
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
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10