新冠疫情历史数据可视化分析

3.2 读取世界各国历史数据

import chardet
import pandas as pd# 查看文件编码格式
with open('alltime_world.csv', 'rb') as f:data = f.read()
encoding = chardet.detect(data)['encoding']
# print(encoding)
# 读取数据
alltime_world = pd.read_csv("./alltime_world.csv",encoding=encoding)
# print(alltime_world)# 创建中文列名字典
name_dict = {'date':'日期','name':'名称', 'today_confirm':'当日新增确诊','today_suspect':'当日新增疑似','today_heal':'当日新增治愈','today_dead':'当日新增死亡','today_severe':'当日新增重症','today_storeConfirm':'当日现存确诊','total_confirm':'累计确诊','total_suspect':'累计疑似','total_heal':'累计治愈','total_dead':'累计死亡','total_severe':'累计重症','total_input':'累计境外输入','today_input':'当日境外输入'}
# print(name_dict)
# 更改列名
alltime_world.rename(columns=name_dict,inplace=True)# 展示前5行数据
print(alltime_world.head(5))# 查看数据的基本信息
alltime_world.info()# 查看数据的描述性统计信息
alltime_world.describe()

3.3 查看每天出现疫情的国家数量变化趋势(预处理）

import pandas as pd# 将日期更改成datetime格式
alltime_world['日期'] = pd.to_datetime(alltime_world['日期'])# 对日期进行分组聚合，统计每个分组的样本数
value = alltime_world.groupby('日期').size()# 将日期转换成列表
time = [i.strftime('%m-%d') for i in value.index]time

3.4 查看每天出现疫情的国家数量变化趋势

import pyecharts
import pyecharts.options as opts
from pyecharts.charts import Line# 绘制出现疫情国家数量折线图
line = Line().add_xaxis(# 配置x轴xaxis_data =time   # 输入x轴数据)
line. add_yaxis(# 配置y轴series_name = "",  # 设置图例名称y_axis = value,  # 输入y轴数据symbol_size = 10, # 设置点的大小label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签is_smooth = True # 绘制平滑曲线)# 设置全局配置项
line.set_global_opts(title_opts = opts.TitleOpts(title = "疫情出现国家数量变化折线图", pos_left = "center"), # 设置图标题和位置axispointer_opts = opts.AxisPointerOpts(is_show = True, link = [{"xAxisIndex": "all"}]),  # 坐标轴指示器配置# x轴配置项xaxis_opts = opts.AxisOpts(type_ = "category"), # y轴配置项 yaxis_opts = opts.AxisOpts(name = "疫情出现国家数量"), # 轴标题)line.render()

3.5 绘制世界国家累计确诊动态排名条形图（定义获取每日数据的函数）

import pyecharts.options as opts
# 将数据按照日期分组
grouped_world = dict(list(alltime_world.groupby('日期')))# 定义函数，获取每天的数据
def transform_bar(date):date_data = grouped_world[date]# 当天累计确诊按照降序排列的国家名称x = date_data.sort_values('累计确诊',ascending=False)['名称'].values.tolist()# 当天累计确诊的最值，用于控制横轴范围y_max = date_data['累计确诊'].max()# 当天国家个数小于10y = []if len(x)<=10:for i in range(len(x)):# 定义每个条形的名称，值和颜色y.append(opts.BarItem(name=x[i], # 名称value=date_data.sort_values('累计确诊',ascending=False)['累计确诊'].values.tolist()[i], # 值itemstyle_opts=opts.ItemStyleOpts(color=country_color[country_color['中文']==x[i]]['颜色'].values[0]) # 颜色))# 当天国家个数大于10else:# 选出前10个国家x = x[:10]for i in range(10):y.append(opts.BarItem(name=x[i],value=date_data.sort_values('累计确诊',ascending=False)['累计确诊'].values.tolist()[i],itemstyle_opts=opts.ItemStyleOpts(color=country_color[country_color['中文']==x[i]]['颜色'].values[0])))return x,y,y_max

