Python对JSON文件世界人口数据进行可视化

迈不过友情╰ 2023-07-24 02:46 14阅读 0赞

## 制作世界人口地图，用json模块来处理，将人口数据进行可视化！！！ ##

> 下载JSON格式的人口数据，下面附上完整的，在网站中https://datahub.io/下载的数据集的详细过程！！！

### 1、下载世界人口数据 ###

**附上网站超链接：**[https://datahub.io/][https_datahub.io]  
**网站是纯英文版的（不慌详细流程见下方！）**

> 1、进入界面后在搜索框中输入**World population data**（即世界人口数据），点击**Search Datasets**

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70]

> 2、点击第一个中的**Explore Dataset**

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 1]

> 3、向下滑动至**Data File**,这边的话我们选择压缩包形式，里面包含了**csv和json**，点击后会出现下载框，下载即可。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 2]

> 4、解压，打开压缩包，这时候我们发现里面有一些文件，这边我们只需要data文件中的数据就行

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 3]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 4]

> 5、打开csv文件我们发现里面包含了4列数据，如下所示

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 5]

> 6、打开json文件，发现这个文件中实际上是一个很长的python列表，每个元素都是包含4个键的字典

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 6]  
**到这一步，下载世界人口数据完毕！！！**  
为了便于操作方便，更快的学习。  
这边附上直接下载csv和json压缩包的链接地址：[https://pkgstore.datahub.io/core/population/population\_zip/data/4e22dd3646c87e44fcaf119d34439291/population\_zip.zip][https_pkgstore.datahub.io_core_population_population_zip_data_4e22dd3646c87e44fcaf119d34439291_population_zip.zip]

### 2、提取相关数据 ###

> 打印json文件中的信息

**新建world\_population.py文件**  
将population\_json.json文件拖到项目所在的文件夹下  
![在这里插入图片描述][20200409105528358.png]

import json         #导入json模块
    
    #将数据添加到一个列表
    filename='population_json.json'
    with open(filename) as f:
        pop_data=json.load(f)
        #函数json.load()将数据转换为Python能够处理的格式，这里是一个列表
    
        #打印每个国家2010年人口的数量
    for pop_dict in pop_data:
        if pop_dict['Year']==2010:
            country_name = pop_dict["Country Name"]
            population = pop_dict["Value"]
            print(country_name + ":" + str(population))

检查字典中的Year键是否为2010  
**输出一系列的国家名称和人口数量,效果图如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 7]  
为了便于数据的处理方便，这边将人口数据，先转换为float型，转换为小数，再使用int型将小数部分丢弃，返回一个整数。  
**在world\_population.py文件中修改即可：**

population = int(float(pop_dict["Value"]))

**效果图如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 8]

### 3、获取两个字母的国别码 ###

> 制作地图前，还需要解决数据存在的最后一个问题。Pypal地图制作工具要求数据为特定的格式：**用国别码表示国家，以及数字表示人口数量。**  
> Python使用的国别码存储在模块i18n中，字典COUNTRIES包含键和值分别为**两个字母的国别码和国家名**。

#### 3.1、测试是否存在模块i18n ####

**新建country\_codes.py文件**  
1、测试发现并没有此模块  
![在这里插入图片描述][20200409123625459.png]  
2、这时候我们需要安装，pip install pygal\_maps\_world即可，如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 9]  
3、从新测试

from  pygal_maps_world.i18n import COUNTRIES
    for country_code in sorted(COUNTRIES.keys()):
        print(country_code,COUNTRIES[country_code])

**效果图如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 10]  
这时候发现，已经按照我们的要求展示（国别码和国家）

#### 3.2、获取国别码 ####

> 编写一个函数，在COUNTRIES中查找并返回国别码。将函数放在country\_codes的模块中。

**在country\_codes.py文件中修改**  
遍历COUNTRIES，查找指定的国家的国别码是否存在

from  pygal_maps_world.i18n import COUNTRIES
    def get_country_code(country_name):
        """根据指定的国家，返回Pygal使用的两个字母的国别码"""
        for code,name in COUNTRIES.items():
            if name==country_name:
                return code
        #未找到指定的国家输出None
        return None
    print(get_country_code('China'))
    print(get_country_code('Andorra'))
    print(get_country_code('Afghanistan'))

**效果图如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 11]

#### 3.3、在world\_population.py文件中导入国别码 ####

**在world\_population.py文件中修改：**

import json         #导入json模块
    from matp.population.country_codes import  get_country_code
    
    #将数据添加到一个列表
    filename='population_json.json'
    with open(filename) as f:
        pop_data=json.load(f)
        #函数json.load()将数据转换为Python能够处理的格式，这里是一个列表
    
        #打印每个国家2010年人口的数量
    for pop_dict in pop_data:
        if pop_dict['Year']==2010:
            country_name = pop_dict["Country Name"]
            population = int(float(pop_dict["Value"]))
            #print(country_name + ":" + str(population))
            code=get_country_code(country_name)
            if code:
                print(code+"："+str(population))
            else:
                print('ERROR-'+country_name)

