Python | 新冠肺炎疫情数据的爬取与可视化分析
Posted 刘玉
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python | 新冠肺炎疫情数据的爬取与可视化分析相关的知识,希望对你有一定的参考价值。
前言
这两年,新冠肺炎肆虐而来,随着确诊人数的不断上升,全世界的人都陷入了恐慌中。我们经常能在手机、电视上看到各个地区疫情的情况,但那些数据大多数都是零碎的,我们不可能去记住每个数据,但我们可以用爬虫爬取各个地区发出的新闻数据,再将这些数据进行整理分析。所以我们在疫情期间可以通过访问一个网站,就能知道各个地区的疫情情况。
数据来源
爬虫设计方案
1. 爬虫名称
新冠肺炎疫情数据的爬取与可视化分析
2. 爬取内容与数据特征分析
爬取的内容包括了全球新冠肺炎疫情数据、中国各省市新冠肺炎疫情数据和福建各市新冠肺炎疫情数据。
爬取的数据都由中文和数字组成,所有数字数据都是大于等于0,不会出现小于0的情况。
3. 方案概述
分析网站页面结构,找到爬取数据的位置,根据不同的数据制定不同的爬取方法,将爬取的数据保存成csv文件,然后再将csv文件里的数据进行可视化处理。
网站页面的结构特征分析
1. 网站页面结构分析
从下面的网站截图中可以看出,该网站的结构分为三个部分,一部分是左上的疫情总览,一部分是右边各个地区的疫情消息,还有一部分就是左下各个地区具体的疫情数据,而这部分数据就是我们要爬取的数据。
2. 网站html页面结构分析
从下面的网站html截图中可以看出,该网站由div标签进行分割内容,总共分了两大块,左边和右边,我们需要的数据在左边。
进一步分析网站的html,发现数据都在class=data-list的div标签里,在div标签里的列表标签ul,存放着中国每个省的疫情数据。
在li标签下,还有一个div,这个div里的ul列表存放的数据是每个省市的数据。
3. 标签查找方法与遍历方法
通过上面网站html页面的分析,可以画出标签树。
(1)地区名称所在标签的查找方法
各个省份的名称在class=list-pro-name的div标签里,而各省份的城市的名称在class=list-city-name的div标签里。因为这两个标签的class属性不同,所以可以用BeautifulSoup库的find()方法,利用标签属性值检索。
(2)地区疫情数据所在标签的查找方法
从上面的标签树中可以看出,省疫情数据和市疫情数据分别在不同的li标签下的div标签里,第二个li是第一个li的子标签。在这两个标签之间没有可以唯一标识的熟悉,所以要查找到这两个标签需要BeautifulSoup库的CSS选择器,通过标签的父子关系分别找到两个li标签。
爬虫程序设计
1. 数据的爬取
(1)中国新冠疫情数据的爬取
# 获取中国每个省的疫情数据
def getProvinceData(html):
total_data=[]
temporary=[]
new_diagnosis_data=[]
cumulative_diagnosis_data=[]
cured_data=[]
dead_data=[]
soup = BeautifulSoup(html,\'html.parser\')
# 找到 class=data-list 的div标签
data = soup.find(\'div\',{\'class\':\'data-list\'})
ul = data.find(\'ul\')
div = ul.find_all(\'div\',{\'class\':\'list-pro-name\'})
province_name_data=[]
for i in div:
# 获取省的名称
# 省名称在label标签里
province_name = i.find(\'label\').string
province_name_data.append(province_name)
# 用CSS选择器获取第一层的数据(每个省的数据)
diagnosis = soup.select(\'div.data-list > ul > li > div.list-city-data\')
for i in diagnosis:
temporary.append(i.string)
total = [temporary[i:i+4] for i in range(0,len(temporary),4)]
for i in range(len(total)):
# 获取新增确诊人数
new_diagnosis_data.append(total[i][0])
# 获取累计确诊人数
cumulative_diagnosis_data.append(total[i][1])
# 获取治愈人数
cured_data.append(total[i][2])
# 获取死亡人数
dead_data.append(total[i][3])
total_data.append(province_name_data)
total_data.append(new_diagnosis_data)
total_data.append(cumulative_diagnosis_data)
total_data.append(cured_data)
total_data.append(dead_data)
return total_data
(2)福建省新冠疫情数据的爬取
# 获取福建省每个市的疫情数据
def getCitiData(html):
citi_name_data=[]
new_diagnosis_data=[]
cumulative_diagnosis_data=[]
cured_data=[]
dead_data=[]
total_data=[]
soup = BeautifulSoup(html,\'html.parser\')
data = soup.find(\'div\',{\'class\':\'data-list\'})
# 找到有唯一标识的属性的input标签
input1 = data.find(\'input\',{\'id\':\'_209\'})
# 找到input标签的的父标签
div = input1.parent
# 找到所有的li
li = div.find_all(\'li\')
# 遍历li组成的列表
for i in range(1,len(li)):
# 获取市名称
citi_name = li[i].find(\'div\',{\'class\':\'list-city-name\'})
citi_name_data.append(citi_name.string+\'市\')
div = li[i].find_all(\'div\',{\'class\':\'list-city-data\'})
# 获取新增确诊人数
new_diagnosis = div[0].string
new_diagnosis_data.append(new_diagnosis)
# 获取累计确诊人数
cumulative_diagnosis = div[1].string
cumulative_diagnosis_data.append(cumulative_diagnosis)
# 获取治愈人数
cured = div[2].string
cured_data.append(cured)
# 获取死亡人数
dead = div[3].string
dead_data.append(dead)
total_data.append(citi_name_data)
total_data.append(new_diagnosis_data)
