Python绘制新冠肺炎疫情图

我就是我 2021-07-26 20:14 469阅读 0赞

**写在前面的话**

在《诗经·秦风》中有一篇叫做《无衣》的诗歌，其中这样写道：岂曰无衣？与子同袍，与子同仇！岂曰无衣？与子同泽，与子偕作！岂曰无衣？与子同裳，与子偕行！这句话的意思就是：谁说没有衣裳？和你穿同样的战袍，和你同仇敌忾！谁说没有衣裳？和你穿同样的内衣，和你共同作准备！谁说没有衣裳？和你穿同样的战裙，和你共同上前线！

新型冠状病毒感染引发肺炎疫情，各地物资紧急调配驰援武汉，全力以赴，坚决打赢疫情防控的阻击战。岂曰无衣？与子同袍、与子同泽、与子同裳！我们的故事便从这里开始说起……

--------------------

**目录**

一、数据分析

二、获取数据

三、绘制疫情图

四、测试

五、完整代码地址

--------------------

# 一、数据分析 #

首先我们需要找到新冠肺炎的实时数据，类似于支付宝上每天更新的实时数据（由于没有找到支付宝的实时更新数据，这里使用腾讯网的[实时更新数据][Link 1]，也可以使用其他网站数据）。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70][]

下面便以谷歌浏览器为例进行说明，使用快捷键“F12”之后刷新页面，出现如下界面。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 1][]

通过分析发现，以下的两部分为需要的数据。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 2][]

于是我们得到了需要的url等基本信息，根据获得的信息，我们可以先打印出数据进行查看。

import time
    import json
    import requests
    
    ts = int(time.time()*1000)  # 时间戳
    data_url = 'https://view.inews.qq.com/g2/getOnsInfo?name=disease_h5&callback=&_=%d'%ts
    print("url：" + data_url)
    
    data = json.loads(requests.get(url=data_url).json()['data'])  # requests库获取数据
    data = data['areaTree'][0]['children']
    print(data)

部分结果如下：

url：https://view.inews.qq.com/g2/getOnsInfo?name=disease_h5&callback=&_=1583757380728
    [{'name': '湖北', 'today': {'confirm': 36, 'confirmCuts': 0, 'isUpdated': True, 'tip': ''}, 'total': {'confirm': 67743, 'suspect': 0, 'dead': 3007, 'deadRate': '4.44', 'showRate': False, 'heal': 46433, 'healRate': '68.54', 'showHeal': True}, 'children': [{'name': '武汉', 'today': {'confirm': 36, 'confirmCuts': 0, 'isUpdated': True}, 'total': {'confirm': 49948, 'suspect': 0, 'dead': 2388, 'deadRate': '4.78', 'showRate': False, 'heal': 30933, 'healRate': '61.93', 'showHeal': True}}, {'name': '孝感', 'today': {'confirm': 0, 'confirmCuts': 0, 'isUpdated': True}, 'total': {'confirm': 3518, 'suspect': 0, 'dead': 126, 'deadRate': '3.58', 'showRate': False, 'heal': 3057, 'healRate': '86.90', 'showHeal': True}}, {'name': '黄冈', 'today': {'confirm': 0, 'confirmCuts': 0, 'isUpdated': True}, 'total': {'confirm': 2907, 'suspect': 0, 'dead': 125, 'deadRate': '4.30', 'showRate': False, 'heal': 2641, 'healRate': '90.85', 'showHeal': True}}, {'name': '荆州', 'today': {'confirm': 0, 'confirmCuts': 0, 'isUpdated': True}, 'total': {'confirm': 1580, 'suspect': 0, 'dead': 49, 'deadRate': '3.10', 'showRate': False, 'heal': 1410, 'healRate': '89.24', 'showHeal': True}}, {'name': '鄂州', 'today': {'confirm': 0, 'confirmCuts': 0, 'isUpdated': True}, 'total': {'confirm': 1394, 'suspect': 0, 'dead': 54, 'deadRate': '3.87', 'showRate': False, 'heal': 1030, 'healRate': '73.89', 'showHeal': True}}, {'name': '随州', 'today': {'confirm': 0, 'confirmCuts': 0, 'isUpdated': True}, 'total': {'confirm': 1307, 'suspect': 0, 'dead': 44, 'deadRate': '3.37', 'showRate': False, 'heal': 1104, 'healRate': '84.47', 'showHeal': True}}, {'name': '襄阳', 'today': {'confirm': 0, 'confirmCuts': 0, 'isUpdated': True}, 'total': {'confirm': 1175, 'suspect': 0, 'dead': 38, 'deadRate': '3.23', 'showRate': False, 'heal': 1064, 'healRate': '90.55', 'showHeal': True}},...

