数据可视化--实验四：地理数据可视化

声明：本文CSDN作者原创投稿文章，未经许可禁止任何形式的转载，原文链接

文章目录

概要
实验过程
- Pyecharts
- 实验结果

概要

学院：计算机科学与技术学院
实验日期：2020-10-13
实验目的：掌握地理数据可视化工具方法
实验内容：
- 利用已有数据（CityData.xlsx）与已有工具，设计可视化方案，展示2020年全国新冠患者人数随时间的变化过程，并完成以下任务。
  - 统计截止4月1日各省的累计确诊数量，并通过图表展示。
  - 对每日各省的累计确诊患者数量进行统计，为图像添加时间轴，通过时间轴自动播放演示疫情发展的整个过程。
注：表格文件在我的资源中免费下载。名为“数据可视化实验–表格附件”。链接链接2

实验过程

本次实验选择编程类工具Pyecharts。

Pyecharts

在Pycharm中新建python项目，并引入pyecharts，openpyxl，datetime等必要包。

创建main.py，写入以下内容。

#!/usr/bin/env python
# coding:utf-8
"""
Name    : main.py
Author  : F
Time    : 2020/10/14 08:42
Desc    : 数据可视化实验四
"""
import time
import datetime
import openpyxl
from pyecharts.charts import Map, Timeline, Bar
from pyecharts import globals, optionsglobals._WarningControl.ShowWarning = False  # 关闭pyecharts给出的警告filename = "CityData.xlsx"
ws = openpyxl.load_workbook(filename)['CityData']# 两天相减，拿到相差的天数
def subdays(date1: time, date2: time):return (datetime.datetime(date1[0], date1[1], date1[2]) - datetime.datetime(date2[0], date2[1], date2[2])).days# 通过某运算法则选出a，b其中一个，选a返回True，选b返回False
#  a     b   return
#  正    正    min
#  正   非正   False
# 非正   正    True
# 非正  非正    max
def getMostLeftNear(a, b):if (a > 0 and b > 0) or (a <= 0 and b <= 0):return abs(a) < abs(b)elif (a > 0 and b <= 0) or (a <= 0 and b > 0):return b > 0# 认为截止至某天的24时，获取到截止到此刻的省市直辖市自治区的累计确诊人数。我已经不想看这段代码了，建议不看。
def confirmedAt(dateTime: time):data, date = {}, {}for i in range(2, ws.max_row):# 如果已经有这个省的日期了row = str(i + 1)if date.__contains__(ws['B' + row].value):dirdate_april1 = subdays(time.strptime("2020-" + str(date[ws['B' + row].value]['month']) + "-" + str(date[ws['B' + row].value]['day']),"%Y-%m-%d"), dateTime)wsdate_april1 = subdays(time.strptime("2020-" + str(ws['H' + row].value.month) + "-" + str(ws['H' + row].value.day),"%Y-%m-%d"), dateTime)if date.__contains__(ws['B' + row].value) and getMostLeftNear(wsdate_april1, dirdate_april1):date[ws['B' + row].value]['month'] = ws['H' + row].value.monthdate[ws['B' + row].value]['day'] = ws['H' + row].value.dayelif not date.__contains__(ws['B' + row].value):date[ws['B' + row].value] = {'month': ws['H' + row].value.month, 'day': ws['H' + row].value.day}for i in range(2, ws.max_row):row = str(i + 1)wsdate = ws['H' + row].valueif wsdate.month == date[ws['B' + row].value]['month'] and wsdate.day == date[ws['B' + row].value]['day']:if data.