Python制作新型冠状病毒疫情地图-(世界中国)

2023-10-13 20:50
文章标签 python 新型 世界 中国 制作 地图 疫情 冠状病毒

本文主要是介绍Python制作新型冠状病毒疫情地图-(世界中国)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

之前分享过一篇关于python爬虫制作疫情地图的博客，因为pyecharts版本的不同，其中实现方法也有些许区别。本篇博客中制作地图的代码是在pyecharts 0.5.10版本下完成的。
pyecharts高版本的map地图制作请点这里

1、导包：

import re
from bs4 import BeautifulSoup
from urllib.request import urlopen
from pyecharts import Map, Geo
from world_name_dict import world_name_dict as world_names
说明：

from world_name_dict import world_name_dict as world_names
world_name_dict 是世界各国中英文对照的字典，为显示世界地图做转换。

2、爬虫：爬取疫情数据网页

爬取的疫情详情网页是：丁香园-丁香医生的疫情网页
网页地址：https://3g.dxy.cn/newh5/view/pneumonia_peopleapp
导入urlopen函数，读取网页内容，如果网页中有中文要用“utf-8”解码

html = urlopen("https://3g.dxy.cn/newh5/view/pneumonia_peopleapp"
).read().decode('utf-8')
#获取html网页的源代码
bs= BeautifulSoup(html,"html.parser")
print(bs.body)

3、国内疫情地图：map

（1）对源代码进行操作：
str1=bs.body.text
# print(str1)
str1=str1[str1.find('window.getAreaStat = '):]    #查找字符串中指定国内省份对应数据的关键字，进行截取
data = str1[str1.find('[{'):str1.find('}catch')]
data_list=eval(data)    #字符串转字典数组
# print(type(data_list))
# print(data_list)
new_dict={}   #省份现存确诊数
new_dict1={}   #省份累计确诊数
(2) 遍历数据，获取累计确诊与现存确诊：
#循环遍历data_list取数据{省份：确诊数}
for province in data_list:#将省份现存确诊数放入new_dict字典中，处理不合格的省份名称replacenew_dict[province['provinceName'].replace('自治区','').replace('回族','').replace('维吾尔','').replace('省','').replace('市','').replace('壮族','')] = province['currentConfirmedCount']#省份累计确诊数new_dict1[province['provinceName'].replace('自治区','').replace('回族','').replace('维吾尔','').replace('省','').replace('市','').replace('壮族','')] = province['confirmedCount']print(new_dict)
print(new_dict1)
(3) 国内省份地图-现存确诊：
province=list(new_dict.keys())   #将字典中的省份key以列表的形式取出来
values=list(new_dict.values())   #将字典中确诊数values以列表形式取出来
map = Map("中国地图","map小练习", width=1600, height=800,title_pos="left",title_color="#404a59")
map.add("现存确诊", province, values,
pieces=[{"max": 0, "label": "0人", "color": "#FFFFFF"},{"min": 1, "max": 9, "label": "1-10人", "color": "#FFEBCD"},{"min": 10, "max": 99, "label": "10-99人", "color": "#FFA07A"},{"min": 100, "max": 499, "label": "100-499人", "color": "#FF4040"},{"min": 500, "max": 999, "label": "500-999人", "color": "#CD2626"},{"min": 1000, "max": 10000, "label": "1000-10000人", "color": "#B22222"},{'min': 10000, "label": ">10000人", "color": "#8B1A1A"}],  # 不指定 max，表示 max 为无限大
isual_range=[0, 1000],is_piecewise=True,is_visualmap=True,visual_split_number=5,maptype='china',visual_text_color='#000',
is_label_show=True,is_map_symbol_show=False)
# maptype='china' 只显示全国直辖市和省级
# 数据只能是省名和直辖市的名称
map.show_config()
map.render(path="G:/疫情地图-中国现存确诊.html")
(4) 国内省份地图-累计确诊：
province1=list(new_dict1.keys())
values1=list(new_dict1.values())
map = Map("中国地图","map小练习", width=1600, height=800,title_pos="left",title_color="#404a59")
map.add("确诊", province1,values1,
pieces=[{"max": 0, "label": "0人", "color": "#FFFFFF"},{"min": 1, "max": 9, "label": "1-10人", "color": "#FFEBCD"},{"min": 10, "max": 99, "label": "10-99人", "color": "#FFA07A"},{"min": 100, "max": 499, "label": "100-499人", "color": "#FF4040"},{"min": 500, "max": 999, "label": "500-999人", "color": "#CD2626"},{"min": 1000, "max": 10000, "label": "1000-10000人", "color": "#B22222"},{'min': 10000, "label": ">10000人", "color": "#8B1A1A"}],  # 不指定 max，表示 max 为无限大
isual_range=[0, 1000],is_piecewise=True,is_visualmap=True,visual_split_number=5,maptype='china',visual_text_color='#000',
is_label_show=True,is_map_symbol_show=False)
# maptype='china' 只显示全国直辖市和省级
# 数据只能是省名和直辖市的名称
map.show_config()
map.render(path="G:/疫情地图-中国累计确诊.html")
map.add中的标签属性：