输出 None

3.6 绘制世界累计确诊动态排名条形图

# 载入时间轴组件和柱状图
from pyecharts.charts import Timeline
from pyecharts.charts import Bar
import pyecharts.options as opts# 实例化时间轴组件
tl = Timeline()
tl.add_schema(is_auto_play=True, # 自动播放play_interval=200, # 播放频率is_loop_play=True) # 循环播放# 循环作图
for date in list(grouped_world.keys())[36:]:# 将日期转为字符串，并去掉年份_date = date.strftime("%Y-%m-%d")[5:]# 调用函数获取数据x,y,y_max = transform_bar(date)# 绘制条形图bar = Bar(init_opts=opts.InitOpts()).add_xaxis(x).add_yaxis("确诊人数", y).reversal_axis()# 添加横轴和纵轴数据，交换两个轴的位置，相当于绘制条形图# 系列配置项bar.set_series_opts(label_opts=opts.LabelOpts(is_show=True, position='right'))# 全局配置项bar.set_global_opts(legend_opts=opts.LegendOpts(is_show=True), # 显示图例title_opts=opts.TitleOpts("{} Day".format(_date)), # 图标题xaxis_opts = opts.AxisOpts(max_=int(y_max)+5000),  # 设置横轴刻度最大值yaxis_opts = opts.AxisOpts(is_inverse=True)) # 反向纵轴# 在时间轴组件中添加图形tl.add(bar, "{}".format(_date))# 渲染
tl.render()

3.7 多国累计确诊和新增确诊变化趋势分析（预处理）

import pandas as pd# 根据日期和名称两列进行分组聚合，选取累计确诊一列数据，并将名称一列由行索引转换为列索引
countries_total = alltime_world.groupby(['日期','名称'])['累计确诊'].mean().unstack()# 根据日期和名称两列进行分组聚合，选取当日新增确诊一列数据，并将名称一列由行索引转换为列索引
countries_today = alltime_world.groupby(['日期','名称'])['当日新增确诊'].mean().unstack()# 输出结果
print('============累计确诊数据============\n', countries_total.sample())
print('============当日新增确诊数据============\n',countries_today.sample())

3.8 多国累计确诊和新增确诊变化趋势分析

import pandas as pd
from pyecharts.charts import Line, Grid
import pyecharts.options as optslist = ['中国', '日本', '韩国', '美国', '英国', '西班牙', '印度', '巴西', '法国', '俄罗斯']# 绘制第一张图表：多国累计确诊折线图
# 配置x轴
l1 = Line().add_xaxis(xaxis_data = time  # 输入x轴数据)for c in  list:
# 配置y轴 l1.add_yaxis(series_name = c,  # 设置图例名称y_axis = countries_total[c]/10000,  # 输入y轴数据is_connect_nones=True, # 连接空数据symbol_size = 10, # 设置点的大小label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式is_smooth = True  # 绘制平滑曲线)# 设置全局配置项
l1.set_global_opts(title_opts = opts.TitleOpts(title = "", pos_left = "center"  # 设置图标题和位置), axispointer_opts = opts.AxisPointerOpts(is_show = True, link = [{"xAxisIndex": "all"}]  # 坐标轴指示器配置), # x轴配置项xaxis_opts = opts.AxisOpts(type_ = "category",boundary_gap = True # 坐标轴两边是否留白), # y轴配置项 yaxis_opts = opts.AxisOpts(name = "累计确诊（万人）", # 轴标题splitline_opts=opts.SplitLineOpts(is_show=True), # 显示图表分割线axisline_opts = opts.AxisLineOpts(is_show=False) # 隐藏坐标轴轴线),# 图例配置项legend_opts = opts.LegendOpts(pos_left  ='7%' # 图例的位置) )# 绘制第二张图表：多国当日新增确诊折线图
l2 = Line().add_xaxis(xaxis_data = time)for c in list:l2.add_yaxis(series_name=c,y_axis=countries_total[c]/10000,  # 添加数据symbol_size=10,is_connect_nones=True, label_opts = opts.LabelOpts(is_show = False),linestyle_opts = opts.LineStyleOpts(width = 1.5),is_smooth = True)l2.set_global_opts(# 设置坐标轴指示器axispointer_opts = opts.AxisPointerOpts(  is_show = True, link = [{"xAxisIndex": "all"}] # 对x轴所有索引进行联动),  # x轴配置项xaxis_opts = opts.AxisOpts(is_show=False,type_ = "category" # 类型),  # y轴配置项yaxis_opts = opts.AxisOpts(name = "当日新增确诊（万人）",splitline_opts=opts.SplitLineOpts(is_show=True),axisline_opts = opts.AxisLineOpts(is_show=False)), # 图例设置legend_opts = opts.LegendOpts( is_show=False) )# 绘制分组折线图
# 设置图形的长和宽
grid = Grid(init_opts = opts.InitOpts(width = "1000px", height = "600px")) # 添加第一个图表
grid.add(chart=l1,  grid_opts = opts.GridOpts(pos_left = 80, pos_right = 20, height = "35%") # 直角坐标系网格配置项)
# 添加第二个图表
grid.add(chart = l2, grid_opts = opts.GridOpts(pos_left = 80, pos_right = 20, pos_top = "55%", height = "35%"))
# 利用notebook进行渲染
grid.render()