# 二、获取数据 #

既然可以通过如此简单的方法获取数据，我们接下来就需要获取我们需要的数据。

1、首先需要获取每天的数据。

def get_everyday_data(everyday_data_url):
        '''
        获取每天的数据
        :param everyday_data_url: 存放每天数据的路径
        :return: 返回每天的数据列表，分确诊、疑似、死亡和治愈
        '''
        data = json.loads(requests.get(url=everyday_data_url).json()['data'])  # 获取数据
        data.sort(key=lambda x: x['date'])  # 将数据按照时间升序排序
    
        # 定义相关数据列表：日期列表、确诊列表、疑似列表、死亡列表、治愈列表
        date_list, confirm_list, suspect_list, dead_list, heal_list = list(), list(), list(), list(), list()
    
        # 迭代数据，得到需要的数据
        for item in data:
            month, day = item['date'].split('/')
            date_list.append(datetime.strptime('2020-%s-%s' % (month, day), '%Y-%m-%d'))  # 格式化日期
            confirm_list.append(int(item['confirm']))
            suspect_list.append(int(item['suspect']))
            dead_list.append(int(item['dead']))
            heal_list.append(int(item['heal']))
    
        return date_list, confirm_list, suspect_list, dead_list, heal_list

2、获取各区域确诊分布数据。

def get_area_distribution_data(area_distribution_data_url):
        '''
        获取各区域确诊分布数据
        :param area_distribution_data_url: 存放区域分布数据的路径
        :return: 返回各区域确诊的字典数据
        '''
        result_data = {}  # 存储结果数据的字典
        data = json.loads(requests.get(url=area_distribution_data_url).json()['data'])['areaTree'][0]['children']  # 获取数据
    
        # 迭代数据，获取需要的数据
        for item in data:
            if item['name'] not in result_data:  # 将区域名称设置为字典的key
                result_data.update({item['name']: 0})
    
            for city_data in item['children']:  # 将确诊数据作为字典的value
                result_data[item['name']] += int(city_data['total']['confirm'])
    
        return result_data

# 三、绘制疫情图 #

使用matplotlib库进行疫情图的绘制，主代码如下：

1、绘制每日疫情曲线图

def plot_curve_graph():
        '''
        绘制每日疫情曲线图
        :return:
        '''
        date_list, confirm_list, suspect_list, dead_list, heal_list = get_everyday_data(everyday_data_url)  # 获取每天的数据
    
        # 设置标题等相关参数
        plt.figure('2019-nCoV疫情统计图表', facecolor='#f4f4f4', figsize=(10, 8))
        plt.title('2019-nCoV疫情曲线', fontsize=20)
    
        # 画图
        plt.plot(date_list, confirm_list, label='确诊')
        plt.plot(date_list, suspect_list, label='疑似')
        plt.plot(date_list, heal_list, label='治愈')
        plt.plot(date_list, dead_list, label='死亡')
    
        plt.gca().xaxis.set_major_formatter(mdates.DateFormatter('%m-%d'))  # 格式化时间
        plt.gcf().autofmt_xdate()  # 优化标注，添加自动倾斜功能
        plt.grid(linestyle=':')  # 显示网格
        plt.legend()  # 显示图例
        plt.savefig('2019-nCoV疫情曲线.png')  # 保存为文件

2、绘制各区域确诊分布图

def plot_distribution_graph(province_positions):
        '''
        绘制各区域确诊分布图
        :param province_positions: 各省位置
        :return:
        '''
        data = get_area_distribution_data(area_distribution_data_url)  # 获取各区域确诊分布数据
    
