疫情信息可视化

import requests
import pandas as pd
import time

具体网站:疫情秘书｜全球新冠肺炎疫情实时大数据报告，请收藏！

1.数据获取

data_中国=requests.get('http://dzq.enlvnes./index.php/yiqing/push.html')
data_外国=requests.get('http://dzq.enlvnes./index.php/yiqing/glbpush.html')

2.数据解析[最小单位为省份]

2-1.国内信息

data_中国=pd.Dataframe(data_中国.json()['allData']['area'])[['provinceName','/confirm/iedCount','curedCount','deadCount']]
data_中国.columns=['省','累积确诊','累积痊愈','累积死亡']
data_中国['国家']='中国'                               
data_中国=data_中国[['国家','省','累积确诊','累积痊愈','累积死亡']]
data_中国['数据单位']='省'

2-2.国外信息

data_1=pd.Dataframe()
for i in data_外国.json()['tableData']:
    if len(i['city'])==0:
        a=pd.Dataframe([{'省':None,'累积确诊':i['/confirm/i'],'累积痊愈':i['heal'],'累积死亡':i['dead'],'国家':i['area']}])
        a['数据单位']='国家'
    else:
        j=i['city']
        a=pd.Dataframe(j)
        a.columns=['省','累积确诊','累积痊愈','累积死亡']
        a['国家']=i['area']
        a['数据单位']='省'
   
    data_1=data_1.append(a)
data_外国=data_1

3.数据融合

data=data_中国.append(data_外国)

4.时间标注

curtime1 = time.strftime('%Y-%m-%d',time.localtime(time.time()))  
data['日期']=curtime1
data.head()

5.持久化存储 

data.to_excel('全球疫情[省]1.xlsx',,mode='a'，index=False,encoding='utf-8')  #用excel存储数据，并转换为utf-8编码，防止中文乱码

6、疫情数据可视化分析

###中国截止至2022年3月27日累计疫情数据可视化分析
data = pd.read_excel('全球疫情[省]1.xlsx')
data

 data =data.copy()
data['现有确诊'] =data['累积确诊']-data['累积痊愈']-data['累积死亡']

data.head(34)

data=data.copy()
china_data = data.loc[data['国家']=='中国',:] #提取中国的数据 
china_data=china_data.sort_values(by='累积确诊',ascending=False,ignore_index=True)
china_data

 

### 对中国的的各个省份的数据进行可视化(采用pyecharts地图)
from pyecharts import options as opts
from pyecharts.charts import Map

c = (
    Map()
    .add("", [list(z) for z in zip(china_data['省'], china_data['累积确诊'])], "china")
    .set_global_opts(title_opts=opts.TitleOpts(title="截至{}中国各省份累计确诊人数".format(data['日期'][0])),
                     visualmap_opts=opts.VisualMapOpts(max_=16995))
)
c.render_notebook()

### 对中国的的各个省份的数据进行可视化(采用pyecharts地图)
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.faker import Faker

c = (
    Map()
    .add("", [list(z) for z in zip(china_data['省'], china_data['累积死亡'])], "china")
    .set_global_opts(title_opts=opts.TitleOpts(title="截至{}中国各省份累计死亡人数".format(data['日期'][0])),
                     visualmap_opts=opts.VisualMapOpts(max_=853))
)
c.render_notebook()

### 对中国的的各个省份的数据进行可视化(采用pyecharts地图)
from pyecharts import options as opts
from pyecharts.charts import Map
from pyecharts.faker import Faker

c = (
    Map()
    .add("", [list(z) for z in zip(china_data['省'], china_data['现有确诊'])], "china")
    .set_global_opts(title_opts=opts.TitleOpts(title="截至{}中国各省份现有确诊人数".format(data['日期'][0])),
                     visualmap_opts=opts.VisualMapOpts(max_=853))
)
c.render_notebook()

#以国家分组，然后对所有国家数据求和
data =data.drop(['省','数据单位','日期'],axis=1) #删除'省','数据单位','日期'
data

 

