用 Python 可视化神器 Plotly 动态演示全球疫情变化趋势-技术圈

“

阅读本文大概需要 9 分钟。

”大家好，今天转载的这一篇是借助 Plotly 工具来演示全球疫情变化趋势，同时该技能在日常的报表制作中也十分实用。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。

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。

fig_oversea = px.line(df_oversea, x='dates', y='confirmed',
line_group='country',
color='country',
color_discrete_sequence=px.colors.qualitative.D3,
hover_name='country',
)
fig_oversea.show()

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_oversea_recent = df_oversea.set_index('date')
df_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_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。

# -*- coding: utf-8 -*-
"""
@Author: Lemonbit
@出品：Python数据之道
@Homepage: liyangbit.com
"""
fig_oversea_recent = px.scatter(df_oversea_recent_new, x='dead', y='confirmed',
size='confirmed', text='country', color='country',
color_discrete_sequence=px.colors.qualitative.Light24,
animation_frame='dates',animation_group='country',
hover_name='country',
range_x=[-10,260],
range_y=[0,8000],
size_max=50,
template='plotly_white',
)
fig_oversea_recent.show()

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。最后，关于数据的获取，大家可以点击左下角的「阅读原文」查看官方介绍。

需要说明的是，本文代码是在 Jupyter Notebook 中运行的，如果是在 PyCharm 等 IDE 中运行，需要稍微修改下代码。