3.9 世界各国历史数据可视化分析（拓展）

# 读取数据
import pandas as pd
alltime_world = pd.read_csv("alltime_world_2020_11_16.csv")

输出 None

3.11 读取中国历史数据

import chardet
import pandas as pd# 查看文件编码格式
with open('./alltime_China.csv', 'rb') as f:data = f.read()
encoding = chardet.detect(data).get("encoding")# 数据读取
alltime_china = pd.read_csv('./alltime_China.csv',encoding=encoding)# 展示前5行数据
print(alltime_china.head(5))# 查看数据的基本信息
alltime_china.info()# 查看数据的描述性统计信息
alltime_china.describe()

3.12 中国疫情历史数据可视化分析

import pandas as pd
from pyecharts.charts import Line, Grid
import pyecharts.options as opts# 将日期改成datetime格式
alltime_china['日期'] = pd.to_datetime(alltime_china['日期'])# 按时间顺序排列
alltime_china.sort_values(['日期'], inplace=True)# 将日期转换成列表
time = [i.strftime('%m-%d') for i in alltime_china['日期']]# 返回列标签，选取除日期以外的后8个标签
columns_name = alltime_china.columns[1:]# 绘制折线图
line = Line().add_xaxis(# 配置x轴xaxis_data = time   # 输入x轴数据)for i in columns_name:line.add_yaxis(# 配置y轴 series_name = i,  # 设置图例名称y_axis = alltime_china[i],  # 输入y轴数据symbol_size = 10, # 设置点的大小label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式is_smooth = True # 绘制平滑曲线)# 设置全局配置项
line.set_global_opts(title_opts = opts.TitleOpts(title = "", pos_left = "center"), # 设置图标题和位置axispointer_opts = opts.AxisPointerOpts(is_show = True, link = [{"xAxisIndex": "all"}]),  # 坐标轴指示器配置# x轴配置项xaxis_opts = opts.AxisOpts(type_ = "category",boundary_gap = True), # 坐标轴两边是否留白# y轴配置项 yaxis_opts = opts.AxisOpts(name = "人数", # 轴标题splitline_opts=opts.SplitLineOpts(is_show=True), # 显示图表分割线axisline_opts = opts.AxisLineOpts(is_show=False)), # 隐藏坐标轴轴线# 图例配置项legend_opts = opts.LegendOpts(pos_left='12%') # 图例的位置)line.render()