total_data.append(cumulative_diagnosis_data)
total_data.append(cured_data)
total_data.append(dead_data)
return total_data
(3)国外新冠疫情数据的爬取
# 获取全球每个国家的疫情数据
def getWorldData(html):
country_name_data=[]
new_diagnosis_data=[]
cumulative_diagnosis_data=[]
cured_data=[]
dead_data=[]
total_data=[]
soup = BeautifulSoup(html,\'html.parser\')
data = soup.find(\'div\',{\'class\':\'data-list\'})
# 因为有两层li,我们需要的是第二层的li,所以可以通过CSS选择器来获取第二层的li
data_list = data.select(\'ul > li > div > div > ul > li\')
for i in range(12,len(data_list)-1):
div = data_list[i].find_all(\'div\')
# 获取国家名称
country_name = div[0].string
country_name_data.append(country_name)
# 获取新增确诊人数
new_diagnosis = div[1].string
new_diagnosis_data.append(new_diagnosis)
# 获取累计确诊人数
cumulative_diagnosis = div[2].string
cumulative_diagnosis_data.append(cumulative_diagnosis)
# 获取治愈人数
cured = div[3].string
cured_data.append(cured)
# 获取死亡人数
dead = div[4].string
dead_data.append(dead)
total_data.append(country_name_data)
total_data.append(new_diagnosis_data)
total_data.append(cumulative_diagnosis_data)
total_data.append(cured_data)
total_data.append(dead_data)
return total_data
(4)保存数据
疫情数据爬取完后,通过Pandask库的to_csv()方法,将爬取后的数据保存为csv文件。
保存后的部分数据:
2. 数据清洗与处理
(1)因为全球疫情的数据量较大,所以我们可以通过pandas库来查看数据是否有异常、缺失、重复
import pandas as pd
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
# 查看数据的简要信息
df_world.describe()
(2)通过查看数据的简要信息,数据正常,数据的最小值也不是负数
(3)通过pandas库的isnull()方法查看是否有空值
# 查看是否有空值,有空值返回True,没有空值返回False
df_world.isnull().value_counts()
(4)通过pandas库的duplicated()方法查看是否有重复行
# 查看是否有重复行,有重复行返回True,没有重复行返回False
df_world.duplicated()
(5)为了之后能更好的分析数据,需要对数据进行排序,后面再排序也可以
#根据累计确诊人数对数据进行降序排序
df = df_world.sort_values(by=\'累计确诊\',ascending=False)
(6)保存处理后的数据
#保存处理后的数据
import pandas as pd
df = df.set_index(\'名称\')
df.to_csv("各国家的新冠肺炎疫情数据.csv",encoding=\'utf-8\')
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
df_world.head()
3. 数据可视化分析
(1)中国新冠肺炎疫情地图
# 用pyecharts库画中国新冠疫情地图
from pyecharts import options as opts
from pyecharts.charts import Map
import pandas as pd
# 自定义分段图例
pieces=[
{"max": 70000, "min": 3000, "label": ">3000", "color": "#B40404"},
{"max": 3000, "min": 1000, "label": "1000-3000", "color": "#DF0101"},
{"max": 1000, "min": 100, "label": "100-1000", "color": "#F78181"},
{"max": 100, "min": 10, "label": "10-100", "color": "#F5A9A9"},
{"max": 10, "min": 0, "label": "<10", "color": "#FFFFCC"},
]
name = []
values = []
# 导入数据
df = pd.DataFrame(pd.read_csv("各省的新冠肺炎疫情数据.csv"))
# 处理数据,将数据处理成Map所要求的数据
for i in range(df.shape[0]): # shape[0]:行数,shape[1]:列数
name.append(df.at[i,\'名称\'])
values.append(str(df.at[i,\'累计确诊\']))
total = [[name[i],values[i]] for i in range(len(name))]
# 创建地图(Map)
china_map = (Map())
# 设置中国地图
china_map.add("确诊人数",total ,maptype="china",is_map_symbol_show=False)
china_map.set_global_opts(
# 设置地图标题
title_opts=opts.TitleOpts(title="中国各省、直辖市、自治区、特别行政区新冠肺炎确诊人数"),
# 设置自定义图例
visualmap_opts=opts.VisualMapOpts(max_=70000,is_piecewise=True,pieces=pieces),
legend_opts=opts.LegendOpts(is_show=False)
)
# 直接在notebook显示地图,默认是保存为html文件
china_map.render_notebook()
(2)中国确诊人数前15地区的治愈率与死亡率的折线图
import pandas as pd
import matplotlib.pyplot as plt
# 创建画布
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
# 导入数据
df_china = pd.read_csv("各省的新冠肺炎疫情数据.csv")
df_china[\'治愈率\'] = df_china[\'治愈\']/df_china[\'累计确诊\']
