源代码&数据集下载地址：/download/princessyang/12504757

一、获取世界各国疫情历史数据

1.1 选取数据源

选择网易的疫情实时动态播报平台作为数据源，其地址如下：

https://wp./163/page/news/virus_report/index.html?nw=1&anw=1

# 首先导入使用的包，使用request进行网页请求，使用pandas保存数据。import requestsimport pandas as pdimport timepd.set_option('max_rows',500)# 设置请求头，伪装为浏览器headers = {'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36'}# 发起请求，将找到的第一个数据源作为请求目标。url = 'https://c./ug/api/wuhan/app/data/list-total' # 定义要访问的地址r = requests.get(url, headers=headers) # 使用requests发起请求print(r.status_code) # 查看请求状态，响应状态为200表示请求成功print(type(r.text)) #查看类型。 r.text——文本获取。 r.content——图片、音频获取。print(len(r.text)) # 查看文本长度

200

<class ‘str’>

301443

返回后的内容是一个30万长度的字符串，由于字符串格式不方便进行分析，并且在网页预览中发现数据为类似字典的json格式，所以这里将其转为json格式。

# 将字符串格式转为json格式。import jsondata_json = json.loads(r.text)data_json.keys() # data键存放着需要的数据

dict_keys([‘reqId’, ‘code’, ‘msg’, ‘data’, ‘timestamp’])

取出 json 中的需要使用的数据

data = data_json['data'] # 取出json中的数据data.keys()

dict_keys([‘chinaTotal’, ‘chinaDayList’, ‘lastUpdateTime’, ‘overseaLastUpdateTime’, ‘areaTree’])

数据中总共有四个键，每个键存储着不同的内容：

1.2 世界各国实时数据获取 today_data

自定义函数

# 将提取数据的方法封装为函数def get_data(data,info_list):info = pd.DataFrame(data)[info_list] # 主要信息today_data = pd.DataFrame([i['today'] for i in data ]) # 生成today的数据today_data.columns = ['today_'+i for i in today_data.columns] # 修改列名total_data = pd.DataFrame([i['total'] for i in data ]) # 生成total的数据total_data.columns = ['total_'+i for i in total_data.columns] # 修改列名return pd.concat([info,total_data,today_data],axis=1) # info、today和total横向合并最终得到汇总的数据# 定义保存数据方法def save_data(data,name): file_name = name+'_'+time.strftime('%Y_%m_%d',time.localtime(time.time()))+'.csv'data.to_csv(file_name,index=None,encoding='utf_8_sig')print(file_name+' 保存成功！')time.strftime('%Y_%m_%d',time.localtime(time.time()))

在 json 数据 data 中的 areaTree 是列表格式，每个元素都是一个国家的实时数据，每个元素的 children 是各国家省份的数据，现在来提取世界各国实时数据。

areaTree = data['areaTree'] # 取出 areaTree——世界各地实时数据areaTree[0] # 查看第一个国家的数据

{‘today’: {‘confirm’: 2,

‘suspect’: 0,

‘heal’: 1,

‘dead’: 0,

‘severe’: 0,

‘storeConfirm’: 1},

‘total’: {‘confirm’: 1086,

‘suspect’: 0,

‘heal’: 965,

‘dead’: 48,

‘severe’: 0},

‘extData’: {},

‘name’: ‘突尼斯’,

‘id’: ‘9577772’,

‘lastUpdateTime’: ‘-06-03 14:01:28’,

‘children’: []}

areaTre 中每个键值的含义：

使用 for 循环查看前5个国家的名称和更新时间

for i in range(len(areaTree)): # 查看各国家名称和更新时间print(areaTree[i]['name'],areaTree[i]['lastUpdateTime'])if i == 5:break

突尼斯 -06-03 14:01:28

塞尔维亚 -06-03 14:23:53

中国 -06-03 14:18:58

日本 -06-03 10:03:11

泰国 -06-03 10:03:38

新加坡 -06-03 10:05:02

从 areaTree 中提取各个国家的实时数据。

today_world = get_data(areaTree,['id','lastUpdateTime','name'])today_world.head() # 查看获取数据的前5行

将获取数据保存到本地

save_data(today_world,'today_world')