3.13 全国与二次爆发省市新增确诊对比折线图

# 将数据按照名称分组
grouped_province = alltime_province.groupby('名称')# 提取出全国5月1日后的新增确诊人数
newconfirm_0501 = alltime_china.set_index('日期').loc['2020-05-01':, '当日新增确诊']# 加载绘图类Line
from pyecharts.charts import Line
import pyecharts.options as optsline1 = Line(init_opts = opts.InitOpts(width = "1100px", height = "500px")).add_xaxis(# 配置x轴xaxis_data = newconfirm_0501.index.tolist()   # 输入x轴数据)# 添加全国数据
line1.add_yaxis(# 配置y轴 series_name = '全国',  # 设置图例名称y_axis = newconfirm_0501.values.tolist(),  # 输入y轴数据symbol_size = 10, # 设置点的大小label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式is_smooth = True, # 绘制平滑曲线)# 添加北京、辽宁和新疆三个省的数据
for i in ['北京','辽宁','新疆']:line1.add_yaxis(# 配置y轴 series_name = i,  # 设置图例名称y_axis = grouped_province.get_group(i).set_index('日期').loc['2020-05-01':,'当日新增确诊'].values.tolist(),  # 输入y轴数据symbol_size = 10, # 设置点的大小label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签linestyle_opts = opts.LineStyleOpts(width=1.5), # 线条宽度和样式is_smooth = True, # 绘制平滑曲线)# 设置全局配置项
line1.set_global_opts(title_opts = opts.TitleOpts(title = "", pos_left = "center"), # 设置图标题和位置axispointer_opts = opts.AxisPointerOpts(is_show = True, link = [{"xAxisIndex": "all"}]),  # 坐标轴指示器配置# x轴配置项xaxis_opts = opts.AxisOpts(type_ = "category",boundary_gap = True), # 坐标轴两边是否留白# y轴配置项 yaxis_opts = opts.AxisOpts(name = "人数",interval=30,max_=280), # 轴标题# 图例配置项legend_opts = opts.LegendOpts(pos_left  ='12%') # 图例的位置)
# 渲染
line1.render()

3.14 中国历史数据可视化分析（拓展）

# 读取数据
import pandas as pd
alltime_china = pd.read_csv("alltime_China_v1.csv")
alltime_province = pd.read_csv("alltime_province_2020_11_16.csv")

输出 None

3.16 读取美国各州历史数据

import chardet
import pandas as pd# 查看文件编码格式
with open('./alltime_usa.csv','rb') as f:data = f.read()
encoding = chardet.detect(data).get("encoding")# 读取数据
alltime_state = pd.read_csv('./alltime_usa.csv',encoding=encoding)# 创建中文列名字典
name_dict = {'date':'日期', 'name':'名称', 'today_confirm':'当日新增确诊','today_suspect':'当日新增疑似', 'today_heal':'当日新增治愈','today_dead':'当日新增死亡', 'today_severe':'当日新增重症','today_storeConfirm':'当日现存确诊', 'total_confirm':'累计确诊','total_suspect':'累计疑似', 'total_heal':'累计治愈','total_dead':'累计死亡', 'total_severe':'累计重症','total_input':'累计境外输入', 'today_input':'当日境外输入'}# 更改列名
alltime_state.rename(columns=name_dict,inplace=True)# 展示前5行数据
print(alltime_state.head(5))# 查看数据的基本信息
alltime_state.info()# 查看数据的描述性统计信息
alltime_state.describe()