df_china[\'死亡率\'] = df_china[\'死亡\']/df_china[\'累计确诊\']
plt.plot(df_china.iloc[0:16,0],df_china.iloc[0:16,5],label="治愈率")
plt.plot(df_china.iloc[0:16,0],df_china.iloc[0:16,6],label="死亡率")
# y轴刻度标签
ax.set_yticks([0.05,0.2,0.4,0.6,0.8,1.0])
ax.set_yticklabels(["5 %","20 %","40 %","60 %","80 %","100 %"],fontsize=12)
# 图例
plt.legend(loc=\'center right\',fontsize=12)
# 标题
plt.title("中国确诊人数前15地区的治愈率与死亡率")
# 网格
plt.grid()
plt.show()
(3)中国确诊人数前15地区的新增确诊人数的折线图
import pandas as pd
import matplotlib.pyplot as plt
# 创建画布
fig=plt.figure(figsize=(10,8))
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_china = pd.read_csv("各省的新冠肺炎疫情数据.csv")
plt.plot(df_china.iloc[0:15,0],df_china.iloc[0:15,1],label="新增确诊")
# 图例
plt.legend(fontsize=12)
# 标题
plt.title("中国确诊人数前15地区的新增确诊人数")
# y轴标签
plt.ylabel(\'人数\')
# 网格
plt.grid()
plt.show()
(4)福建新冠肺炎疫情地图
#用pyecharts库画福建疫情分布地图
import pandas as pd
from pyecharts.charts import Map,Geo
from pyecharts import options as opts
#自定义分段图例
pieces=[
{"max": 100, "min": 70, "label": ">70", "color": "#B40404"},
{"max": 70, "min": 40, "label": "40-79", "color": "#DF0101"},
{"max": 40, "min": 20, "label": "20-40", "color": "#F78181"},
{"max": 20, "min": 10, "label": "10-20", "color": "#F5A9A9"},
{"max": 10, "min": 0, "label": "<10", "color": "#FFFFCC"},
]
name = []
values = []
#导入数据
df_citi = pd.read_csv("各市的新冠肺炎疫情数据.csv")
# 处理数据,将数据处理成Map所要求的数据
for i in range(df_citi.shape[0]): # shape[0]:行数,shape[1]:列数
name.append(df_citi.at[i,\'名称\'])
values.append(str(df_citi.at[i,\'累计确诊\']))
total = [[name[i],values[i]] for i in range(len(name))]
# 创建地图
chinaciti_map = (Map())
# 设置福建省地图
chinaciti_map.add("确诊人数",total ,maptype="福建",is_map_symbol_show=False)
chinaciti_map.set_global_opts(
# 地图标题
title_opts=opts.TitleOpts(title="福建各市新冠肺炎确诊人数"),
# 设置自定义图例
visualmap_opts=opts.VisualMapOpts(max_=100,is_piecewise=True,pieces=pieces),
legend_opts=opts.LegendOpts(is_show=False)
)
# 直接在notebook显示地图,默认是保存为html文件
chinaciti_map.render_notebook()
(5)福建新冠肺炎疫情饼图
import matplotlib.pyplot as plt
import pandas as pd
# 创建画布
plt.figure(figsize=(6,4))
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_citi = pd.read_csv("各市的新冠肺炎疫情数据.csv")
labels = df_citi[\'名称\'].values
data = df_citi[\'累计确诊\'].values
plt.pie(data ,labels=labels, autopct=\'%1.1f%%\')
#设置显示图像为圆形
plt.axis(\'equal\')
# 标题
plt.title(\'福建省各市新冠疫情比例\')
plt.show()
(6)全球新冠肺炎疫情地图
因为世界地图的国家名是英文的,而爬取的数据的国家名是中文的,国家名对不上会导致数据显示不到地图上,所以要先建一个映射字典,将英文替换成中文
#中文国家名映射字典
nameMap = {
\'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\',\'Botswana\':\'博茨瓦纳\',\'Central African Rep.\':\'中非\',\'Canada\':\'加拿大\',
\'Switzerland\':\'瑞士\',\'Chile\':\'智利\',\'China\':\'中国\',\'Ivory Coast\':\'象牙海岸\',\'Cameroon\':\'喀麦隆\',\'Dem. Rep. Congo\':\'刚果(金)\',\'Congo\':\'刚果(布)\',
\'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\',\'Georgia\':\'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\':\'格陵兰岛\',
\'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\',
\'Kuwait\':\'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\',\'Morocco\':\'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\':\'蒙古国\',\'Mozambique\':\'莫桑比克\', \'Mauritania\':\'毛里塔尼亚\',\'Malawi\':\'马拉维\',
\'Malaysia\':\'马来西亚\',\'Namibia\':\'纳米比亚\',\'New Caledonia\':\'新喀里多尼亚\',\'Niger\':\'尼日尔\',\'Nigeria\':\'尼日利亚\',\'Nicaragua\':\'尼加拉瓜\',\'Netherlands\':\'荷兰\',