        # 相关参数设置
        width, height, rect, lat_min, lat_max, lon_min, lon_max = 1600, 800, [0.1, 0.12, 0.8, 0.8], 0, 60, 77, 140
        # 经纬投影替换为如下设置
        # width, height, rect, lat_min, lat_max, lon_min, lon_max = 3000, 1500, [0, 0, 1, 1], -90, 90, 0, 360
    
        # 匹配图例颜色
        handles = [
            matplotlib.patches.Patch(color='#ffaa85', alpha=1, linewidth=0),
            matplotlib.patches.Patch(color='#ff7b69', alpha=1, linewidth=0),
            matplotlib.patches.Patch(color='#bf2121', alpha=1, linewidth=0),
            matplotlib.patches.Patch(color='#7f1818', alpha=1, linewidth=0),
        ]
        # 设置图例标签
        labels = ['1-9人', '10-99人', '100-999人', '>1000人']
    
        fig = matplotlib.figure.Figure()
        # 设置绘图板尺寸
        fig.set_size_inches(width / 100, height / 100)
        axes = fig.add_axes(rect)
    
        # 局部兰博托投影
        # m = Basemap(projection='lcc', llcrnrlon=77, llcrnrlat=14, urcrnrlon=140, urcrnrlat=51, lat_1=33, lat_2=45,
        #             lon_0=100, ax=axes)
    
        # 全局兰博托投影
        # m = Basemap(projection='lcc', llcrnrlon=80, llcrnrlat=0, urcrnrlon=140, urcrnrlat=51, lat_1=33, lat_2=45,
        #             lon_0=100, ax=axes)
    
        # 局部圆柱投影
        # m = Basemap(llcrnrlon=lon_min, urcrnrlon=lon_max, llcrnrlat=lat_min, urcrnrlat=lat_max, resolution='l', ax=axes)
    
        # 正射投影
        # m = Basemap(projection='ortho', lat_0=36, lon_0=102, resolution='l', ax=axes)
    
        # 经纬投影
        m = Basemap(llcrnrlon=lon_min, urcrnrlon=lon_max, llcrnrlat=lat_min, urcrnrlat=lat_max, resolution='l', ax=axes)
        m.etopo()
    
        # 读取shape文件，shape文件主要的作用是：画海陆分界线、国界线、行政分界线。
        m.readshapefile('files/shapefiles/china', 'province', drawbounds=True)
        m.readshapefile('files/shapefiles/china_nine_dotted_line', 'section', drawbounds=True)
        m.drawcoastlines(color='black')  # 洲际线
        m.drawcountries(color='black')  # 国界线
        m.drawparallels(np.arange(lat_min, lat_max, 10), labels=[1, 0, 0, 0])  # 画经度线
        m.drawmeridians(np.arange(lon_min, lon_max, 10), labels=[0, 0, 0, 1])  # 画纬度线
    
        for p_info, p_shape in zip(m.province_info, m.province):  # 分析shape文件，得到相关省数据
            p_name = p_info['OWNER'].strip('\x00')
            f_cname = p_info['FCNAME'].strip('\x00')
            if p_name != f_cname:  # 不绘制海岛
                continue
    
            for key in data.keys():  # 设置不同数据范围区域的颜色
                if key in p_name:
                    if data[key] == 0:
                        color = '#f0f0f0'
                    elif data[key] < 10:
                        color = '#ffaa85'
                    elif data[key] < 100:
                        color = '#ff7b69'
                    elif data[key] < 1000:
                        color = '#bf2121'
                    else:
                        color = '#7f1818'
                    break
    
            # 添加设置的颜色至地图中
            poly = Polygon(p_shape, facecolor=color, edgecolor=color)
            axes.add_patch(poly)
    
            pos = province_positions[p_name]
            text = p_name.replace("自治区", "").replace("特别行政区", "").replace("壮族", "").replace("维吾尔", "")\
                .replace("回族", "").replace("省", "").replace("市", "")  # 替换省级名称
    
            # 指定字库并设置字体大小
            font15 = FontProperties(fname='files/fonts/simsun.ttf', size=15)
            font10 = FontProperties(fname='files/fonts/simsun.ttf', size=10)
    
            pset = set()
            if text not in pset:
                x, y = m(pos[0], pos[1])
                axes.text(x, y, text, fontproperties=font10, color='#00FFFF')
                pset.add(text)
    
        axes.legend(handles, labels, bbox_to_anchor=(0.5, -0.11), loc='lower center', ncol=4, prop=font15)
        axes.set_title("2019-nCoV疫情地图", fontproperties=font15)
        FigureCanvasAgg(fig)
        fig.savefig('2019-nCoV疫情地图.png')