1.3 世界各国历史数据获取 alltime_world

因为原始数据中没有国家名称，为了得到每个国家的名称，需要生成国家编号和国家名称的键值对，这样就可以存储国家名称，在之前的世界各国实时数据 today_world 中有国家的编号和名称，可以用它来生成键值对。

today_world[['id','name']].head()country_dict = {key:value for key,value in zip(today_world['id'], today_world['name'])}# 查看前五个内容count = 0for i in country_dict:print(i,country_dict[i])count += 1if count == 5:break

9577772 突尼斯

9507896 塞尔维亚

0 中国

1 日本

2 泰国

通过每个国家的编号访问每个国家历史数据的地址，然后获取各个国家的历史数据。

start = time.time()for country_id in country_dict: # 遍历每个国家的编号try:# 按照编号访问每个国家的数据地址，并获取json数据url = 'https://c./ug/api/wuhan/app/data/list-by-area-code?areaCode='+country_idr = requests.get(url, headers=headers)json_data = json.loads(r.text)# 生成每个国家的数据country_data = get_data(json_data['data']['list'],['date'])country_data['name'] = country_dict[country_id]# 数据叠加if country_id == '9577772':alltime_world = country_dataelse:alltime_world = pd.concat([alltime_world,country_data])print('-'*20,country_dict[country_id],'成功',country_data.shape,alltime_world.shape,',累计耗时:',round(time.time()-start),'-'*20)time.sleep(10)except:print('-'*20,country_dict[country_id],'wrong','-'*20)

-------------------- 突尼斯 成功 (80, 15) (80, 15) ,累计耗时: 1 --------------------

-------------------- 突尼斯 wrong --------------------

-------------------- 塞尔维亚 成功 (84, 15) (164, 15) ,累计耗时: 11 --------------------

-------------------- 中国 成功 (120, 15) (284, 15) ,累计耗时: 22 --------------------

-------------------- 日本 成功 (123, 15) (407, 15) ,累计耗时: 37 --------------------

……省略号

将获取数据保存到本地

save_data(alltime_world,'alltime_world')

二、数据预处理

导入数据

#读取数据疫情数据alltime_world__05_31.csvimport pandas as pdalltime_world = pd.read_csv('alltime_world__05_31.csv', encoding='utf-8') # 1）读文件print( alltime_world.info() )# 2）查看基本信息name_dict = {'date':'日期','name':'名称','id':'编号','lastUpdateTime':'更新时间','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', 'today_input':'当日输入','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':'累计输入'} # 3）创建中文列名字典alltime_world.rename(columns=name_dict, inplace=True) # 4)将英文列名更改中文列名

<class ‘pandas.core.frame.DataFrame’>

RangeIndex: 12331 entries, 0 to 12330

Data columns (total 15 columns):

# Column Non-Null Count Dtype

— ------ -------------- -----

0 date 12331 non-null object

1 total_confirm 12331 non-null int64

2 total_dead 12331 non-null int64

3 total_heal 12331 non-null int64

4 total_input 12331 non-null int64

5 total_severe 12331 non-null int64

6 total_suspect 12331 non-null int64

7 today_confirm 12331 non-null int64

8 today_dead 12331 non-null int64

9 today_heal 12331 non-null int64

10 today_input 12135 non-null float64

11 today_severe 10408 non-null float64

12 today_storeConfirm 0 non-null float64

13 today_suspect 10808 non-null float64

14 name 12331 non-null object

dtypes: float64(4), int64(9), object(2)

memory usage: 1.4+ MB

## 使用下面属性和函数查看数据的大概信息alltime_world.info() # 查看二维数据表的大信息print('\n\n查看二维数据表的统计消息，统计数值型数据: \n', alltime_world.describe() )print('\n\n查看二维数据表的列标签：\n', alltime_world.columns )print('\n\n查看二维数据表的行标签：\n', alltime_world.index )print('\n\n查看二维数据表的值：\n', alltime_world.values )print('\n\n查看二维数据表的前5行：\n', alltime_world.head() )print('\n\n查看二维数据表的后5行：\n', alltime_world.tail() )

<class ‘pandas.core.frame.DataFrame’>

RangeIndex: 12331 entries, 0 to 12330

Data columns (total 15 columns):