 

from pyecharts.charts import Line
from pyecharts import options as opts
# 对治愈率和死亡率对比
line = (
    Line()
    .add_xaxis(list(data_group.index))
    .add_yaxis('累积死亡',list(data_group['累积死亡']), color='red')
    .add_yaxis('累积痊愈',list(data_group['累积痊愈']), color='green')
    .set_global_opts(title_opts=(opts.TitleOpts(title='新冠疫情治愈率和死亡率对比图')))
)
line.render_notebook()

name_map = {
    'Singapore Rep.': '新加坡',
    'Dominican Rep.': '多米尼加',
    'Palestine': '巴勒斯坦',
    'Bahamas': '巴哈马',
    'Timor-Leste': '东帝汶',
    'Afghanistan': '阿富汗',
    'Guinea-Bissau': '几内亚比绍',
    "Côte d'Ivoire": '科特迪瓦',
    'Siachen Glacier': '锡亚琴冰川',
    "Br. Indian Ocean Ter.": '英属印度洋领土',
    'Angola': '安哥拉',
    'Albania': '阿尔巴尼亚',
    'United Arab Emirates': '阿联酋',
    'Argentina': '阿根廷',
    'Armenia': '亚美尼亚',
    'French Southern and Antarctic Lands': '法属南半球和南极领地',
    'Australia': '澳大利亚',
    'Austria': '奥地利',
    'Azerbaijan': '阿塞拜疆',
    'Burundi': '布隆迪',
    'Belgium': '比利时',
    'Benin': '贝宁',
    'Burkina Faso': '布基纳法索',
    'Bangladesh': '孟加拉国',
    'Bulgaria': '保加利亚',
    'The Bahamas': '巴哈马',
    'Bosnia and Herz.': '波斯尼亚和黑塞哥维那',
    'Belarus': '白俄罗斯',
    'Belize': '伯利兹',
    'Bermuda': '百慕大',
    'Bolivia': '玻利维亚',
    'Brazil': '巴西',
    'Brunei': '文莱',
    'Bhutan': '不丹',
    'Botsana': '博茨瓦纳',
    'Central African Rep.': '中非',
    'Canada': '加拿大',
    'Sitzerland': '瑞士',
    'Chile': '智利',
    'China': '中国',
    'Ivory Coast': '象牙海岸',
    'Cameroon': '喀麦隆',
    'Dem. Rep. Congo': '刚果民主共和国',
    'Congo': '刚果',
    'Colombia': '哥伦比亚',
    'Costa Rica': '哥斯达黎加',
    'Cuba': '古巴',
    'N. Cyprus': '北塞浦路斯',
    'Cyprus': '塞浦路斯',
    'Czech Rep.': '捷克',
    'Germany': '德国',
    'Djibouti': '吉布提',
    'Denmark': '丹麦',
    'Algeria': '阿尔及利亚',
    'Ecuador': '厄瓜多尔',
    'Egypt': '埃及',
    'Eritrea': '厄立特里亚',
    'Spain': '西班牙',
    'Estonia': '爱沙尼亚',
    'Ethiopia': '埃塞俄比亚',
    'Finland': '芬兰',
    'Fiji': '斐',
    'Falkland Islands': '福克兰群岛',
    'France': '法国',
    'Gabon': '加蓬',
    'United Kingdom': '英国',
    'Geia': '格鲁吉亚',
    'Ghana': '加纳',
    'Guinea': '几内亚',
    'Gambia': '冈比亚',
    'Guinea Bissau': '几内亚比绍',
    'Eq. Guinea': '赤道几内亚',
    'Greece': '希腊',
    'Greenland': '格陵兰',
    'Guatemala': '危地马拉',
    'French Guiana': '法属圭亚那',
    'Guyana': '圭亚那',
    'Honduras': '洪都拉斯',
    'Croatia': '克罗地亚',
    'Haiti': '海地',
    'Hungary': '匈牙利',
    'Indonesia': '印度尼西亚',
    'India': '印度',
    'Ireland': '爱尔兰',
    'Iran': '伊朗',
    'Iraq': '伊拉克',
    'Iceland': '冰岛',
    'Israel': '以色列',
    'Italy': '意大利',
    'Jamaica': '牙买加',
    'Jordan': '约旦',
    'Japan': '日本',
    'Kazakhstan': '哈萨克斯坦',
    'Kenya': '肯尼亚',
    'Kyrgyzstan': '吉尔吉斯斯坦',