国家存在即返回国别码和人口  
不存在，即返回不存在的名字（并非所有人口数量对应的是国家，有的对应的可能是地区）  
**效果图如下所示：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 12]

### 4、制作世界地图 ###

> 有了国别码之后，pygal\_maps\_world.maps提供了图形类型

#### 4.1、测试北美、中美和南美的简单地图 ####

新建americas.py文件

import pygal_maps_world.maps
    wm=pygal_maps_world.maps.World()		#创建实例
    wm.title='North,Center,and South America'
    
    wm.add('North America',['ca','mx','us'])
    wm.add('Center America',['bz','cr','gt','hn','ni','pa','sv'])
    wm.add('South America',['ar','bo','br','cl','co','ec','gf',
                            'gy','pe','py','sr','uy','ve'])
    wm.render_to_file('americas.svg')

用浏览器打来创建的americas.svg文件  
**效果图如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 13]

#### 4.2、在世界地图上呈现数字数据 ####

> 联系在地图上呈现数字数据，创建地图显示三个北美国家的人口数据

**新建na\_populations.py文件**

import pygal_maps_world.maps
    wm=pygal_maps_world.maps.World()
    
    wm.title='Populations of Countries in North America'
    wm.add('North America',{ 'ca':3412600,'us':309349000,'mx':113423000})
    
    wm.render_to_file('na_populations.svg')

用浏览器打来创建的americas.svg文件  
鼠标放在对应的国家会显示人口数据  
**效果图如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 14]

#### 4.3、绘制完整的世界人口地图 ####

> 要呈现所有国家人口数量，我们先要将所有的数据转换为Pygal要求的字典格式，即国别码和人口数量。

**在world\_population.py文件中修改：**

cc\_populations=\{\}  
创建了空字典，用来存储Pypal要求的字典格式要求数据  
wm=pygal\_maps\_world.maps.World()  
创建实例，并设置属性  
**效果图如下：**  
白色部分未有相关的数据（通过国家名未查询到国别码）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 15]

### 5、根据人口数量将国家分组 ###

> 通过人口数量分组能够更加明显的显示数据

**在world\_population.py文件中修改：**  
创建三个空列表，将所有的国家分成三组  
cc\_pops\_1,cc\_pops\_2,cc\_pops\_3=\{\},\{\},\{\}  
1000万以内，1000万~10亿，10亿以上

import json         #导入json模块
    from matp.population.country_codes import  get_country_code
    import pygal_maps_world.maps
    
    #将数据添加到一个列表
    filename='population_json.json'
    with open(filename) as f:
        pop_data=json.load(f)
        #函数json.load()将数据转换为Python能够处理的格式，这里是一个列表
    
    #打印每个国家2010年人口的数量
    #创建一个包含人口数量的字典
    cc_populations={ }
    for pop_dict in pop_data:
        if pop_dict['Year']==2010:
            country_name = pop_dict["Country Name"]
            population = int(float(pop_dict["Value"]))
            #print(country_name + ":" + str(population))
            code=get_country_code(country_name)
            if code:
                cc_populations[code]=population
    
    #根据人口数量将所有的国家分成三组
    cc_pops_1,cc_pops_2,cc_pops_3={ },{ },{ }
    for cc,pop in cc_populations.items():
        if pop<10000000:
            cc_pops_1[cc] = pop
        elif pop < 1000000000:
            cc_pops_2[cc] = pop
        else:
            cc_pops_3[cc] = pop
    
    #看看每组分别包含多少个国家
    print(len(cc_pops_1),len(cc_pops_2),len(cc_pops_3))
    
    wm=pygal_maps_world.maps.World()
    wm.title='World Population in 2010,by Country'
    wm.add('0~10m',cc_pops_1)
    wm.add('10m~1bm',cc_pops_2)
    wm.add('>1bm',cc_pops_3)
    
    wm.render_to_file('World_Population.svg')

**结果显示在1000万以内的国家有81个，1000万~10亿以内的有71个国家，大于10亿的有两个国家**  
![在这里插入图片描述][20200409142539127.png]  
**效果图如下所示：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 16]

### 6、使用Pygal设置世界地图的样式 ###

> 给定Pygal使用一种基色，指定该基色，并让三个分组颜色差异更大。

#### 6.1、指定基色 ####

在world\_population.py文件中添加即修改：

from pygal.style import RotateStyle
    
    wm_style=RotateStyle('#336699')
    wm=pygal_maps_world.maps.World(style=wm_style)
    #wm=pygal_maps_world.maps.World()给原先的实例附上样式style=wm_style

效果图如下所示：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 17]

#### 6.2、加亮颜色主题 ####

> Pygal通常默认使用较暗的颜色主题，为了方便印刷，可以使用LightColorizedStyle加亮地图的颜色，这个类修改了整个图标的主题，包括背景色、标签以及各个国家的颜色。

先导入：

from pygal.style import LightColorizedStyle
    
    wm_style=LightColorizedStyle

**效果图如下：**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 18]

> 使用LightColorizedStyle类时，不能直接控制使用颜色，Pygal所以使用了默认的基色，要设置颜色，则使用RotateStyle，并将LightColorizedStyle作为基本样式