__contains__(ws['B' + row].value):data[ws['B' + row].value] += ws['D' + row].valueelse:data[ws['B' + row].value] = ws['D' + row].valuedatalist = []for k, v in data.items():datalist.append([k.strip("省").strip("市").strip("自治区").strip("壮族").strip("回族").strip("维吾尔"), v])return datalistdef drawConfirmedMapAt(dateTime: time):map = Map()map.set_global_opts(title_opts=options.TitleOpts(title=str(dateTime[1]) + '月' + str(dateTime[2]) + "日24时全国疫情确诊地图"),visualmap_opts=options.VisualMapOpts(max_=3600, is_piecewise=True,pieces=[{"max": 1999999, "min": 10000, "label": "10000人及以上","color": "#8A0808"},{"max": 9999, "min": 1000, "label": "1000-9999人", "color": "#B40404"},{"max": 999, "min": 500, "label": "500-999人", "color": "#DF0101"},{"max": 499, "min": 100, "label": "100-499人", "color": "#F78181"},{"max": 99, "min": 10, "label": "10-99人", "color": "#F5A9A9"},{"max": 9, "min": 0, "label": "1-9人", "color": "#FFFFCC"},], )  # 最大数据范围，分段)map.add("截止" + str(dateTime[1]) + '月' + str(dateTime[2]) + "日24时确诊数量", data_pair=confirmedAt(dateTime),maptype="china", is_roam=True)map.render(str(dateTime[1]) + '月' + str(dateTime[2]) + "日24时全国疫情确诊地图.html")def getAllDate():date = set()for i in range(2, ws.max_row):curdate = ws['H' + str(i + 1)].valuedate.add(time.strptime(str(curdate.year) + '-' + str(curdate.month) + '-' + str(curdate.day), "%Y-%m-%d"))date = list(date)date.sort()return date# 画出所有时间的疫情累计确诊地图
# 因为函数confirmedAt(dateTime: time)的时间复杂度高达O(n),所以本函数时间复杂度高达O(n^2),肉眼可见他很慢
def drawAllConfirmedMap():tl = Timeline()date = getAllDate()for curdate in date:map = (Map().add("截止" + str(curdate[1]) + '月' + str(curdate[2]) + "日24时确诊数量", data_pair=confirmedAt(curdate),maptype="china", is_roam=True).set_global_opts(title_opts=options.TitleOpts(title=str(curdate[1]) + '月' + str(curdate[2]) + "日24时全国疫情确诊地图"),visualmap_opts=options.VisualMapOpts(max_=3600, is_piecewise=True,pieces=[{"max": 1999999, "min": 10000, "label": "10000人及以上","color": "#8A0808"},{"max": 9999, "min": 1000, "label": "1000-9999人","color": "#B40404"},{"max": 999, "min": 500, "label": "500-999人","color": "#DF0101"},{"max": 499, "min": 100, "label": "100-499人","color": "#F78181"},{"max": 99, "min": 10, "label": "10-99人", "color": "#F5A9A9"},{"max": 9, "min": 0, "label": "1-9人", "color": "#FFFFCC"},], )  # 最大数据范围，分段))tl.add(map, str(curdate[1]) + '月' + str(curdate[2]) + "日")print(str(curdate[1]) + '月' + str(curdate[2]) + "日完成")tl.render("全国疫情确诊地图.html")def drawConfirmedBarAt(dateTime: time):data = confirmedAt(dateTime)title = str(dateTime[1]) + '月' + str(dateTime[2]) + "日24时全国累计确诊"province, confirmed = [], []for curdata in data:province.append(curdata[0])confirmed.append(curdata[1])bar = Bar()bar.add_xaxis(province).add_yaxis(title, confirmed).set_global_opts(title_opts=options.TitleOpts(title="Bar-基本示例", subtitle="我是副标题"),xaxis_opts=options.AxisOpts(axislabel_opts=options.LabelOpts(rotate=-45)),).render(title + ".html")print(title)drawConfirmedBarAt(time.strptime("2020-04-01", "%Y-%m-%d"))
# drawConfirmedMapAt(time.strptime("2020-04-01", "%Y-%m-%d"))  # 画出4月1号的疫情地图
drawAllConfirmedMap()  # 画出所有时间的疫情地图

