Python 实现 2019 新型冠状病毒疫情地图可视化 (basemap + matplotlib)

本人耗时2个月面试必备已出炉：

Python 全栈工程师 面试宝典 300 问深入解析 (2020 版)

加个人微信: AXiaShuBai 进Python小伙伴交流群

部分效果展示：
项目GitHub地址 记得star支持一下


此外，我还使用ECharts作了地图可视化，ECharts的地图更加美观，可以直接交互，效果如下：
ECharts 实战：新冠病毒全国疫情地图可视化

1. 环境安装 (地图包及绘图包)

1. 编程环境：Python3.7 + PyCharm2018
2. 三方库 (按顺序依次安装)
   • pyproj (basemap的依赖包，下载whl本地安装)
   • geos (basemap的依赖包，直接pip安装)
   • basemap (地图包，下载whl本地安装)
   • matplotlib (画图包，直接pip安装)
   • numpy、pandas、requests等常用包
   • shapefile of china (地图数据，下载文件解压后放在项目文件夹)
     下载地址：https://gadm.org/download_country_v3.html。
     中国需下载 gadm36_CHN_shp、gadm36_HKG_shp、gadm36_MAC_shp、gadm36_TWN_shp

注意：三方库由于网络问题，直接使用pycharm安装失败或者进入项目虚拟环境下pip安装，速度非常慢，因此直接下载whl文件到本地，然后pip本地安装。

三方库下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#pyproj，将要下载的库直接替换网址#后面的内容即可，注意本地python的版本，需要下载对应的版本，cp37代表python3.7，amd64代表64位系统

2. 获取疫情数据（全球、中国各省及各地区数据）

• 数据来源：腾讯新闻 https://news.qq.com/zt2020/page/feiyan.htm
• 我们对该网址数据进行分析，采用Chrome浏览器，多次刷新先分析规律，然后使用Chrome的检查，然后右上角使用全局搜索(ctrl+shift+F),我们可以搜索全国确诊人数，地区名称，其它国家名称，发现数据都是在https://view.inews.qq.com/g2/getOnsInfo?name=disease_h5&callback=jQuery34104671917134393502_1580374286688&_=1580374286689的请求网址中
• 在network查找该网址，分析响应数据，发现所有数据都是一个json格式响应中。callback后面应该是一个方法，后面的数字推测是时间戳，我们直接使用callback前面的网址去浏览器访问https://view.inews.qq.com/g2/getOnsInfo?name=disease_h5，网页返回类容就是所有疫情的json数据。
  
• 直接使用requests请求获取数据即可
• 代码

'''
Author: Felix
WeiXin: AXiaShuBai
Email: [email protected]
Blog: https://blog.csdn.net/u011318077
Date: 2020/1/30 20:33
Desc:
'''
import requests
import json

class nCovData():

    def __init__(self):
        # 获取原始全国疫情数据的网址
        self.start_url = 'https://view.inews.qq.com/g2/getOnsInfo?name=disease_h5'

    def get_html_text(self):
        headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64; rv:66.0) Gecko/20100101 Firefox/66.0'}
        res = requests.get(self.start_url, headers=headers, timeout=30)
        res.encoding = 'utf-8'
        # 将获取到的json格式的字符串类型数据转换为python支持的字典类型数据
        data = json.loads(res.text)
        # 所有的疫情数据，包括：中国累积数据、各国数据(中国里面包含各省及地级市详细数据)、中国每日累积数据(1月13日开始)
        all_data = json.loads(data['data'])
        return all_data

if __name__ == '__main__':
    ncovdata = nCovData()
    ncovdata.get_html_text()

3. 疫情数据分析

• 全球各国数据提取
• 中国每日疫情数据提取
• 中国各省份数据提取
• 各地级市数据提取
• 中国每日数据代码，其它代码参考GitHub项目

import a_get_html

class ChinaData():

    def __init__(self):
        self.ncovdata = a_get_html.nCovData()
        self.all_data = self.ncovdata.get_html_text()

    def china_total_data(self):
        # 累积数据汇总(实际该累积数据包含其它国家的数据),chinaTotal键对应的值就是累积数据
        chinaTotal = self.all_data['chinaTotal']
        # print(chinaTotal)
        return chinaTotal

    def china_everyday_data(self):
        '''获取中国每日累积数据'''
        chinaDayList = self.all_data['chinaDayList']
        date_list = list()
        everyday_confirm = list()
        everyday_suspect = list()
        everyday_dead = list()
        everyday_heal = list()
        for everyday in chinaDayList:
            date_list.append(everyday['date'])
            everyday_confirm.append(int(everyday['confirm']))
            everyday_suspect.append(int(everyday['suspect']))
            everyday_dead.append(int(everyday['dead']))
            everyday_heal.append(int(everyday['heal']))
        # print(date_list)
        # print(everyday_confirm) # 中国累积确诊数据少于上面chinaTotal累积数据
        return date_list, everyday_confirm, everyday_suspect, everyday_dead, everyday_heal
        
    def main(self):
        self.china_total_data()
        self.china_everyday_data()

if __name__ == '__main__':
    world_data= ChinaData()
    world_data.main()

4. 每日疫情变化可视化

• 直接上代码

'''
Author: Felix
WeiXin: AXiaShuBai
Email: [email protected]
Blog: https://blog.csdn.net/u011318077
Date: 2020/1/31 17:18
Desc:
'''

from china_data_analysis import ChinaData
import matplotlib.pyplot as plt

def daily_change():

    # 获取每日疫情数据，日期，确诊，疑似，死亡，治愈
    date_list, everyday_confirm, everyday_suspect, everyday_dead, everyday_heal = ChinaData().china_everyday_data()

