
作者:Python进阶者
来源:Python爬虫与数据挖掘
前几天有个学生娃子找我帮忙做点可视化的作业,其实倒是也不难,觉得挺有意思,这里拿出来给大家分享,主要是完成了轮播图的制作,显得作业高大上一些。
首先是数据来源,来自百度疫情实时大数据报告,如下图所示。
新增感染病例
这里直接上代码和效果图,如下所示:
from pyecharts.charts import Map, Timeline from pyecharts import options as opts # 准数据 shanxi_city = ["西安市", "延安市", "咸阳市", "渭南市", "安康市", "汉中市", "宝鸡市", "铜川市", "商洛市", "榆林市", "韩城市", "杨凌示范区"]
shanxi_data = [46, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] # 绘制陕西疫情地图 map = (
Map()
.add('陕西省', [(i, j) for i, j in zip(shanxi_city, shanxi_data)], '陕西')
.set_global_opts(title_opts=opts.TitleOpts(title='陕西省新增感染病例疫情图'), visualmap_opts=opts.VisualMapOpts(max_=50, is_piecewise=True))
) # 渲染数据 map.render('陕西省新增感染病例疫情图.html')
运行之后,得到的效果图如下所示:
代码和上面差不多,只需要更改下数据即可,这里直接放效果图了,如下图所示:
代码和上面差不多,只需要更改下数据即可,这里直接放效果图了,如下图所示:
代码和上面差不多,只需要更改下数据即可,这里直接放效果图了,如下图所示:
代码和上面差不多,只需要更改下数据即可,这里直接放效果图了,如下图所示:
这里给大家分享轮播效果图的代码,原理倒是不难,后面自己直接套用就行,代码如下:
from pyecharts.charts import Map, Timeline from pyecharts import options as opts # 1. 准数据 shanxi_city = ["西安市", "延安市", "咸阳市", "渭南市", "安康市", "汉中市", "宝鸡市", "铜川市", "商洛市", "榆林市", "韩城市", "杨凌示范区"] xinzeng = [46, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] xianyou = [1747, 13, 11, 1, 0, 0, 0, 0, 0, 0, 0, 0] leiji = [2094, 21, 31, 18, 26, 26, 13, 8, 7, 3, 1, 1] zhiyu = [304, 8, 20, 17, 26, 26, 13, 8, 7, 3, 1, 1] siwang = [3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0] # 2. 绘制新增疫情地图:格式一 map1 = ( Map(init_opts=opts.InitOpts(width="700px", height="300px", theme="blue")) .add('新增病例', [(i, j) for i, j in zip(shanxi_city, xinzeng)], '陕西') .set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=50)) ) # 3. 绘制现有疫情地图:格式二 map2 = ( Map() .add('现有病例', [(i, j) for i, j in zip(shanxi_city, xianyou)], '陕西') .set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=1750, is_piecewise=True)) ) # 4. 绘制累计疫情地图:格式三 map3 = ( Map() .add('累计病例', [(i, j) for i, j in zip(shanxi_city, leiji)], '陕西') .set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=2100, is_piecewise=True)) ) # 5. 绘制治愈疫情地图:格式四 map4 = ( Map() .add('治愈病例', [(i, j) for i, j in zip(shanxi_city, zhiyu)], '陕西') .set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=310, is_piecewise=True)) ) # 6. 绘制死亡疫情地图:格式五 map5 = ( Map() .add('死亡病例', [(i, j) for i, j in zip(shanxi_city, siwang)], '陕西') .set_global_opts(visualmap_opts=opts.VisualMapOpts(max_=3, is_piecewise=True)) ) # 7. 创建组合类对象 timeline = Timeline(init_opts=opts.InitOpts(width='720px', height='350px')) # 8. 在组合对象中添加需要组合的图表对象 timeline.add(chart=map1, time_point="陕西省新增病例疫情图") timeline.add(chart=map2, time_point="陕西省现有病例疫情图") timeline.add(chart=map3, time_point="陕西省累计病例疫情图") timeline.add(chart=map4, time_point="陕西省治愈病例疫情图") timeline.add(chart=map5, time_point="陕西省死亡病例疫情图") timeline.add_schema(is_auto_play=True, play_interval=2000) # 9. 渲染数据 timeline.render('陕西省疫情轮播图.html')
实现的效果图如下:
实际上它是动态的,我这里没有转gif格式,看上去有点干巴,问题不大。
大家好,我是Python进阶者。这篇文章主要基于百度疫情实时大数据报告数据,利用了Python中的可视化库pyecharts给大家分享了省位地图的制作和轮播图的制作方法。
最后也欢迎大家积极尝试,有好的内容也可以分享给我噢!
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-29左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-29CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-29CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-29解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-29解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-29鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-29用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-29从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-29CDA 数据分析师的工作范围解析 在数字化时代的浪潮下,数据已成为企业发展的核心资产之一。CDA(Certified Data Analyst)数据分 ...
2025-07-29解析 insert into select 是否会锁表:原理、场景与应对策略 在数据库操作中,insert into select 是一种常用的批量数据插入语句 ...
2025-07-29用 Power BI 制作地图热力图:基于经纬度数据的实践指南 在数据可视化领域,地图热力图凭借直观呈现地理数据分布密度的优势,成 ...
2025-07-29从数据到决策:CDA 数据分析师如何重塑职场竞争力与行业价值 在数字经济席卷全球的今天,数据已从 “辅助工具” 升级为 “核心资 ...
2025-07-292025 年 CDA 数据分析师考纲焕新,引领行业人才新标准 在数字化浪潮奔涌向前的当下,数据已成为驱动各行业发展的核心要素。作为 ...
2025-07-29PyTorch 核心机制:损失函数与反向传播如何驱动模型进化 在深度学习的世界里,模型从 “一无所知” 到 “精准预测” 的蜕变,离 ...
2025-07-29t 检验与 Wilcoxon 检验:数据差异分析的两大核心方法 在数据分析的广阔领域中,判断两组或多组数据之间是否存在显著差异是一项 ...
2025-07-29PowerBI 添加索引列全攻略 在使用 PowerBI 进行数据处理与分析时,添加索引列是一项极为实用的操作技巧。索引列能为数据表中的每 ...
2025-07-29CDA 数据分析师必备技能全解析 在数据驱动决策的时代,CDA 数据分析师作为连接数据与业务价值的桥梁,需要具备多元化的技能体系 ...
2025-07-29解析 LSTM 训练后输出不确定:成因与破解之道 在深度学习处理序列数据的领域,长短期记忆网络(LSTM)凭借其捕捉长距离依赖关系 ...
2025-07-29χ² 检验与 t 检验:数据差异分析的两大核心工具 在统计学的方法论体系中,假设检验是验证数据规律、判断差异显著性的核心手段 ...
2025-07-29