导入：

from pygal.style import LightColorizedStyle,RotateStyle
    
    wm_style=RotateStyle('#336699',base_style=LightColorizedStyle)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 19]

# 综上世界人口数据可视化完毕！！！ #

> 附上完整的world\_population.py和country\_codes.py和americas.py和na\_populations.py文件

***world\_population.py***

import json         #导入json模块
    from matp.population.country_codes import  get_country_code
    import pygal_maps_world.maps
    from pygal.style import LightColorizedStyle,RotateStyle
    
    
    #将数据添加到一个列表
    filename='population_json.json'
    with open(filename) as f:
        pop_data=json.load(f)
        #函数json.load()将数据转换为Python能够处理的格式，这里是一个列表
    
    #打印每个国家2010年人口的数量
    #创建一个包含人口数量的字典
    cc_populations={ }
    for pop_dict in pop_data:
        if pop_dict['Year']==2010:
            country_name = pop_dict["Country Name"]
            population = int(float(pop_dict["Value"]))
            #print(country_name + ":" + str(population))
            code=get_country_code(country_name)
            if code:
                cc_populations[code]=population
    
    #根据人口数量将所有的国家分成三组
    cc_pops_1,cc_pops_2,cc_pops_3={ },{ },{ }
    for cc,pop in cc_populations.items():
        if pop<10000000:
            cc_pops_1[cc] = pop
        elif pop < 1000000000:
            cc_pops_2[cc] = pop
        else:
            cc_pops_3[cc] = pop
    
    #看看每组分别包含多少个国家
    print(len(cc_pops_1),len(cc_pops_2),len(cc_pops_3))
    
    wm_style=RotateStyle('#336699',base_style=LightColorizedStyle)
    wm=pygal_maps_world.maps.World(style=wm_style)
    wm.title='World Population in 2010,by Country'
    wm.add('0~10m',cc_pops_1)
    wm.add('10m~1bm',cc_pops_2)
    wm.add('>1bm',cc_pops_3)
    
    wm.render_to_file('World_Population.svg')

***country\_codes.py***

***americas.py***

import pygal_maps_world.maps
    wm=pygal_maps_world.maps.World()            #创建实例
    wm.title='North,Center,and South America'
    
    wm.add('North America',['ca','mx','us'])
    wm.add('Center America',['bz','cr','gt','hn','ni','pa','sv'])
    wm.add('South America',['ar','bo','br','cl','co','ec','gf',
                            'gy','pe','py','sr','uy','ve'])
    wm.render_to_file('americas.svg')

***na\_populations.py***

# 不足之处，请指出，蟹蟹！！！ #

[https_datahub.io]: https://datahub.io/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70]: /images/20230528/252902d4c148481aa0163d727fbfe827.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 1]: /images/20230528/d87d6fac7834485bb18f431dac013f85.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 2]: /images/20230528/e427eb0b6b6440c1b59a8ddcc80bf807.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 3]: /images/20230528/b6024cb7a0864bf391e6627c22d1e1e5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 4]: /images/20230528/dd77ea103bfb40a3b5c852a1e0639d31.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 5]: /images/20230528/a59d52926ead4c0bb5dd520bce933822.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 6]: /images/20230528/de7395e7740e417abd1f461aa85413ca.png
[https_pkgstore.datahub.io_core_population_population_zip_data_4e22dd3646c87e44fcaf119d34439291_population_zip.zip]: https://pkgstore.datahub.io/core/population/population_zip/data/4e22dd3646c87e44fcaf119d34439291/population_zip.zip
[20200409105528358.png]: /images/20230528/666b443f481346b89fdc86d3665e1ad4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 7]: /images/20230528/f814896985e6429aaf297de7b5879c44.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 8]: /images/20230528/b322f8a4e2cc4b7794d98c2b22942ce6.png
[20200409123625459.png]: /images/20230528/8df63489d01446eda2b050c6f4706e76.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 9]: /images/20230528/0205608334de4af69effcef0090ea320.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 10]: /images/20230528/0e75a82d99154581a7436799597c584b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 11]: /images/20230528/ab611ee34a5a4f329f17fd78e05fffed.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 12]: /images/20230528/82836f4bb8cb42bcae03f14cd5f4edb7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 13]: /images/20230528/1bc7282c0727452190cd9ce312d69571.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 14]: /images/20230528/f1616c12d03143b8b10c4f252fe390f0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 15]: /images/20230528/5286941030c9409d86b846055c93fe8b.png
[20200409142539127.png]: /images/20230528/8ff524d2bc344772a32df26cbe2fe5c6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 16]: /images/20230528/dc1e7983964f4c359378b3e7664eec0a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 17]: /images/20230528/c07a4b05d2ac4d0ea7ecd9af3fa9cdbb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 18]: /images/20230528/f3fa1d8d2207430284c31b1062483db0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pqem91bmly_size_16_color_FFFFFF_t_70 19]: /images/20230528/b77ff39e200a43bd933f7141ea7cbcff.png