\'Norway\':\'挪威\',\'Nepal\':\'尼泊尔\',\'New Zealand\':\'新西兰\',\'Oman\':\'阿曼\',\'Pakistan\':\'巴基斯坦\',\'Panama\':\'巴拿马\',\'Peru\':\'秘鲁\',\'Philippines\':\'菲律宾\',
\'Papua New 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\',\'Rwanda\':\'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\',\'Sweden\':\'瑞典\',\'Swaziland\':\'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\',\'Zimbabwe\':\'津巴布韦\'
}
映射字典弄好后,就可以作图了
#用pyecharts库画全球疫情分布地图
import pandas as pd
from pyecharts.charts import Map,Geo
from pyecharts import options as opts
#自定义分段图例
pieces=[
{"max": 50000000, "min": 10000000, "label": ">1000万", "color": "#8B1A1A"},
{"max": 10000000, "min": 5000000, "label": "500万-1000万", "color": "#CD2626"},
{"max": 5000000, "min": 1000000, "label": "100万-500万", "color": "#EE2C2C"},
{"max": 1000000, "min": 100000, "label": "10万-100万", "color": "#FF3030"},
{"max": 100000, "min": 10000, "label": "10000-10万", "color": "#FA8072"},
{"max": 10000, "min": 1000, "label": "1000-10000", "color": "#FFF8DC"},
{"max": 1000, "min": 0, "label": "<500", "color": "#FFFFF0"},
]
name = []
values = []
# 导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
df_china = pd.read_csv("各省的新冠肺炎疫情数据.csv")
# 因为爬取的全球数据不包括中国,所以要把中国的数据加进去
china_data = sum(df_china[\'累计确诊\'])
values.append(china_data)
name.append(\'中国\')
# 处理数据,将数据处理成Map所要求的数据
for i in range(df_world.shape[0]): # shape[0]:行数,shape[1]:列数
name.append(df_world.at[i,\'名称\'])
values.append(str(df_world.at[i,\'累计确诊\']))
total = [[name[i],values[i]] for i in range(len(name))]
world_map = (Map())
#设置地图为世界地图、设置中文国家名、设置不显示国家首都红点
world_map.add("确诊人数",total ,maptype="world",name_map=nameMap,is_map_symbol_show=False)
#设置不显示国家名
world_map.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
world_map.set_global_opts(
# 标题
title_opts=opts.TitleOpts(title="全球各个国家新冠肺炎确诊人数"),
#设置自定义分段图例
visualmap_opts=opts.VisualMapOpts(max_=50000000,is_piecewise=True,pieces=pieces),
legend_opts=opts.LegendOpts(is_show=False)
)
# 直接在notebook显示地图,默认是保存为html文件
world_map.render_notebook()
(7)全球新冠肺炎疫情确诊人数排名前10的国家的条形图
# 全球新冠肺炎疫情确诊人数排名前10的国家
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
#画布大小
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
sns.barplot(x = df_world.iloc[0:11,0].values,y =df_world.iloc[0:11,2].values,palette="rocket")
#y轴刻度标签
ax.set_yticks([5000000,10000000,15000000,20000000,25000000,30000000,35000000])
ax.set_yticklabels(["500万","1000万","1500万","2000万","2500万","3000万","3500万"],fontsize=12)
#标题
plt.title("全球新冠肺炎疫情确诊人数排名前10的国家",fontsize=12)
#y轴标签
plt.ylabel("确 诊 人 数")
plt.show()
(8)全球新冠肺炎疫情确诊人数前5国家的确诊人数、治愈人数的条形图
import matplotlib.pyplot as plt
#画布大小
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
#国家
country = df_world.iloc[0:6,0]
#确诊人数
diagnosis = df_world.iloc[0:6,2]
#治愈人数
cured = df_world.iloc[0:6,3]
x = list(range(len(country)))
#设置间距
total_width, n = 0.5, 2
width = total_width / n
#柱状图1
for i in range(len(x)):
x[i] += width
plt.bar(x, diagnosis, width=width, label=\'确诊人数\', tick_label=country,color=\'#FF3030\' )
#柱状图2
for i in range(len(x)):
x[i] += width
plt.bar(x, cured, width=width, label=\'治愈人数\',color=\'#32CD32\')
#y轴刻度标签
ax.set_yticks([5000000,10000000,15000000,20000000,25000000,30000000,35000000])
ax.set_yticklabels(["500万","1000万","1500万","2000万","2500万","3000万","3500万"],fontsize=12)
#标题
plt.title("全球新冠肺炎疫情确诊人数前5国家的确诊人数、治愈人数")
#y轴标签