# Column Non-Null Count Dtype

— ------ -------------- -----

0 日期 12331 non-null object

1 累计确诊 12331 non-null int64

2 累计死亡 12331 non-null int64

3 累计治愈 12331 non-null int64

4 累计输入 12331 non-null int64

5 累计重症 12331 non-null int64

6 累计疑似 12331 non-null int64

7 当日新增确诊 12331 non-null int64

8 当日新增死亡 12331 non-null int64

9 当日新增治愈 12331 non-null int64

10 当日输入 12135 non-null float64

11 当日新增重症 10408 non-null float64

12 当日现存确诊 0 non-null float64

13 当日新增疑似 10808 non-null float64

14 名称 12331 non-null object

dtypes: float64(4), int64(9), object(2)

memory usage: 1.4+ MB

……省略号

查看 alltime_world 数据每列的缺失值比例

# 计算缺失值比例alltime_world_nan = alltime_world.isnull().sum()/len(alltime_world)# 转变为百分数alltime_world_nan.apply(lambda x: format(x, '.1%'))

日期 0.0%

累计确诊 0.0%

累计死亡 0.0%

累计治愈 0.0%

累计输入 0.0%

累计重症 0.0%

累计疑似 0.0%

当日新增确诊 0.0%

当日新增死亡 0.0%

当日新增治愈 0.0%

当日输入 1.6%

当日新增重症 15.6%

当日现存确诊 100.0%

当日新增疑似 12.4%

名称 0.0%

dtype: object

可以现当日新增相关数据缺失值较多，这主要由于采集数据的当天一些国家没有更新数据，因此这里将不再对其进行分析。当日现存确诊一列虽然全部为空，但该缺失值可以通过已有数据直接计算，公式为：

当日现存确诊=累计确诊-累计治愈-累计死亡

缺失值处理

# 先使用线性插值的方式填充缺失值alltime_world.interpolate(method='linear', inplace=True)# 再使用0填充缺失值alltime_world.fillna(0, inplace=True)# 计算当日现存确诊人数（当日现存确诊=累计确诊-累计治愈-累计死亡）alltime_world['当日现存确诊'] = alltime_world['累计确诊']-alltime_world['累计治愈']-alltime_world['累计死亡']# 将日期改成datetime格式alltime_world['日期'] = pd.to_datetime(alltime_world['日期'])alltime_world.info()

<class ‘pandas.core.frame.DataFrame’>

RangeIndex: 12331 entries, 0 to 12330

Data columns (total 15 columns):

# Column Non-Null Count Dtype

— ------ -------------- -----

0 日期 12331 non-null datetime64[ns]

1 累计确诊 12331 non-null int64

2 累计死亡 12331 non-null int64

3 累计治愈 12331 non-null int64

4 累计输入 12331 non-null int64

5 累计重症 12331 non-null int64

6 累计疑似 12331 non-null int64

7 当日新增确诊 12331 non-null int64

8 当日新增死亡 12331 non-null int64

9 当日新增治愈 12331 non-null int64

10 当日输入 12331 non-null float64

11 当日新增重症 12331 non-null float64

12 当日现存确诊 12331 non-null int64

13 当日新增疑似 12331 non-null float64

14 名称 12331 non-null object

dtypes: datetime64ns, float64(3), int64(10), object(1)

memory usage: 1.4+ MB

三、数据分析可视化1–matplotlib绘图

3.1 绘制多个国家的累计确诊人数折线图

使用 matplotlib 库绘制累计确诊人数最多的8个国家（‘美国’,‘巴西’,‘俄罗斯’,‘西班牙’,‘意大利’,‘英国’,‘法国’,‘德国’）的累计确诊人数折线图

# 查看“累计确诊”人数最多的8个国家数据，并可视化import matplotlib.pyplot as pltimport matplotlib as mpl# 自定义函数，接收国家和颜色两个参数，每次调用绘制一个国家的折线图def line_chart(name,color1):x = alltime_world.loc[alltime_world.名称==name,'日期']y_total = alltime_world.loc[alltime_world.名称==name,'累计确诊']ax.plot(x,y_total,color=color1,lw=1,marker='o',ms=2,label=name)# 创建画布，切分绘图区域，绘制两条曲线figure = plt.figure(figsize=(12,5))ax = plt.subplot()# 设置绘图区字体mpl.rcParams['font.family'] = 'simhei' # 设置显示字体mpl.rcParams['font.size'] = 10 # 设置显示字体大小# 数据准备country_name = alltime_world.groupby(by='名称')['累计确诊'].max().sort_values(ascending=False)[:8].index # 累计确诊人数最多的八个国家color1 = ['red','blue','green','cyan','purple','yellow','deeppink','orange'] # 设置八个颜色# 遍历八个国家，调用自定义函数绘图for i in range(len(country_name)):line_chart(country_name[i],color1[i])# 设置图外观（图标题，y轴标题，图例等）plt.title('累计确诊人数最多的八个国家新冠肺炎折线图',size=15)plt.ylabel('人数')plt.legend(bbox_to_anchor=[1,1]) # 图例位置调整plt.grid(axis='y') # 添加y轴横线plt.box(False)# 设置x轴日期显示格式等ax.xaxis.set_major_formatter(mpl.dates.DateFormatter('%Y-%m-%d')) # 设置时间标签显示格式plt.xticks(pd.date_range(min(alltime_world.日期),max(alltime_world.日期),freq='3D'),rotation=90)# 设置时间标签显示格式plt.show()