3.17 美国每100万累计确诊所用天数柱状图

# 将数据按照名称分组，提取出美国的数据
grouped_usa = alltime_world.groupby('名称').get_group('美国')# 设定组距
import numpy as np
bins = np.arange(0,1e7+2e6,1e6).tolist()# 设置横轴数据
bins_label = [str(int(bins[i]/1e4))+'万~'+str(int(bins[i+1]/1e4)) + '万' for i in range(len(bins)-1)]
bins_label[0] = '0~100万'# 对累计确诊这一列进行等距离散化
confirm_cutted = pd.cut(x=grouped_usa['累计确诊'],bins=bins,labels=False)# 统计每组值的个数得到每100万累计确诊所用天数
confirm_days = confirm_cutted.value_counts().sort_index().values.tolist()# 绘制柱状图
from pyecharts.charts import Bar
from pyecharts.charts import Line
import pyecharts.options as opts# 实例化绘图类，添加横轴、纵轴数据
bar_ = Bar().add_xaxis(xaxis_data = bins_label).add_yaxis('天数',confirm_days)# 设置全局配置项
bar_.set_global_opts(title_opts = opts.TitleOpts(title = "美国每100万累计确诊所用天数", pos_left = "left"), # 设置图标题和位置xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=35)))# 添加趋势折线
line_ = Line().add_xaxis(xaxis_data=bins_label)
line_.add_yaxis(series_name="",y_axis=[i+10 for i in confirm_days],label_opts=opts.LabelOpts(is_show=False),)# 设置层叠组件
bar_.overlap(line_).render()

3.18 美国各州累计死亡动态地图（获取数据）

# 将数据按照日期分组
grouped_state = alltime_state.groupby('日期')# 定义获取每日数据的函数
def transform_map(date):# 获取当天数据date_data = grouped_state.get_group(date)# 添加州英文名称date_data['英文名称'] = date_data['名称'].replace(state_name['中文名称'].values,state_name['英文名称'].values)# 提取出各州英文名称和累计死亡人数的嵌套列表y = date_data[['英文名称','累计死亡']].values.tolist()return y

输出 None

3.19 美国各州累计死亡动态地图

# 加载时间轴组件
from pyecharts.charts import Timeline,Map
import pyecharts.options as opts# 实例化时间轴组件
tl = Timeline()
tl.add_schema(is_auto_play=True, # 自动播放play_interval=200, # 播放频率is_loop_play=True) # 循环播放for date in grouped_state.groups.keys():_date = date[5:]# 获取数据heatmap_data = transform_map(date)# 绘制地图map_ = Map().add(series_name = "累计死亡人数", # 设置提示框标签data_pair = heatmap_data, # 输入数据maptype = "美国", # 设置地图类型为世界地图is_map_symbol_show = False # 不显示标记点) # 设置系列配置项map_.set_series_opts(label_opts=opts.LabelOpts(is_show=False))  # 不显示国家（标签）名称# 设置全局配置项map_.set_global_opts(legend_opts=opts.LegendOpts(is_show=True),title_opts=opts.TitleOpts("{} Day".format(_date)),visualmap_opts = opts.VisualMapOpts(pieces=[ # 自定义分组的分点和颜色{"min": 10000,"color":"#800000"}, # 栗色{"min": 5000, "max": 10000, "color":"#B22222"}, # 耐火砖{"min": 1000, "max": 5000,"color":"#CD5C5C"}, # 印度红{"min": 100, "max": 1000, "color":"#BC8F8F"}, # 玫瑰棕色{"max": 100, "color":"#FFE4E1"}, # 薄雾玫瑰], is_piecewise = True)) # 在时间轴组件中添加图形tl.add(map_, "{}".format(_date))# 渲染
tl.render()