plt.ylabel("确 诊 人 数",fontsize=12)
#图例
plt.legend(loc=\'upper right\',fontsize=12)
plt.show()
(9)全球新冠肺炎疫情确诊人数前15国家的治愈率与死亡率的折线图
import pandas as pd
import matplotlib.pyplot as plt
# 创建画布
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
df_world[\'治愈率\'] = df_world[\'治愈\']/df_world[\'累计确诊\']
df_world[\'死亡率\'] = df_world[\'死亡\']/df_world[\'累计确诊\']
plt.plot(df_world.iloc[0:16,0],df_world.iloc[0:16,5],label="治愈率")
plt.plot(df_world.iloc[0:16,0],df_world.iloc[0:16,6],label="死亡率")
#y轴刻度标签
ax.set_yticks([0.05,0.2,0.4,0.6,0.8,1.0])
ax.set_yticklabels(["5 %","20 %","40 %","60 %","80 %","100 %"],fontsize=12)
plt.legend(loc=\'center right\',fontsize=12)
plt.title("全球新冠肺炎疫情确诊人数前15国家的治愈率与死亡率")
plt.grid()
plt.show()
完整代码
疫情数据爬取的完整代码
import requests
from bs4 import BeautifulSoup
import pandas as pd
# 主函数
def main():
# 中国新冠疫情数据网址
url = "https://www.haoyunbb.com/news/3/36573.html"
html = getUrlData(url)
total_data1 = getProvinceData(html)
total_data2 = getCitiData(html)
# 全球(国外)新冠疫情数据网址
url = "https://www.haoyunbb.com/news/3/39230.html"
html = getUrlData(url)
total_data3 = getWorldData(html)
saveData(total_data1,total_data2,total_data3)
# 获取网页数据
def getUrlData(url):
try:
# get请求,设置超时时间
r = requests.get(url,headers=headers,timeout=30)
r.raise_for_status
r.encoding=r.apparent_encoding
html = r.text
return html
except:
return \'发生异常\'
# 获取中国每个省的疫情数据
def getProvinceData(html):
total_data=[]
temporary=[]
new_diagnosis_data=[]
cumulative_diagnosis_data=[]
cured_data=[]
dead_data=[]
soup = BeautifulSoup(html,\'html.parser\')
# 找到 class=data-list 的div标签
data = soup.find(\'div\',{\'class\':\'data-list\'})
ul = data.find(\'ul\')
div = ul.find_all(\'div\',{\'class\':\'list-pro-name\'})
province_name_data=[]
for i in div:
# 获取省的名称
# 省名称在label标签里
province_name = i.find(\'label\').string
province_name_data.append(province_name)
# 用CSS选择器获取第一层的数据(每个省的数据)
diagnosis = soup.select(\'div.data-list > ul > li > div.list-city-data\')
for i in diagnosis:
temporary.append(i.string)
total = [temporary[i:i+4] for i in range(0,len(temporary),4)]
for i in range(len(total)):
# 获取新增确诊人数
new_diagnosis_data.append(total[i][0])
# 获取累计确诊人数
cumulative_diagnosis_data.append(total[i][1])
# 获取治愈人数
cured_data.append(total[i][2])
# 获取死亡人数
dead_data.append(total[i][3])
total_data.append(province_name_data)
total_data.append(new_diagnosis_data)
total_data.append(cumulative_diagnosis_data)
total_data.append(cured_data)
total_data.append(dead_data)
return total_data
# 获取福建省每个市的疫情数据
def getCitiData(html):
citi_name_data=[]
new_diagnosis_data=[]
cumulative_diagnosis_data=[]
cured_data=[]
dead_data=[]
total_data=[]
soup = BeautifulSoup(html,\'html.parser\')
data = soup.find(\'div\',{\'class\':\'data-list\'})
# 找到有唯一标识的属性的input标签
input1 = data.find(\'input\',{\'id\':\'_209\'})
# 找到input标签的的父标签
div = input1.parent
# 找到所有的li
li = div.find_all(\'li\')
# 遍历li组成的列表
for i in range(1,len(li)):
# 获取市名称
citi_name = li[i].find(\'div\',{\'class\':\'list-city-name\'})
citi_name_data.append(citi_name.string+\'市\')
div = li[i].find_all(\'div\',{\'class\':\'list-city-data\'})
# 获取新增确诊人数
new_diagnosis = div[0].string
new_diagnosis_data.append(new_diagnosis)
# 获取累计确诊人数
cumulative_diagnosis = div[1].string
cumulative_diagnosis_data.append(cumulative_diagnosis)
# 获取治愈人数
cured = div[2].string
cured_data.append(cured)