    # 显示中文和显示负号
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False

    # 绘制画布和子图对象
    fig, ax1 = plt.subplots(figsize=(10, 6))

    # 左Y轴绘制确诊和疑似病例曲线
    ax1.plot(date_list, everyday_confirm, lw=2, ls='--', marker='o', color='red', label='确诊')
    ax1.plot(date_list, everyday_suspect, lw=2, ls='--', marker='o', color='orange', label='疑似')
    # 设置标题，XY轴标题，刻度
    ax1.set_title("2019-nCoV疫情变化时间图", fontsize=16)
    ax1.set_xlabel("2020年1月", fontsize=16)
    ax1.set_xticklabels(date_list, rotation=30)
    ax1.set_ylabel(r"确诊及疑似人数", fontsize=16)
    ax1.set_ylim(0, 16000)
    # 显示网格线和显示图例
    plt.grid(which='major', axis='both', color='grey', linestyle='--', alpha=0.2)
    plt.legend(loc='upper left', bbox_to_anchor=(0.3,1))

    # 右Y轴绘制死亡和治愈病例曲线,共用ax1的X轴
    ax2 = ax1.twinx()
    ax2.plot(date_list, everyday_dead, lw=1, ls='--', marker='.', color='cyan', label='死亡')
    ax2.plot(date_list, everyday_heal, lw=1, ls='--', marker='.', color='green', label='治愈')
    # 设置标题刻度
    ax2.set_ylabel(r"死亡及治愈人数", fontsize=16)
    ax2.set_ylim(0, 400)
    # 显示网格线和显示图例
    plt.grid(which='major', axis='both', color='grey', linestyle='--', alpha=0.2)
    plt.legend(loc='upper center')

    # 展示图形
    # plt.show()
    # 保存图形为图片,第一个参数保存路径，第二个参数裁掉多余的空白部分
    plt.savefig('2019-nCoV疫情变化时间图.png', bbox_inches='tight')

if __name__ == '__main__':
    daily_change()

• 输出结果
  
• 省份和地级市每日疫情变化的数据，项目中已经分析提取，可以修改上面直接作图， # 获取每日疫情数据，日期，确诊，疑似，死亡，治愈该行代码即可

5. 中国疫情地图可视化

'''
Author: Felix
WeiXin: AXiaShuBai
Email: [email protected]
Blog: https://blog.csdn.net/u011318077
Date: 2020/1/31 17:18
Desc:
'''
from province_data_analysis import ProvinceData
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from mpl_toolkits.basemap import Basemap

def distribution_map():

    # 显示中文和显示负号
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['axes.unicode_minus'] = False

    # 获取省份名称列表及确认病例列表原始数据，按照人数多到少排列
    province_name, province_total_confirm = ProvinceData().province_total_data()
    province_confirm_dict = dict(zip(province_name, province_total_confirm))

    # 设置图形大小
    plt.figure(figsize=(10, 8), dpi=300)

    # 设置中国的经纬度范围
    lon_min, lon_max = 77, 142
    lat_min, lat_max = 14, 51

    # 绘制中国地图，设置经度纬度范围，使用兰伯特投影
    map = Basemap(llcrnrlon=lon_min, llcrnrlat=lat_min, urcrnrlon=lon_max, urcrnrlat=lat_max, projection='lcc',
                  lat_1=33, lat_2=45, lon_0=100)
    map.readshapefile('../china_shapfiles/china-shapefiles-simple-version/china', 'china', drawbounds=True)
    map.readshapefile('../china_shapfiles/china-shapefiles-simple-version/china_nine_dotted_line', 'china_nine',
                    drawbounds=True)

    # 读取各省份省委城市的经纬度数据
    posi = pd.read_excel('中国省会城市经度纬度表.xlsx')
    province_list = list(posi['province'])
    lat_list = np.array(posi["lat"][0:34])
    lon_list = np.array(posi["lon"][0:34])
    confirm_origin = list(posi["confirm"][0:34])
    province_dict = dict(zip(province_list,confirm_origin))

    # 进行重新排序后的省份疫情表，省份排序与本地的经纬度表一致
    new_province_confirm= data_merge(province_dict, province_confirm_dict)
    confirm_list = np.array(list(new_province_confirm.values()))
    size = (confirm_list/np.max(confirm_list))*3000
    print(confirm_list)

    # parallels = np.arange(0., 90, 10.)
    # map.drawparallels(parallels, labels=[1, 0, 0, 0], fontsize=10)  # 绘制纬线
    # meridians = np.arange(80., 140., 10.)
    # map.drawmeridians(meridians, labels=[0, 0, 0, 1], fontsize=10)  # 绘制经线

    x, y = map(lon_list, lat_list)
    map.scatter(x, y, s=size, c='red')
    # 设置数字标记
    for i in range(0, 34):
        plt.text(x[i] + 5000, y[i] + 5000, str(confirm_list[i]))

    plt.title('2019-nCoV疫情分布地图', fontsize=16)
    plt.savefig('2019-nCoV疫情分布地图.png')
    plt.show()

# 由于原始疫情数据是按确诊人数排列的，与本地经纬度表排序不一致
# 我们将省份相同的名称对应的confirm(初始confirm都是0)值相加，得到重新排序后的确诊人数列表
def data_merge(A, B):
    C = dict()
    for key in A:
        if B.get(key):
            C[key] = A[key] + B[key]
        else:
            C[key] = A[key]
    for key in B:
        if not A.get(key):
            C[key] = B[key]
    return C

if __name__ == '__main__':
    distribution_map()

• 输出效果：
  
• 世界各国疫情数据已经分析提取，大家可以尝试做一个世界疫情地图
• 深入可以对每个地区进行按人数多少填充不同的颜色，网上已有类似案例

6. 世界疫情及地级市疫情地图可视化(拓展)

• 项目GitHub地址 记得star支持一下