用Python可视化神器Plotly动态演示全球疫情变化趋势
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
从上面这个动态图可以清晰的看出，当前，在海外的国家中，韩国、伊朗、意大利三个国家最为严重。这三个国家中，就增长趋势而言，伊朗和意大利又比韩国要更明显，目前韩国的增长有所放缓，而伊朗和意大利还处于快速增长的过程中，后续情况不容乐观。
此外，在这个图中，另外还有几个国家值得关注，日本，除去钻石号之外，从数据来看，本土的增长目前还算是在稍微较好的范围内。反倒是，德国、法国、西班牙，个人觉得已成逐步壮大之势，不得不防。
而且，由于整个欧盟国家之间，人员是自由流通的，现在看来，整个欧盟很可能会成为疫情的重灾区，其影响巨大。
上图左下角的这些国家的走势，我们可以拉近来看，走势如下，这样，对于 德国、法国、西班牙就会看的更明显了。
这里，还有一个国家，就是美国，虽然从数据以及增长情况来看，好像美国还好，但恐怕实际情况，要糟糕很多。
上面是以气泡图的方式来演示变化过程，我们也可以以柱状图的形式来演示，效果如下：
关于上面的效果图，各位可以自行研究下，欢迎交流。