3.2 绘制各国新增确诊人数折线图

使用 matplotlib 库绘制累计确诊人数最多的8个国家（‘美国’,‘巴西’,‘俄罗斯’,‘西班牙’,‘意大利’,‘英国’,‘法国’,‘德国’）的新增确诊人数折线图

# 查看“累计确诊”人数最多的8个国家的“当日新增确诊”的数据，并可视化import matplotlib.pyplot as pltimport matplotlib as mpl# 自定义函数，接收国家和颜色两个参数，每次调用绘制一个国家的折线图def line_chart(name,color1):x = alltime_world.loc[alltime_world.名称==name,'日期']y_total = alltime_world.loc[alltime_world.名称==name,'当日新增确诊']ax.plot(x,y_total,color=color1,lw=1,marker='o',ms=2,label=name)# 创建画布，切分绘图区域，绘制两条曲线figure = plt.figure(figsize=(12,5))ax = plt.subplot()# 设置绘图区字体mpl.rcParams['font.family'] = 'simhei' # 设置显示字体mpl.rcParams['font.size'] = 10 # 设置显示字体大小# 数据准备country_name = alltime_world.groupby(by='名称')['累计确诊'].max().sort_values(ascending=False)[:8].index # 累计确诊人数最多的八个国家color1 = ['red','blue','green','cyan','purple','yellow','deeppink','orange'] # 设置八个颜色# 遍历八个国家，调用自定义函数绘图for i in range(len(country_name)):line_chart(country_name[i],color1[i])# 设置图外观（图标题，y轴标题，图例等）plt.title('八个国家当日新增确诊新冠肺炎折线图',size=15)plt.ylabel('人数')plt.legend(bbox_to_anchor=[1,1]) # 图例位置调整plt.grid(axis='y') # 添加y轴横线plt.box(False)# 设置x轴日期显示格式等ax.xaxis.set_major_formatter(mpl.dates.DateFormatter('%Y-%m-%d')) # 设置时间标签显示格式plt.xticks(pd.date_range(min(alltime_world.日期),max(alltime_world.日期),freq='3D'),rotation=90)# 设置时间标签显示格式plt.show()

3.3 美国新冠肺炎的累计确诊和当日新增确诊绘制

绘制美国新冠肺炎的累计确诊和当日新增确诊的折线图与柱形图

# 数据准备American = alltime_world[alltime_world['名称']=='美国']American.set_index('日期',inplace=True)# 设置日期为索引# 创建画布fig, ax = plt.subplots(figsize=(10, 4))# 设置绘图区字体mpl.rcParams['font.family'] = 'simhei' # 设置显示字体mpl.rcParams['font.size'] = 10 # 设置显示字体大小# 画图American['累计确诊'].plot(ax=ax, fontsize=8,style='-',lw=1,color='c',marker='o',ms=2,legend=True) # 累计确诊折线图ax1 = ax.twinx()ax1.bar(American.index, American['当日新增确诊']) # 当日新增确诊柱形图# 设置x轴日期显示格式等ax1.xaxis.set_major_locator(mpl.dates.DayLocator(interval = 5)) #设置间距ax1.xaxis.set_major_formatter(mpl.dates.DateFormatter('%b %d')) #设置日期格式fig.autofmt_xdate() #自动调整日期倾斜# 设置图外观（图标题，y轴标题，图例等）plt.title('美国新冠肺炎疫情折线图',size=15)ax.set_ylabel('人数', fontsize=10)ax.set_xlabel('日期', fontsize=10)ax1.legend(['当日新增确诊'],loc='upper left',bbox_to_anchor=(0.001, 0.9)) # 设置图例plt.grid(axis='y')plt.box(False)plt.show()