    'Cambodia': '柬埔寨',
    'Korea': '韩国',
    'Kosovo': '科索沃',
    'Kuait': '科威特',
    'Lao PDR': '老挝',
    'Lebanon': '黎巴嫩',
    'Liberia': '利比里亚',
    'Libya': '利比亚',
    'Sri Lanka': '斯里兰卡',
    'Lesotho': '莱索托',
    'Lithuania': '立陶宛',
    'Luxembourg': '卢森堡',
    'Latvia': '拉脱维亚',
    'Moroo': '摩洛哥',
    'Moldova': '摩尔多瓦',
    'Madagascar': '马达加斯加',
    'Mexico': '墨西哥',
    'Macedonia': '马其顿',
    'Mali': '马里',
    'Myanmar': '缅甸',
    'Montenegro': '黑山',
    'Mongolia': '蒙古',
    'Mozambique': '莫桑比克',
    'Mauritania': '毛里塔尼亚',
    'Malai': '马拉维',
    'Malaysia': '马来西亚',
    'Namibia': '纳米比亚',
    'Ne Caledonia': '新喀里多尼亚',
    'Niger': '尼日尔',
    'Nigeria': '尼日利亚',
    'Nicaragua': '尼加拉瓜',
    'Netherlands': '荷兰',
    'Noray': '挪威',
    'Nepal': '尼泊尔',
    'Ne Zealand': '新西兰',
    'Oman': '阿曼',
    'Pakistan': '巴基斯坦',
    'Panama': '巴拿马',
    'Peru': '秘鲁',
    'Philippines': '菲律宾',
    'Papua Ne Guinea': '巴布亚新几内亚',
    'Poland': '波兰',
    'Puerto Rico': '波多黎各',
    'Dem. Rep. Korea': '朝鲜',
    'Portugal': '葡萄牙',
    'Paraguay': '巴拉圭',
    'Qatar': '卡塔尔',
    'Romania': '罗马尼亚',
    'Russia': '俄罗斯',
    'Randa': '卢旺达',
    'W. Sahara': '西撒哈拉',
    'Saudi Arabia': '沙特阿拉伯',
    'Sudan': '苏丹',
    'S. Sudan': '南苏丹',
    'Senegal': '塞内加尔',
    'Solomon Is.': '所罗门群岛',
    'Sierra Leone': '塞拉利昂',
    'El Salvador': '萨尔瓦多',
    'Somaliland': '索马里兰',
    'Somalia': '索马里',
    'Serbia': '塞尔维亚',
    'Suriname': '苏里南',
    'Slovakia': '斯洛伐克',
    'Slovenia': '斯洛文尼亚',
    'Seden': '瑞典',
    'Saziland': '斯威士兰',
    'Syria': '叙利亚',
    'Chad': '乍得',
    'Togo': '多哥',
    'Thailand': '泰国',
    'Tajikistan': '塔吉克斯坦',
    'Turkmenistan': '土库曼斯坦',
    'East Timor': '东帝汶',
    'Trinidad and Tobago': '特里尼达和多巴哥',
    'Tunisia': '突尼斯',
    'Turkey': '土耳其',
    'Tanzania': '坦桑尼亚',
    'Uganda': '乌干达',
    'Ukraine': '乌克兰',
    'Uruguay': '乌拉圭',
    'United States': '美国',
    'Uzbekistan': '乌兹别克斯坦',
    'Venezuela': '委内瑞拉',
    'Vietnam': '越南',
    'Vanuatu': '瓦努阿图',
    'West Bank': '西岸',
    'Yemen': '也门',
    'South Africa': '南非',
    'Zambia': '赞比亚',
    'Zimbabe': '津巴布韦',
    'Comoros': '科摩罗'
}
name = []
for i in data_group.index:
    for key, value in name_map.items():
        if i==value:
            name.append(key)
name

###世界现有确诊
# 对现有确诊人数的分析
g1 = (
    Map()
    .add('世界现有确诊人数',[list(z) for z in zip(name,data_group['现有确诊'])],'orld')
    .set_series_opts(label_opts=opts.LabelOpts(is_sho=False))
    .set_global_opts(title_opts=opts.TitleOpts(title="新冠疫情世界现有确诊人数分布图"),visualmap_opts=opts.VisualMapOpts(max_=481177))
)
g1.render_notebook()

 以上疫情数据分析 的数据来源于疫情秘书｜全球新冠肺炎疫情实时大数据报告，请收藏！，时间更新于2022年3月27日。

 以上代码仅供学习交流参考，切勿用于商用，数据抓取爬虫请不要频繁，以免影响官方网站。