代码流程：

+ 读取Excel文件
+ 拿到数据中每个省份截止到4月1号前的最新日期，因为数据中有些省份缺失4月1日的数据
+ 拿到每个省份截止到4月1号前的最新日期的确诊数量
+ 画出确诊数量的柱状图，也可以画出疫情地图，这样也就完成了任务一“截止4月1日各省的累计确诊数量”。
+ 拿到每个省份每天的确诊数量
+ 使用时间轴和Map画出整个时间的疫情地图，并且可以自动播放，这样也就完成了任务二“对每日各省的累计确诊患者数量进行统计，为图像添加时间轴，通过时间轴自动播放演示疫情发展的整个过程”。

实验结果

运行上述代码，画出4月1日全国的累积确诊柱状图和疫情地图，如下图

上图为4月1日全国的累积确诊柱状图，同样也可以画出4月1日全国的累积确诊疫情地图，如下图

全国疫情地图时间轴如下图

数据可视化–实验四：地理数据可视化实验完成，两项实验结果均符合要求，实验成功。

数据可视化--实验四：地理数据可视化相关推荐

数据可视化实验：python数据可视化-柱状图，条形图，直方图，饼图，棒图，散点图，气泡图，雷达图，箱线图，折线图
数据可视化实验:python数据可视化实验8-12:大数据可视化工具-python 目录 1柱状图 2条形图 3直方图 4饼图 5棒图 6散点图 7气泡图 8雷达图 9箱线图 10折线图 1柱状图 ...
数据库原理与应用实验指导书实验四：数据查询
数据库原理与应用实验指导书实验四:数据查询一.实验目的掌握SELECT语句的基本语法: 熟练掌握模糊查询的用法: 熟练掌握连接查询的用法: 熟练掌握子查询的用法. 二.实验内容表数据的查询 ...
MongoDB 数据操作（四）数据删除
来源:我的博客站 OceanicKang |<MongoDB 数据操作(四)数据删除> 上一篇:<MongoDB 数据操作(三)数据更新(2)修改器> 在 MongoDB 中删 ...
数据治理系列(四)：数据质量管理
一.什么是数据质量管理? 数据质量管理是指对数据从产生.获取.存储.共享.维护.应用等各个阶段可能引发的各类数据质量问题,进行识别.度量.监控.预警等一系列管理活动,并通过改善和提高组织的管理水平使数 ...
数据可视化|实验四分析1996-2015年人口数据特征间的关系
使用 NumPy 库读取人口数据使用 numpy 库读取人口数据,分析 1996~2015 年人口数据特征间的关系: %matplotlib inlineimport numpy as npimpo ...
【matlab】实验四：数据可视化+matlab绘图
题目一 1.设y=cos(x)(0.5+3sin(x)/(1+x^2)),把x=0~2*pi间分为101点,绘制图像 clear;clc; x=0:2*pi/100:3*pi; y=cos(x)*(0 ...
Python数据可视化：Cartopy 地理空间数据可视化
前言 Cartopy 是为了向 Python 添加地图制图功能而开发的扩展库.该项目致力于以 matplotlib 包为基础,用简单直观的方式操作各类地理要素的成图.Cartopy 官网的画廊页面已经 ...
数据库实验四：数据高级查询
真给我整无语了,数据库实验怎么这么多,要考试还要写实验.写写写,写他娘的什么东西. 实验内容实现查询 ps:实验要求用两种方法写的我除了union都是用的两种方法写,union查了好久都查不到,或许 ...
转：实验3 地理空间数据可视化
链接:https://blog.csdn.net/wpxu08/article/details/78130185
Python新型冠状病毒疫情数据自动爬取+统计+发送报告+数据屏幕（四）数据屏幕
今天介绍给大家的是:如果使用 Python 制作数据屏幕,将从最基础的开始,如果熟悉 django 和 Python 的朋友可直接跳过项目功能设计: 定时爬取疫情数据存入Mysql(爬虫篇) 进行数 ...