# 获取死亡人数
dead = div[3].string
dead_data.append(dead)
total_data.append(citi_name_data)
total_data.append(new_diagnosis_data)
total_data.append(cumulative_diagnosis_data)
total_data.append(cured_data)
total_data.append(dead_data)
return total_data
# 获取全球每个国家的疫情数据
def getWorldData(html):
country_name_data=[]
new_diagnosis_data=[]
cumulative_diagnosis_data=[]
cured_data=[]
dead_data=[]
total_data=[]
soup = BeautifulSoup(html,\'html.parser\')
data = soup.find(\'div\',{\'class\':\'data-list\'})
# 因为有两层li,我们需要的是第二层的li,所以可以通过CSS选择器来获取第二层的li
data_list = data.select(\'ul > li > div > div > ul > li\')
for i in range(12,len(data_list)-1):
div = data_list[i].find_all(\'div\')
# 获取国家名称
country_name = div[0].string
country_name_data.append(country_name)
# 获取新增确诊人数
new_diagnosis = div[1].string
new_diagnosis_data.append(new_diagnosis)
# 获取累计确诊人数
cumulative_diagnosis = div[2].string
cumulative_diagnosis_data.append(cumulative_diagnosis)
# 获取治愈人数
cured = div[3].string
cured_data.append(cured)
# 获取死亡人数
dead = div[4].string
dead_data.append(dead)
total_data.append(country_name_data)
total_data.append(new_diagnosis_data)
total_data.append(cumulative_diagnosis_data)
total_data.append(cured_data)
total_data.append(dead_data)
return total_data
# 保存数据
def saveData(total_data1,total_data2,total_data3):
df1 = data(total_data1)
df2 = data(total_data2)
df3 = data(total_data3)
# 将爬取的数据保存为csv文件
df1.to_csv("各省的新冠肺炎疫情数据.csv",encoding=\'utf-8\')
df2.to_csv("各市的新冠肺炎疫情数据.csv",encoding=\'utf-8\')
df3.to_csv("各国家的新冠肺炎疫情数据.csv",encoding=\'utf-8\')
def data(total_data):
df = pd.DataFrame({\'名称\':total_data[0],\'新增确诊\':total_data[1],\'累计确诊\':total_data[2],\'治愈\':total_data[3],\'死亡\':total_data[4]})
# 将名称列设置为索引列
df = df.set_index(\'名称\')
return df
# 程序入口
if __name__== "__main__":
main()
# 数据清洗与处理
#因为全球疫情的数据量较大,所以我们可以通过pandas库来查看数据是否有异常、缺失、重复
import pandas as pd
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
# 查看数据的简要信息
# 通过查看数据的简要信息,数据正常,数据的最小值也不是负数
df_world.describe()
# 查看是否有空值,有空值返回True,没有空值返回False
df_world.isnull().value_counts()
# 查看是否有重复行,有重复行返回True,没有重复行返回False
df_world.duplicated()
#根据累计确诊人数对数据进行降序排序
df = df_world.sort_values(by=\'累计确诊\',ascending=False)
#保存处理后的数据
import pandas as pd
df = df.set_index(\'名称\')
df.to_csv("各国家的新冠肺炎疫情数据.csv",encoding=\'utf-8\')
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
df_world.head()
# 数据可视化
# 用pyecharts库画中国新冠疫情地图
from pyecharts import options as opts
from pyecharts.charts import Map
import pandas as pd
# 自定义分段图例
pieces=[
{"max": 70000, "min": 3000, "label": ">3000", "color": "#B40404"},
{"max": 3000, "min": 1000, "label": "1000-3000", "color": "#DF0101"},
{"max": 1000, "min": 100, "label": "100-1000", "color": "#F78181"},
{"max": 100, "min": 10, "label": "10-100", "color": "#F5A9A9"},
{"max": 10, "min": 0, "label": "<10", "color": "#FFFFCC"},
]
name = []
values = []
# 导入数据
df = pd.DataFrame(pd.read_csv("各省的新冠肺炎疫情数据.csv"))
# 处理数据,将数据处理成Map所要求的数据
for i in range(df.shape[0]): # shape[0]:行数,shape[1]:列数
name.append(df.at[i,\'名称\'])
values.append(str(df.at[i,\'累计确诊\']))
total = [[name[i],values[i]] for i in range(len(name))]
# 创建地图(Map)
china_map = (Map())
# 设置中国地图
china_map.add("确诊人数",total ,maptype="china",is_map_symbol_show=False)
china_map.set_global_opts(
# 设置地图标题
title_opts=opts.TitleOpts(title="中国各省、直辖市、自治区、特别行政区新冠肺炎确诊人数"),