map.add()：
visual_text_color：标签颜色
is_piecewise ：颜色是否分段显示（False为渐变，True为分段）
is_visualmap：是否映射（数量与颜色深浅是否挂钩）
maptype ：地图类型，可以是中国地图，省地图，市地图等等
visual_split_number ：可视化数值分组
is_label_show = True, # 显示各区域名称
symbol=“circle”：标记的形状（circle，pin，rect，diamon，roundRect，arrow，triangle）
geo_normal_color="#006edd"：地图颜色
geo_emphasis_color="#0000ff"：鼠标放在地图上的颜色

累计确诊：

在这里插入图片描述

现存确诊：

在这里插入图片描述

4、世界疫情地图：

（1）处理源码：
str2=bs.body.text
str2=str2[str2.find('window.getListByCountryTypeService2 = '):]
data2=str2[str2.find('[{'):str2.find('}catch')]
data_list2=eval(data2)
# print(data_list2)
world_confirmedCount={}   #世界累计确诊数
（2）引用world_name_dict 中的字典（世界中英文字典），将各国名称的中文转换为英文：
for province2 in data_list2:#对特殊字符串做处理world_confirmedCount[province2['provinceName'].replace('钻石公主号邮轮','').replace('其他','')]=province2['confirmedCount']world_confirmedCount[province2['provinceName']]=province2['confirmedCount']try:#获取中英文字典中的key，也就是英文的各国名称world_confirmedCount[[k for (k, v) in world_names.items() if v == province2['provinceName']][0]] = province2['confirmedCount']  # 全世界的国家except Exception as e:print('exception:',province2['provinceName'],' ',e)world_confirmedCount[province2['continents']] = province2['confirmedCount']   #亚洲，非洲...
print(world_confirmedCount)
print("总共有",len(world_confirmedCount),"个国家")
（3）寻找包含中国疫情确诊数据的字符串并截取：

从body的字符串中可知，有关世界疫情的数据中不包含中国的数据，所以我们要取中国的确诊数据，再加入到世界的数据中。即加入到world_confirmedCount中。

ChinaCount=re.search(r'"countRemark":"","currentConfirmedCount":(\-?)\d*,"confirmedCount":(\-?)\d*', bs.body.text)
print("中国现存确诊与累计确诊：",ChinaCount)
（4）进一步取中国确诊数：

对ChinaCount进行操作，去掉字符串countRemark

zs_dict=eval('{'+ChinaCount.group().replace('"countRemark":"",','')+'}')

删除中国的现存确诊currentConfirmedCount，只保留累计确诊

del zs_dict['currentConfirmedCount']
（5）将确诊数confirmedCount的键值key替换为China
zs_dict['China']=zs_dict.pop('confirmedCount')

因为源码中confirmedCount的key值是provinceName，所以要进行替换。

（6）最后将中国加入到世界疫情确诊数中：
# 将中国累计确诊数据{'China': 80981}添加到world_dict
world_confirmedCount.update(zs_dict)

此时world_dict中就包含了所有的国家疫情确诊信息。

（7）绘制世界地图：
country = list(world_confirmedCount.keys())
value=list(world_confirmedCount.values())
print(country)
print(value)
map0 = Map("世界地图示例", width=1400, height=800)
map0.add("世界地图",country, value, maptype="world",  is_visualmap=True, is_piecewise=True, visual_text_color='#000',
pieces=[
{"max":0,"label":"0人","color":"#FFFFFF"},
{"min":1,"max":9,"label":"1-9人","color":"#FFEBCD"},
{"min":10,"max":99,"label":"10-99人","color":"#FFA07A"},
{"min":100,"max":499,"label":"100-499人","color":"#FF7F50"},
{"min":500,"max":999,"label":"500-999人","color":"#CD4F39"},
{'min':1000,"max":10000,"label":"1000-10000人","color":"#CD3333"},
{'min':10000,"label":">10000人","color":"#8B0000"}  #不指定 max，表示 max 为无限大
],is_label_show = False,is_map_symbol_show=False
)
map0.render(path="G:/新冠肺炎-世界地图.html")