四、数据分析可视化2–pyecharts绘图

数据准备

# 导入数据import pandas as pdworld_data = pd.read_csv('alltime_world__05_31.csv', encoding='utf-8')# 缺失值处理# 先使用线性插值的方式填充缺失值world_data.interpolate(method='linear', inplace=True)# 再使用0填充缺失值world_data.fillna(0, inplace=True)# 计算当日现存确诊人数world_data['today_storeConfirm'] = world_data['total_confirm']-world_data['total_heal']-world_data['total_dead']# 将日期改成datetime格式world_data['date'] = pd.to_datetime(world_data['date'])# 选取最新更新的各国数据world_data_groupby = world_data[['name','date','total_confirm']].groupby(by=['name'], as_index=False).max()world_data_merge = pd.merge(world_data_groupby, world_data, on=['name','date','total_confirm'], how='left')

4.1 世界各国家现存确诊人数地图

将各个国家数值信息映射到地图上，通过颜色变化来表示数值的大小或范围。颜色地图适合带有地理位置信息的数据的展现，将颜色和地图相结合，直观显示数据的地理分布，通过颜色深浅容易判断数值的大小。下图显示的是截止到5月31日，世界各国现有确诊人数地图，每个区域被赋予一种颜色，通过查看左下角的图例可以明确每种颜色对应的数值范围。图例中的颜色由下至上依次从浅到深，数值范围也相应地由小到大。

# 导入pyecharts库以及绘图需要的相关类import pyechartsimport pyecharts.options as opts # 调整配置项from pyecharts.charts import Map # Map类用于绘制地图from pyecharts.charts import Pie # Pie类用于绘制玫瑰图from datetime import datetime,timedelta # datetime模块生成时间数据import matplotlib.pyplot as plt # 载入Matplotlib库

利用 Map类绘制世界地图时，需要输入各国家的英文名称和对应的数值，首先要将数据的中文名称转换为英文名称。

# 载入国家中英文对照表，使用Series类的replace方法将各国家对应的中文名称替换成英文名称contry_name = pd.read_csv('county_china_english.csv', encoding='gbk')world_data_merge['eg_name'] = world_data_merge['name'].replace(contry_name['中文'].values ,contry_name['英文'].values)# 提取出需要的数据，保存成一个嵌套列表的形式heatmap_data = world_data_merge[['eg_name','today_storeConfirm']].values.tolist()heatmap_data[:10]

[[‘Bhutan’, 37.0],

[‘Timor-Leste’, 0.0],

[‘China’, 118.0],

[‘Central African Rep.’, 938.0],

[‘Denmark’, 735.0],

[‘Ukraine’, 13426.0],

[‘Uzbekistan’, 757.0],

[‘Uganda’, 341.0],

[‘Uruguay’, 117.0],

[‘Chad’, 224.0]]

接下来开始绘图

# 首先初始化类对象Map，并调用add方法添加绘图基本配置map_ = Map().add(series_name = "现存确诊人数", # 设置提示框标签data_pair = heatmap_data, # 输入数据maptype = "world", # 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(title_opts = opts.TitleOpts(title="世界各国家现存确诊人数地图"), # 设置图标题# 设置视觉映射配置项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": 9999, "color":"#B22222"}, # 耐火砖{"min": 999, "max": 4999,"color":"#CD5C5C"}, # 印度红{"min": 100, "max": 999, "color":"#BC8F8F"}, # 玫瑰棕色{"max": 99, "color":"#FFE4E1"}, # 薄雾玫瑰], is_piecewise = True)) # 显示分段式图例# 调用render_notebook方法直接在jupyter notebook中渲染图形map_.render_notebook()

4.2 世界国家累计死亡人数玫瑰图

玫瑰图是一种二维极坐标统计图。玫瑰图与饼状图类似，饼状图各个扇形的半径相同，角度不同，角度表示每一部分占比的大小；玫瑰图各个扇形的半径和角度都不同，角度依然表示每一部分的占比大小，半径表示每一部分的数值大小。下图是一个特殊的玫瑰图，扇形角度一致，半径不同，可以很清楚观察到海外每个国家累计确诊人数的大小对比关系。

