用Python可视化神器Plotly动态演示全球疫情变化趋势-51CTO.COM

用 Python可视化神器 Plotly

动态演示全球疫情变化趋势

各位同学早上好，我是 Lemonbit 。

近期对疫情数据进行可视化的内容比较多，今天我来用 Python 可视化申请 Plotly 对国外的疫情发展情况进行可视化，以项目实战的形式，在分析和了解国外疫情变化趋势的同时，加深大家对 Plotly 的学习应用。

在开始之前，我们先来看看最终制作的部分效果图，如果你觉得有兴趣，不妨继续往下看。

数据来源

国内的疫情，目前已逐步受到控制，各项指标已开始明显好转，但国外的情况，看起来不是太乐观，已有的作业也没有抄好，所以，本次我们主要来可视化分析国外疫情的发展情况。

疫情的数据来源于开源项目 Akshare，由于使用该项目获取数据时，有时不太稳定，可能会遇到连接失败的情况，所以，这里我提供了保存好的数据供大家使用。

准备工作

照例，还是先介绍下我运行的环境

Mac 系统
Anaconda（Python 3.7）
Jupyter Notebook

本次使用到的 Python 库包括 akshare, pandas, plotly 等，导入如下：

import akshare as ak  
    import pandas as pd  
    import plotly  
    from plotly.offline import iplot, init_notebook_mode  
    import plotly.express as px 
    from datetime import datetime  
    init_notebook_mode()

接着，我们读取已获得的数据，已保存的数据是截至3月7日的。

# 从 akshare 获取数据 
   # df_all_history = ak.epidemic_history()  
   # 从csv文件获取数据  
   df_all_history = pd.read_csv('epidemic_all_20200307.csv',index_col=0)  
   df_all_history

从上面获取的数据，有些数据格式需要加以调整，对于日期，我们这里会组织两列数据，一列是时间格式的日期（ ['date']），一列是字符串格式的日期 ( ['dates'])。这样设置的原因，是因为我们后续分别需要用到这两种格式的日期。

df_all = df_all_history  
    # 将字符串格式的日期 另保存为一列  
    df_all['dates'] = df_all_history['date']  
    # 将字符串格式的日期转换为 日期格式  
    df_all['date'] = pd.to_datetime(df_all['date'])

获取国外的疫情数据

上面的数据，是全球的数据，我们可以把其中属于中国的剔除，就可以得到国外的数据了。

# 国外，按国家统计 
    df_oversea = df_all.query("country!='中国'")  
    df_oversea.fillna(value="", inplace=True)  
    df_oversea

先来用 plotly express 看下国外疫情分国家的整体走势。

# 国外，按国家统计  
    df_oversea = df_all.query("country!='中国'") 
    df_oversea.fillna(value="", inplace=True)  
    df_oversea

从上图可以看出，国外的疫情发展情况，大部分国家从2月10日期，发展趋势较为明显，因此，后面我们重点分析这段时间之后的情况。

# 现有数据演示从 2020年2月10日开始 
   df_overseadf_oversea_recent = df_oversea.set_index('date') 
   df_oversea_recentdf_oversea_recent = df_oversea_recent['2020-02-10':]  
   df_oversea_recent

由于部分国家的数据不是从2020年2月10日开始记录的，所以要补充数据。我们可以手动新建一个 excel数据表，将补充日期的数值填充为 0 。

我这里主要补充的是伊朗的数据，因为伊朗实在是发展太快了，必须纳入分析的范围内。其他国家，如果有需要补充的，后续可以继续完善。

# 由于部分国家，数据不是从2020年2月10日开始的，所以要补充数据，数值为 0  
   # 数据在 excel 表格中进行补充，这里进行读取  
   df_oversea_buchong = pd.read_excel('epidemic_buchong.xlsx')  
   df_oversea_buchong['dates'] = df_oversea_buchong['date'].apply(lambda x:x.strftime('%Y-%m-%d'))  
   df_oversea_buchong.set_index('date', inplace=True) 
   df_oversea_buchong.fillna(value="", inplace=True)  
   print(df_oversea_buchong.info())  
   df_oversea_buchong

将需要补充的数据弄好后，我们可以合并上面这两部分数据，一起进行分析。

# 合并补充数据  
  df_oversea_recentdf_oversea_recent_new = df_oversea_recent.append(df_oversea_buchong)  
  df_oversea_recent_new.sort_index(inplace=True)  
  df_oversea_recent_new

得到合并的数据后，首先，我们用气泡图来对变化情况进行可视化，这里用的是 plotly express 的散点图。

plotly express 现在已经合并到 plotly 中，个人觉得跟 plotly 原生内容的协同性相对 cufflinks 要好用点。

# 合并补充数据  
  df_oversea_recentdf_oversea_recent_new = df_oversea_recent.append(df_oversea_buchong)  
  df_oversea_recent_new.sort_index(inplace=True)  
  df_oversea_recent_new