3.20 绘制美国3月每日新增确诊人数与股票涨跌变化折线图

# 将数据按名称分组并提取出美国的数据
grouped_usa = alltime_world.groupby('名称').get_group('美国')# 提取出3月美国单日新增确诊人数数据
usa_data = grouped_usa[grouped_usa['日期'].isin(stock['日期'].values)][['日期','当日新增确诊']]# 载入绘图类
from pyecharts.charts import Line, Grid
import pyecharts.options as opts
l1 = Line().add_xaxis(# 配置x轴xaxis_data =  stock['日期'].values.tolist()   # 输入x轴数据)l1.add_yaxis(# 配置y轴series_name = "单日新增人数",  # 设置图例名称y_axis = usa_data['当日新增确诊'].values.tolist(),  # 输入y轴数据symbol_size = 10, # 设置点的大小label_opts = opts.LabelOpts(is_show=False), # 标签设置项：显示标签linestyle_opts = opts.LineStyleOpts(width=1.5, type_='dotted'), # 线条宽度和样式is_smooth = True, # 绘制平滑曲线)# 设置全局配置项
l1.set_global_opts(title_opts = opts.TitleOpts(title = "3月美国单日新增人数与股票指数涨幅对比折线图", pos_left = "center"), # 设置图标题和位置axispointer_opts = opts.AxisPointerOpts(is_show = True, link = [{"xAxisIndex": "all"}]),  # 坐标轴指示器配置# x轴配置项xaxis_opts = opts.AxisOpts(type_ = "category",boundary_gap = True), # 坐标轴两边是否留白# y轴配置项 yaxis_opts = opts.AxisOpts(name = "单日新增人数"), # 轴标题# 图例配置项legend_opts = opts.LegendOpts(pos_left  ='7%') # 图例的位置)l2 = Line().add_xaxis(xaxis_data = stock['日期'].values.tolist())l2.add_yaxis(series_name = "上证指数",  y_axis = stock['SSEC'],  # 添加上证指数数据symbol_size = 10,label_opts = opts.LabelOpts(is_show = False),linestyle_opts = opts.LineStyleOpts(width = 1.5), # 设置线宽is_smooth = True)l2.add_yaxis(series_name = "日经225指数",y_axis = stock['N225'],  # 添加日经225指数数据symbol_size = 10,label_opts = opts.LabelOpts(is_show = False),linestyle_opts = opts.LineStyleOpts(width = 1.5),is_smooth = True)l2.add_yaxis(series_name = "纳斯达克综合指数",y_axis = stock['NASDAQ'], # 添加纳斯达克综合指数数据symbol_size = 10,label_opts = opts.LabelOpts(is_show = False),linestyle_opts = opts.LineStyleOpts(width = 1.5),is_smooth = True)l2.set_global_opts(axispointer_opts = opts.AxisPointerOpts(  # 设置坐标轴指示器is_show = True, link = [{"xAxisIndex": "all"}]),  # 对x轴所有索引进行联动xaxis_opts = opts.AxisOpts(grid_index = 1,  # x轴开始的索引type_ = "category", # 类型boundary_gap = True,position = "top", # 坐标轴位置axisline_opts = opts.AxisLineOpts(is_on_zero=True)),  # x轴或y轴的轴线是否在另一个轴的0刻度上yaxis_opts = opts.AxisOpts(is_inverse = False, name = "涨跌幅（%）",name_gap = 25), # 轴线设置legend_opts = opts.LegendOpts(pos_bottom = '50%',pos_right = '70') # 图例设置)# 绘制组合图形
grid = Grid(init_opts = opts.InitOpts(width = "1024px", height = "768px")) # 设置图形的长和宽grid.add(chart=l1,  # 添加第一个图表grid_opts = opts.GridOpts(pos_left = 50, pos_right = 50, height = "35%"))  # 直角坐标系网格配置项grid.add(chart = l2, # 添加第二个图表grid_opts = opts.GridOpts(pos_left = 50, pos_right = 50, pos_top = "55%", height = "35%"))# 渲染
grid.render()

3.21 美国各州历史数据可视化分析（拓展）

# 读取数据
import pandas as pd
alltime_world = pd.read_csv("alltime_world_2020_11_16.csv")
alltime_usa = pd.read_csv("alltime_usa_v1.csv",encoding='GBK')
state_name = pd.read_csv("state_name.csv")