# 四、测试 #

1、主函数如下：

if __name__ == '__main__':
    
        ts = int(time.time() * 1000)  # 时间戳
        # 存放每天数据的路径
        everyday_data_url = 'https://view.inews.qq.com/g2/getOnsInfo?name=wuwei_ww_cn_day_counts&callback=&_=%d' % ts
        # 存放区域分布数据的路径
        area_distribution_data_url = 'https://view.inews.qq.com/g2/getOnsInfo?name=disease_h5&callback=&_=%d' % ts
    
        # 各省位置
        province_positions = {
            "辽宁省": [121.7, 40.9],
            "吉林省": [124.5, 43.5],
            "黑龙江省": [125.6, 46.5],
            "北京市": [116.0, 39.9],
            "天津市": [117.0, 38.7],
            "内蒙古自治区": [110.0, 41.5],
            "宁夏回族自治区": [105.2, 37.0],
            "山西省": [111.0, 37.0],
            "河北省": [114.0, 37.8],
            "山东省": [116.5, 36.0],
            "河南省": [111.8, 33.5],
            "陕西省": [107.5, 33.5],
            "湖北省": [111.0, 30.5],
            "江苏省": [119.2, 32.5],
            "安徽省": [115.5, 31.8],
            "上海市": [121.0, 31.0],
            "湖南省": [110.3, 27.0],
            "江西省": [114.0, 27.0],
            "浙江省": [118.8, 28.5],
            "福建省": [116.2, 25.5],
            "广东省": [113.2, 23.1],
            "台湾省": [120.5, 23.5],
            "海南省": [108.0, 19.0],
            "广西壮族自治区": [107.3, 23.0],
            "重庆市": [106.5, 29.5],
            "云南省": [101.0, 24.0],
            "贵州省": [106.0, 26.5],
            "四川省": [102.0, 30.5],
            "甘肃省": [103.0, 35.0],
            "青海省": [95.0, 35.0],
            "新疆维吾尔自治区": [85.5, 42.5],
            "西藏自治区": [85.0, 31.5],
            "香港特别行政区": [115.1, 21.2],
            "澳门特别行政区": [112.5, 21.2]
        }
    
        plot_curve_graph()  # 绘制每日疫情曲线图
        plot_distribution_graph(province_positions)  # 绘制各区域确诊分布数据

2、测试结果如下：

（1）疫情曲线

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 3][]

（2）局部兰博托投影

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 4][]

（3）全局兰博托投影

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 5][]

（4）局部圆柱投影

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 6][]

（5）正射投影

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 7][]

（6）局部经纬投影

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 8][]

（7）全局经纬投影

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 9][]

# 五、完整代码地址 #

本文代码已上传至GitHub，详情请点击[此处][Link 2]~

[Link 1]: https://news.qq.com/zt2020/page/feiyan.htm?from=timeline&isappinstalled=0#/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70]: /images/20210726/c7bbc7d40a7d44fbaf210083f64d3c3f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 1]: /images/20210726/62cc92f86ed347c38ef800a99041c03c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 2]: /images/20210726/50e89e43147545d58414383b3bb900c8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 3]: /images/20210726/ff40ec33e3dd484db08ec1de28fab191.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 4]: /images/20210726/0e11d7730c2e4ae18de836ce07ad9366.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 5]: /images/20210726/ed2852d0d21e4d5185075ab2127ba10f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 6]: /images/20210726/62f40552fe0c403987f6aa1b3b1f39c7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 7]: /images/20210726/ba7b4784eb9f4dd38ae0848a6fc5e18f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 8]: /images/20210726/b08964683b1a42b89d8bf0385926cb12.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2dka3l4eTIwMTM_size_16_color_FFFFFF_t_70 9]: /images/20210726/eeb5c75ded9c4f82aa89419cd1be3bc3.png
[Link 2]: https://github.com/Ericxzw/xzw_lk/tree/master/Python%E7%88%AC%E8%99%AB/2019nCoV