患者密度（人/10萬人）'])
　　rk=list(data1['人口密度（人/平方千米）'])
　　hz_gy=[]
　　rk_gy=[]
　　for i in hz:
　　hz_gy.append((i-min(hz))/(max(hz)-min(hz)))
　　for i in rk:
　　rk_gy.append((i-min(rk))/(max(rk)-min(rk)))
　　n=['玄武區','秦淮區','建鄴區','鼓樓區','浦口區','棲霞區','雨花臺區','江寧區','六合區','溧水區','高淳區',
　　'錫山區','惠山區','濱湖區','梁溪區','新吳區','江陰市','宜興市',
　　'鼓樓區','云龍區','賈汪區','泉山區','銅山區','豐縣','沛縣','睢寧縣','新沂市','邳州市',
　　'天寧區','鐘樓區','新北區','武進區','金壇區','溧陽市',
　　'虎丘區','吳中區','相城區','姑蘇區','吳江區','常熟市','張家港市','昆山市','太倉市',
　　'崇川區','港閘區','通州區','如東縣','啟東市','如皋市','海門市','海安市',
　　'連云區','海州區','贛榆區','東海縣','灌云縣','灌南縣',
　　'淮安區','淮陰區','清江浦區','洪澤區','漣水縣','盱眙縣','金湖縣',
　　'亭湖區','鹽都區','大豐區','響水縣','濱海縣','阜寧縣','射陽縣','建湖縣','東臺市',
　　'廣陵區','邗江區','江都區','寶應縣','儀征市','高郵市',
　　'京口區','潤州區','丹徒區','丹陽市','揚中市','句容市',
　　'海陵區','高港區','姜堰區','興化市','靖江市','泰興市',
　　'宿城區','宿豫區','沭陽縣','泗陽縣','泗洪縣']
　　mpl.rcParams['font.sans-serif']=['FangSong']
　　plt.figure(figsize=(16,8),dpi=98)
　　p1=plt.subplot(121)
　　p2=plt.subplot(122)
　　p1.scatter(rk_gy,hz_gy,c='r')
　　p2.scatter(rk_gy,hz_gy,c='r')
　　p1.axis([0.0,1.01,0.0,1.01])
　　p1.set_ylabel("患者密度（人/10萬人）",fontsize=13)
　　p1.set_xlabel("人口密度（人/平方千米）",fontsize=13)
　　p1.set_title("人口密度—患者密度相關性",fontsize=13)
　　for i,txt in enumerate(n):
　　p1.annotate(txt,(rk_gy<i>,hz_gy<i>))
　　A1,B1=optimize.curve_fit(f_1,rk_gy,hz_gy)[0]
　　x1=np.arange(0,1,0.01)
　　y1=A1*x1+B1
　　p1.plot(x1,y1,"blue",label='一次擬合直線')
　　x2=np.arange(0,1,0.01)
　　y2=x2
　　p1.plot(x2,y2,'g--',label='y=x')
　　p1.legend(loc='upper left',fontsize=13)
　　##plot the box
　　tx0=0;tx1=0.1;ty0=0;ty1=0.2
　　sx=[tx0,tx1,tx1,tx0,tx0]
　　sy=[ty0,ty0,ty1,ty1,ty0]
　　p1.plot(sx,sy,"purple")
　　p2.axis([0,0.1,0,0.2])
　　p2.set_ylabel("患者密度（人/10萬人）",fontsize=13)
　　p2.set_xlabel("人口密度（人/平方千米）",fontsize=13)
　　p2.set_title("人口密度—患者密度相關性",fontsize=13)
　　for i,txt in enumerate(n):
　　p2.annotate(txt,(rk_gy<i>,hz_gy<i>))
　　p2.plot(x1,y1,"blue",label='一次擬合直線')
　　p2.plot(x2,y2,'g--',label='y=x')
　　p2.legend(loc='upper left',fontsize=13)
　　plt.show()
　　if __name__=='__main__':
　　draw_cure("F:醫學大數據課題論文終稿修改scientific report返修市區縣相關分析_2231.xls")

      二、完成地理編碼

　　鍵入：漢語地址信息，比如安徽省為縣天城鎮大都督村沖里18號

　　導出：經緯度坐標，比如107.3479975498958130.50483335424108

　　作用：依據漢語詳細地址信息收集經緯度坐標

　　完成編碼：

　　import json
　　from urllib.request import urlopen,quote
　　import xlrd
　　def readXLS(XLS_FILE,sheet0):
　　rb=xlrd.open_workbook(XLS_FILE)
　　rs=rb.sheets()[sheet0]
　　return rs
　　def getlnglat(adress):
　　url='http://api.map.baidu.com/geocoding/v3/?address='
　　output='json'
　　ak='fdi11GHN3GYVQdzVnUPuLSScYBVxYDFK'
　　add=quote(adress)#使用quote進行編碼為了防止中文亂碼
　　#add=adress
　　url2=url+add+'&output='+output+'&ak='+ak
　　req=urlopen(url2)
　　res=req.read().decode()
　　temp=json.loads(res)
　　return temp
　　def getlatlon(sd_rs):
　　nrows_sd_rs=sd_rs.nrows
　　for i in range(4,nrows_sd_rs):
　　#for i in range(4,7):
　　row=sd_rs.row_values(i)
　　print(i,i/nrows_sd_rs)
　　b=(row[11]+row[12]+row[9]).replace('#','號')#第三列的地址
　　print(b)
　　try:
　　lng=getlnglat(b)['result']['location']['lng']#獲取經度并寫入
　　lat=getlnglat(b)['result']['location']['lat']#獲取緯度并寫入
　　except KeyError as e:
　　lng=''
　　lat=''
　　f_err=open('f_err.txt','a')
　　f_err.write(str(i)+'t')
　　f_err.close()
　　print(e)
　　print(lng,lat)
　　f_latlon=open('f_latlon.txt','a')
　　f_latlon.write(row[0]+'t'+b+'t'+str(lng)+'t'+str(lat)+'n')
　　f_latlon.close()
　　if __name__=='__main__':
　　#sle_xls_file='F:醫學大數據課題江蘇省SLE數據庫（兩次隨訪合并）.xlsx'
　　sle_xls_file="F:醫學大數據課題數據副本江蘇省SLE數據庫（兩次隨訪合并）-副本.xlsx"
　　sle_data_rs=readXLS(sle_xls_file,1)
　　getlatlon(sle_data_rs)

       綜上所述，這篇文章就給大家介紹到這里了，希望可以給大家帶來幫助。