绘制累计死亡人数超过1000人的国家的累计死亡人数玫瑰图

# 首先筛选出累计死亡人数超过1000人的世界国家，并按人数进行降序排序need_data = world_data_merge[['name','total_dead']][world_data_merge['total_dead'] >1000]rank = need_data[['name','total_dead']].sort_values(by='total_dead',ascending=False).values# 接着导添加绘图的基本配置pie = Pie().add("累计死亡人数", # 添加提示框标签rank, # 输入数据radius = ["20%", "80%"], # 设置内半径和外半径center = ["60%", "60%"], # 设置圆心位置rosetype = "radius") # 玫瑰图模式，通过半径区分数值大小，角度大小表示占比# 最后设置全局和系列配置项并绘制玫瑰图pie.set_global_opts(title_opts = opts.TitleOpts(title="世界国家累计死亡人数玫瑰图", # 设置图标题pos_right = '60%'), # 图标题的位置legend_opts = opts.LegendOpts( # 设置图例orient='vertical', # 垂直放置图例pos_right="75%", # 设置图例位置pos_top="20%"))pie.set_series_opts(label_opts = opts.LabelOpts(formatter="{b} : {d}%")) # 设置标签文字形式为（国家：占比（%））# 在notebook中进行渲染pie.render_notebook()

4.3 五月世界国家累计确诊人数动态条形图

条形图由一些长度不等的横向长方形组成，以长方形的长度来表示数据，易于比较各组数据之间的差别。

动态图表是目前非常流行的一种可视化方法，可以按照时间序列动态展示条形图数据的变化。

绘制5月份累计确诊人数最多的10个国家的动态条形图（‘美国’, ‘巴西’, ‘俄罗斯’, ‘西班牙’, ‘英国’, ‘意大利’, ‘法国’, ‘德国’, ‘印度’, ‘土耳其’）

# 首先挑选出疫情最为严重的10个国家，并筛选出这些国家的历史疫情数据country_list = world_data.groupby(by='name')['total_confirm'].max().sort_values(ascending=False)[:10].index # 累计确诊人数最多的10个国家need_data = world_data[world_data['name'].isin(country_list)]# 接下来使用datetime模块生成时间数据，构造时间列表time_list = [(datetime(, 5, 1) + timedelta(i)).strftime('%Y-%m-%d') for i in range(31)]# 载入Matplotlib库，并设置正常显示中文字体import matplotlib.pyplot as plt%matplotlib inlineplt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['figure.dpi'] = 100# 为每个国家设置一种颜色color_list = ['brown','peru','orange','blue','green','red','yellow','teal','pink','orchid']country_color = pd.DataFrame()country_color['country'] = country_listcountry_color['color'] = color_list

自定义绘图函数

# 定义绘图函数import matplotlib.ticker as tickerdef barh_draw(day):# 提取每一天的数据draw_data = need_data[need_data['date']==day][['name','total_confirm']].sort_values(by='total_confirm',ascending=True)# 清空当前的绘图ax.clear()# 绘制条形图ax.barh(draw_data['name'],draw_data['total_confirm'], color=[country_color[country_color['country']==i]['color'].values[0] for i in draw_data['name']])# 数值标签的间距dx = draw_data['total_confirm'].max()/200# 添加数值标签for j, (name, value) in enumerate(zip(draw_data['name'], draw_data['total_confirm'])):ax.text(value+dx, j, f'{value:,.0f}', size=10, ha='left', va='center')# 添加日期标签ax.text(draw_data['total_confirm'].max()*0.75, 0.4, day, color='#777777',size=40, ha='left')# 设置刻度标签的格式ax.xaxis.set_major_formatter(ticker.StrMethodFormatter('{x:,.0f}'))# 设置刻度的位置ax.xaxis.set_ticks_position('top')# 设置刻度标签的颜色和大小ax.tick_params(axis='x',colors='#777777', labelsize=15)# 添加网格线ax.grid(which='major',axis='x',linestyle='-')# 添加图标题ax.text(0, 11, '5月世界各国家累计确诊人数动态条形图',size=20, ha='left')# 去除图边框plt.box(False)# 关闭绘图框plt.close()

绘制动态条形图

# 动态绘图fig, ax = plt.subplots(figsize=(12, 6))import matplotlib.animation as animationfrom IPython.display import HTMLanimator = animation.FuncAnimation(fig, barh_draw, frames=time_list, interval=200)HTML(animator.to_jshtml())

参考资料

[1] /note/view_static_note/fa203bf68cc57b10af2773bf5b48fd34/

[2] /note/view_static_note/f4edb8aed12abe451206406efee375d7/

[3] /note/view_static_note/84230091c4104946ab3d22dd675df58d/