# 设置自定义图例
visualmap_opts=opts.VisualMapOpts(max_=70000,is_piecewise=True,pieces=pieces),
legend_opts=opts.LegendOpts(is_show=False)
)
# 直接在notebook显示地图,默认是保存为html文件
china_map.render_notebook()
中国确诊人数前15地区的治愈率与死亡率折线图
import pandas as pd
import matplotlib.pyplot as plt
# 创建画布
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
# 导入数据
df_china = pd.read_csv("各省的新冠肺炎疫情数据.csv")
df_china[\'治愈率\'] = df_china[\'治愈\']/df_china[\'累计确诊\']
df_china[\'死亡率\'] = df_china[\'死亡\']/df_china[\'累计确诊\']
plt.plot(df_china.iloc[0:16,0],df_china.iloc[0:16,5],label="治愈率")
plt.plot(df_china.iloc[0:16,0],df_china.iloc[0:16,6],label="死亡率")
# y轴刻度标签
ax.set_yticks([0.05,0.2,0.4,0.6,0.8,1.0])
ax.set_yticklabels(["5 %","20 %","40 %","60 %","80 %","100 %"],fontsize=12)
# 图例
plt.legend(loc=\'center right\',fontsize=12)
# 标题
plt.title("中国确诊人数前15地区的治愈率与死亡率")
# 网格
plt.grid()
plt.show()
# 中国确诊人数前15地区的新增确诊人数折线图
import pandas as pd
import matplotlib.pyplot as plt
# 创建画布
fig=plt.figure(figsize=(10,8))
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_china = pd.read_csv("各省的新冠肺炎疫情数据.csv")
plt.plot(df_china.iloc[0:15,0],df_china.iloc[0:15,1],label="新增确诊")
# 图例
plt.legend(fontsize=12)
# 标题
plt.title("中国确诊人数前15地区的新增确诊人数")
# y轴标签
plt.ylabel(\'人数\')
# 网格
plt.grid()
plt.show()
#用pyecharts库画福建疫情分布地图
import pandas as pd
from pyecharts.charts import Map,Geo
from pyecharts import options as opts
#自定义分段图例
pieces=[
{"max": 100, "min": 70, "label": ">70", "color": "#B40404"},
{"max": 70, "min": 40, "label": "40-79", "color": "#DF0101"},
{"max": 40, "min": 20, "label": "20-40", "color": "#F78181"},
{"max": 20, "min": 10, "label": "10-20", "color": "#F5A9A9"},
{"max": 10, "min": 0, "label": "<10", "color": "#FFFFCC"},
]
name = []
values = []
#导入数据
df_citi = pd.read_csv("各市的新冠肺炎疫情数据.csv")
# 处理数据,将数据处理成Map所要求的数据
for i in range(df_citi.shape[0]): # shape[0]:行数,shape[1]:列数
name.append(df_citi.at[i,\'名称\'])
values.append(str(df_citi.at[i,\'累计确诊\']))
total = [[name[i],values[i]] for i in range(len(name))]
# 创建地图
chinaciti_map = (Map())
# 设置福建省地图
chinaciti_map.add("确诊人数",total ,maptype="福建",is_map_symbol_show=False)
chinaciti_map.set_global_opts(
# 地图标题
title_opts=opts.TitleOpts(title="福建各市新冠肺炎确诊人数"),
# 设置自定义图例
visualmap_opts=opts.VisualMapOpts(max_=100,is_piecewise=True,pieces=pieces),
legend_opts=opts.LegendOpts(is_show=False)
)
# 直接在notebook显示地图,默认是保存为html文件
chinaciti_map.render_notebook()
#福建省各市新冠疫情比例饼图
import matplotlib.pyplot as plt
import pandas as pd
# 创建画布
plt.figure(figsize=(6,4))
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_citi = pd.read_csv("各市的新冠肺炎疫情数据.csv")
labels = df_citi[\'名称\'].values
data = df_citi[\'累计确诊\'].values
plt.pie(data ,labels=labels, autopct=\'%1.1f%%\')
#设置显示图像为圆形
plt.axis(\'equal\')
# 标题
plt.title(\'福建省各市新冠疫情比例\')
plt.show()
#用pyecharts库画全球疫情分布地图
import pandas as pd
from pyecharts.charts import Map,Geo
from pyecharts import options as opts
#自定义分段图例
pieces=[
{"max": 50000000, "min": 10000000, "label": ">1000万", "color": "#8B1A1A"},
{"max": 10000000, "min": 5000000, "label": "500万-1000万", "color": "#CD2626"},
{"max": 5000000, "min": 1000000, "label": "100万-500万", "color": "#EE2C2C"},
{"max": 1000000, "min": 100000, "label": "10万-100万", "color": "#FF3030"},
{"max": 100000, "min": 10000, "label": "10000-10万", "color": "#FA8072"},
{"max": 10000, "min": 1000, "label": "1000-10000", "color": "#FFF8DC"},