在这里插入图片描述
世界地图我只画了累计确诊数据的，现存确诊的你可以自己尝试的画一下哦，方法是一样的。
小白一个，请各位大神指教！

这篇关于Python制作新型冠状病毒疫情地图-(世界中国)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/205805。

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题：墙体两侧特征混淆误匹配，导致建图和定位偏差，表现为过门跳变、外月台走歪等 ·解决思路：预期的根治方案IGICP需要较长时间完成上线，先使用切分地图的工程化方案，即墙体两侧切分为不同地图，在某一侧只使用该侧地图进行定位 方案思路 切分原理：切分地图基于关键帧位置，而非点云。 理论基础：光照是直线的，一帧点云必定只能照射到墙的一侧，无法同时照到两侧实践考虑：关
阅读更多...
python: 多模块(.py)中全局变量的导入

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别： 当你在一个模块（文件）中使用 global 声明变量时，这个变量只在该模块的全局命名空
阅读更多...
跨国公司撤出在华研发中心的启示：中国IT产业的挑战与机遇

跨国公司撤出在华研发中心的启示：中国IT产业的挑战与机遇

近日，IBM中国宣布撤出在华的两大研发中心，这一决定在IT行业引发了广泛的讨论和关注。跨国公司在华研发中心的撤出，不仅对众多IT从业者的职业发展带来了直接的冲击，也引发了人们对全球化背景下中国IT产业竞争力和未来发展方向的深思。面对这一突如其来的变化，我们应如何看待跨国公司的决策？中国IT人才又该如何应对？中国IT产业将何去何从？本文将围绕这些问题展开探讨。 跨国公司撤出的背景与
阅读更多...
揭秘世界上那些同时横跨两大洲的国家

揭秘世界上那些同时横跨两大洲的国家

我们在《世界人口过亿的一级行政区分布》盘点全球是那些人口过亿的一级行政区。 现在我们介绍五个横跨两州的国家，并整理七大洲和这些国家的KML矢量数据分析分享给大家，如果你需要这些数据，请在文末查看领取方式。 世界上横跨两大洲的国家 地球被分为七个大洲分别是亚洲、欧洲、北美洲、南美洲、非洲、大洋洲和南极洲。 七大洲示意图 其中，南极洲是无人居住的大陆，而其他六个大洲则孕育了众多国家和
阅读更多...
【Python编程】Linux创建虚拟环境并配置与notebook相连接

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如，在当前目录下创建一个名为 myenv 的虚拟环境： python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行： source myenv/bin/activate 3.与notebook连接 在虚拟环境中，使用 pip 安装 Jupyter 和 ipykernel： pip instal
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...
nudepy，一个有趣的 Python 库！

nudepy，一个有趣的 Python 库！

更多资料获取 📚 个人网站：ipengtao.com 大家好，今天为大家分享一个有趣的 Python 库 - nudepy。 Github地址：https://github.com/hhatto/nude.py 在图像处理和计算机视觉应用中，检测图像中的不适当内容（例如裸露图像）是一个重要的任务。nudepy 是一个基于 Python 的库，专门用于检测图像中的不适当内容。该
阅读更多...
从戴尔公司中国大饭店DTF大会，看科技外企如何在中国市场发展

从戴尔公司中国大饭店DTF大会，看科技外企如何在中国市场发展

【科技明说 ｜ 科技热点关注】 2024戴尔科技峰会在8月如期举行，虽然因事未能抵达现场参加，我只是观看了网上在线直播，也未能采访到DTF现场重要与会者，但是通过数十年对戴尔的跟踪与观察，我觉得2024戴尔科技峰会给业界传递了6大重要信号。不妨简单聊聊：从戴尔公司中国大饭店DTF大会，看科技外企如何在中国市场发展？ 1）退出中国的谣言不攻自破。 之前有不良媒体宣扬戴尔将退出中国的谣言，随着2
阅读更多...
pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

pip-tools：打造可重复、可控的 Python 开发环境，解决依赖关系，让代码更稳定

在 Python 开发中，管理依赖关系是一项繁琐且容易出错的任务。手动更新依赖版本、处理冲突、确保一致性等等，都可能让开发者感到头疼。而 pip-tools 为开发者提供了一套稳定可靠的解决方案。 什么是 pip-tools？ pip-tools 是一组命令行工具，旨在简化 Python 依赖关系的管理，确保项目环境的稳定性和可重复性。它主要包含两个核心工具：pip-compile 和 pip
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2