输出 None

新冠疫情历史数据可视化分析相关推荐

新冠疫情数据采集，分析及其可视化
新冠疫情数据采集,分析及其可视化文章目录新冠疫情数据采集,分析及其可视化前言一.数据采集与清洗二.数据可视化 1.历史新增确诊与累计确诊条形图 2.6月25日个省份疫情情况 3.中国地图疫情 ...
利用Python实现新冠疫情数据可视化（获取疫情历史数据，制作南丁格尔玫瑰图、疫情地图、动态疫情组合图、词云）
文章目录前言 1.获取疫情历史数据 2.制作南丁格尔玫瑰图 2.1 全球各国确诊人数玫瑰图 2.2 全国各省市零新增天数玫瑰图 3.制作疫情地图 3.1全国各省市目前确诊总人数疫情地图 3.2全球各 ...
中国新冠疫情数据可视化
文章目录一.结果及源码展示二.项目准备 1.第三方库 2.知识点概况 3.推荐视频三.数据获取四.数据库交互五.绘制前端页面六.Web程序开发七.未来可期一.结果及源码展示自己做的这 ...
新冠疫情历史数据(COVID-19-Data)
希望搜集的数据可以帮助一些人吧! 项目地址:COVID-19-Data 项目说明: 本仓库不定期提供新型冠状病毒(COVID-19)疫情历史数据,数据来自全球新冠病毒最新实时疫情地图_丁香园,非常感谢 ...
新冠疫情数据可视化python_【一点资讯】新冠疫情数据分析 | Python可视化工具看全国各地的新增趋势 www.yidianzixun.com...
- 点击上方"中国统计网"订阅我吧!- 文末领取[腾讯疫情分析完整代码+数据包] 本篇文章将分享腾讯疫情实时数据抓取,获取全国各地和贵州省各地区的实时数据,并将数据存储至本地,最后 ...
新冠疫情数据建模分析
4.2 湖北疫情数据预处理 import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn ...
戴蒙德对新冠疫情等的分析与看法笔记
1.观点:危机与机会并存 2.承认危机,才有可能解决危机如果你否认自己处于危机中, 不承认这个危机,那么你在解决危机方面当然不会有任何进展 .同样,国家也可能承认.或是否认它们正面临危机.否认面临国 ...
北大研究团队面向新冠疫情的数据可视化分析与模拟预测
本次pythonday开发者日活动有幸请到北京大学的陈宝权教授做分享,以下是陈教授近期进行的面向新冠疫情的数据可视化分析与模拟预测项目,陈教授将会在本次活动上做分享与答疑,欢迎大家参与! 指导教师:陈 ...
SSM新冠疫情服务系统计算机专业毕设源码49727
摘要信息化社会内需要与之针对性的信息获取途径,但是途径的扩展基本上为人们所努力的方向,由于站在的角度存在偏差,人们经常能够获得不同类型信息,这也是技术最为难以攻克的课题.针对疫情服务管理等问题, ...
Python新冠疫情可视化分析系统计算机专业毕业设计源码08504
摘要文中首先对新冠疫情可视化分析的项目需求进行了背景分析,接着介绍了项目的总体设计思路,然后具体阐述了疫情数据库的设计.疫情数据的查询.疫情数据的展示,并分析了核心代码.文中利用MySQL数据库存 ...

新冠疫情历史数据可视化分析

3.2 读取世界各国历史数据

3.3 查看每天出现疫情的国家数量变化趋势(预处理）

3.4 查看每天出现疫情的国家数量变化趋势

3.5 绘制世界国家累计确诊动态排名条形图（定义获取每日数据的函数）

3.6 绘制世界累计确诊动态排名条形图

3.7 多国累计确诊和新增确诊变化趋势分析（预处理）

3.8 多国累计确诊和新增确诊变化趋势分析

3.9 世界各国历史数据可视化分析（拓展）

3.11 读取中国历史数据

3.12 中国疫情历史数据可视化分析

3.13 全国与二次爆发省市新增确诊对比折线图

3.14 中国历史数据可视化分析（拓展）

3.16 读取美国各州历史数据

3.17 美国每100万累计确诊所用天数柱状图

3.18 美国各州累计死亡动态地图（获取数据）

3.19 美国各州累计死亡动态地图

3.20 绘制美国3月每日新增确诊人数与股票涨跌变化折线图

3.21 美国各州历史数据可视化分析（拓展）

新冠疫情历史数据可视化分析相关推荐

最新文章

热门文章