{"max": 1000, "min": 0, "label": "<500", "color": "#FFFFF0"},
]
name = []
values = []
# 导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
df_china = pd.read_csv("各省的新冠肺炎疫情数据.csv")
# 因为爬取的全球数据不包括中国,所以要把中国的数据加进去
china_data = sum(df_china[\'累计确诊\'])
values.append(china_data)
name.append(\'中国\')
# 处理数据,将数据处理成Map所要求的数据
for i in range(df_world.shape[0]): # shape[0]:行数,shape[1]:列数
name.append(df_world.at[i,\'名称\'])
values.append(str(df_world.at[i,\'累计确诊\']))
total = [[name[i],values[i]] for i in range(len(name))]
world_map = (Map())
#设置地图为世界地图、设置中文国家名、设置不显示国家首都红点
world_map.add("确诊人数",total ,maptype="world",name_map=nameMap,is_map_symbol_show=False)
#设置不显示国家名
world_map.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
world_map.set_global_opts(
# 标题
title_opts=opts.TitleOpts(title="全球各个国家新冠肺炎地图"),
#设置自定义分段图例
visualmap_opts=opts.VisualMapOpts(max_=50000000,is_piecewise=True,pieces=pieces),
legend_opts=opts.LegendOpts(is_show=False)
)
# 直接在notebook显示地图,默认是保存为html文件
world_map.render_notebook()
# 全球新冠肺炎疫情确诊人数排名前10的国家
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
#画布大小
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
sns.barplot(x = df_world.iloc[0:11,0].values,y =df_world.iloc[0:11,2].values,palette="rocket")
#y轴刻度标签
ax.set_yticks([5000000,10000000,15000000,20000000,25000000,30000000,35000000])
ax.set_yticklabels(["500万","1000万","1500万","2000万","2500万","3000万","3500万"],fontsize=12)
#标题
plt.title("全球新冠肺炎疫情确诊人数排名前10的国家",fontsize=12)
#y轴标签
plt.ylabel("确 诊 人 数")
plt.show()
import matplotlib.pyplot as plt
#画布大小
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
#国家
country = df_world.iloc[0:6,0]
#确诊人数
diagnosis = df_world.iloc[0:6,2]
#治愈人数
cured = df_world.iloc[0:6,3]
x = list(range(len(country)))
#设置间距
total_width, n = 0.5, 2
width = total_width / n
#柱状图1
for i in range(len(x)):
x[i] += width
plt.bar(x, diagnosis, width=width, label=\'确诊人数\', tick_label=country,color=\'#FF3030\' )
#柱状图2
for i in range(len(x)):
x[i] += width
plt.bar(x, cured, width=width, label=\'治愈人数\',color=\'#32CD32\')
#y轴刻度标签
ax.set_yticks([5000000,10000000,15000000,20000000,25000000,30000000,35000000])
ax.set_yticklabels(["500万","1000万","1500万","2000万","2500万","3000万","3500万"],fontsize=12)
#标题
plt.title("全球新冠肺炎疫情确诊人数前5国家的确诊人数、治愈人数")
#y轴标签
plt.ylabel("确 诊 人 数",fontsize=12)
#图例
plt.legend(loc=\'upper right\',fontsize=12)
plt.show()
import pandas as pd
import matplotlib.pyplot as plt
# 创建画布
fig=plt.figure(figsize=(10,8))
ax=fig.add_subplot(1,1,1)
#中文字体
plt.rcParams[\'font.family\'] = [\'SimHei\']
#导入数据
df_world = pd.read_csv("各国家的新冠肺炎疫情数据.csv")
df_world[\'治愈率\'] = df_world[\'治愈\']/df_world[\'累计确诊\']
df_world[\'死亡率\'] = df_world[\'死亡\']/df_world[\'累计确诊\']
plt.plot(df_world.iloc[0:16,0],df_world.iloc[0:16,5],label="治愈率")
plt.plot(df_world.iloc[0:16,0],df_world.iloc[0:16,6],label="死亡率")
#y轴刻度标签
ax.set_yticks([0.05,0.2,0.4,0.6,0.8,1.0])
ax.set_yticklabels(["5 %","20 %","40 %","60 %","80 %","100 %"],fontsize=12)
plt.legend(loc=\'center right\',fontsize=12)
plt.title("全球新冠肺炎疫情确诊人数前15国家的治愈率与死亡率")
plt.grid()
plt.show()
总结
因为这次的主题爬虫爬的是最基础的网站,所以进行的还是比较顺利的。在数据的可视化上,除了用pyecharts库的Map模块将数据显示到地图上花了一些功夫,其他都还好,达到了我的预期效果。
因为现在很多网站是用JSON存储数据或者用JS动态加载数据的,所以之后会多学习这些方面的知识。
以上是关于Python | 新冠肺炎疫情数据的爬取与可视化分析的主要内容,如果未能解决你的问题,请参考以下文章
每日一练:Python爬虫爬取全国新冠肺炎疫情数据实例详解,使用beautifulsoup4库实现