COVID19 Dashboard på verdenskart (ved hjelp av Python): 16 trinn

2025 Forfatter: John Day | [email protected]. Sist endret: 2025-01-23 15:02

Jeg vet at nesten alle av oss vet mest informasjon om COVID19.

Og dette instruerbare handler om å lage et boblekart, for å plotte sanntidsdata (av saker) på verdenskartet.

For mer bekvemmelighet har jeg lagt til programmet i Github -depotet:

github.com/backshell/COVID19dashboard

Rekvisita

Det kreves ingen rekvisita som sådan, og vi vil gjøre hele dataprogrammet gjennom GoogleColab Notebook. Så en gmail -konto burde være tilstrekkelig til å begynne med.

Colab Notebooks / Colaboratory er et Google -forskningsprosjekt som er opprettet for å spre maskinlæring og forskning. Det er et Jupyter bærbart miljø som ikke krever oppsett å bruke og kjører helt i skyen.

Og INGEN installasjon kreves i maskinen din.

Trinn 1: Forstå backend -prosessen (database)

De fleste av alle programmer henter data fra backend, og den resulterende formateres og publiseres til front-end. Og for dette programmet vil vi kreve virkelige data fra COVID19.

G. W. C. Whiting School of Engineering har publisert COVID19 -statistikken gjennom sin github -konto:

github.com/CSSEGISandData

Fra start til dato publiseres landestatistikken for COVID19 i depotet.

Så vi ville bruke. CSV-formaterte filer av dem (segmentert radvis av land) og plotte dataene på verdenskartet.

Trinn 2: Python -pakker/biblioteker som brukes i programmet

Nedenfor er listen over python -pakker og biblioteker som vi vil bruke. La meg gi en oversikt over formålet med hver av dem.

numpy:

NumPy er et bibliotek for programmeringsspråket Python, og legger til støtte for store, flerdimensjonale matriser og matriser, sammen med en stor samling matematiske funksjoner på høyt nivå for å operere på disse matrisene.

pandaer:

pandas er et programvarebibliotek skrevet for programmeringsspråket Python for datamanipulering og analyse.

matplotlib.pyplot:

pyplot er hovedsakelig beregnet på interaktive tomter og enkle tilfeller av programmatisk tomtgenerering

plotly.express:

Plotly Express er et nytt Python-visualiseringsbibliotek på høyt nivå. Enkel syntaks for komplekse diagrammer.

folium:

folium gjør det enkelt å visualisere data som er manipulert i Python på et interaktivt heftekart.

plotly.graph_objects:

Den plottaktige Python -pakken eksisterer for å lage, manipulere og gjengi grafiske figurer (dvs. diagrammer, plott, kart og diagrammer) representert av datastrukturer også referert til som figurer.

sjøfødt:

Seaborn er et Python datavisualiseringsbibliotek basert på matplotlib. Det gir et grensesnitt på høyt nivå for å tegne attraktiv og informativ statistisk grafikk.

ipywidgets:

ipywidgets er interaktive HTML -widgets for Jupyter bærbare datamaskiner, JupyterLab og IPython -kjernen. Notatbøker blir levende når interaktive widgets brukes.

Det er ikke nødvendig å installere disse pakkene, ettersom vi ville jobbe dette programmet helt i Google Colab Notebook (lar det beholdes som colab i hele denne instruksjonsboken).

Trinn 3: Konfigurere stasjonen din, for å bruke Colab

Opprett en mappe for notatbøkene dine i Disken din.

Teknisk sett er dette trinnet ikke helt nødvendig hvis du bare vil begynne å jobbe i Colab. Siden Colab jobber utenfor stasjonen din, er det imidlertid ikke en dårlig idé å spesifisere mappen der du vil jobbe. Du kan gjøre det ved å gå til Google Disk og klikke "Ny" og deretter opprette en ny mappe.

Deretter kan du velge å lage colabnotebook her eller begynne å jobbe direkte i colab og koble mappen i stasjonen, som er opprettet for colab -arbeid.

Dette er en god praksis, ellers mer colab vi lager det kan se rotete i vår stasjon.

Trinn 4: Oversikt over programmet

I dette programmet/notatblokken vil vi lage følgende for COVID-19:

• Liste over land etter antall saker
• Totalt antall tilfeller på et verdenskart

Trinn 5: COVID-19 Dashboard | Del 1

Du kan bruke fremtiden til å hjelpe til med å overføre koden din fra Python 2 til Python 3 i dag - og fortsatt ha den kjørt på Python 2.

Hvis du allerede har Python 3 -kode, kan du i stedet bruke fremtiden til å tilby Python 2 -kompatibilitet med nesten ingen ekstra arbeid.

future støtter standard bibliotekreorganisering (PEP 3108) via en av flere mekanismer, slik at de fleste flyttede standardbiblioteksmodulene kan nås under deres Python 3 -navn og steder i Python 2.

Trinn 6: COVID-19 Dashboard | Del 2

Samhandlingsfunksjonen (ipywidgets.interact) lager automatisk brukergrensesnitt (UI) kontroller for å utforske kode og data interaktivt. Det er den enkleste måten å komme i gang med å bruke IPythons widgets.

Trinn 7: COVID-19 Dashboard | Del 3

display_html viser HTML -representasjonene til et objekt. Det vil si at den søker etter registrerte visningsmetoder, for eksempel _repr_html_, og kaller dem, og viser eventuelt resultatet.

Trinn 8: COVID-19 Dashboard | Del 4

Liste over pakker (som forklart i trinn 2) blir importert til programmet.

Trinn 9: COVID-19 Dashboard | Del 5

death_df = pd.read_csv ('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv')

confirm_df = pd.read_csv ('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv')

recovered_df = pd.read_csv ('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_recovered_global.csv')

country_df = pd.read_csv ('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/web-data/data/cases_country.csv')

Som forklart i trinn 1, leser du dataene som.csv -fil fra depotet.

Trinn 10: COVID-19 Dashboard | Del 6

Vi vil gi df -kolonnenavn nytt navn til små bokstaver

Trinn 11: COVID-19 Dashboard | Del 7

Vi skal endre provins/stat til stat og land/region til land

Trinn 12: COVID-19 Dashboard | Del 8

Vi vil beregne det totale antallet bekreftede, dødsfall og gjenopprettede tilfeller.

Trinn 13: COVID-19 Dashboard | Del 9

Vi vil vise den totale statistikken i HTML -format, ettersom vi importerte spesifikke biblioteker i trinn 7 tidligere som nedenfor:

fra IPython.core.display import import, HTML

Trinn 14: Liste over land (Top10) etter antall saker | COVID-19 oversikt

fig = go. FigureWidget (layout = go. Layout ())

FigureWidget -funksjonen returnerer et tomt FigureWidget -objekt med standard x- og y -akser. Jupyter interaktive widgets har et layoutattributt som viser en rekke CSS -egenskaper som påvirker hvordan widgets legges ut.

pd. DataFrame

oppretter dataramme ved hjelp av ordbok, med tre farge bakgrunner for den resulterende å fylle ut.

def show_latest_cases (TOP)

sorterer verdiene etter bekreftet synkende rekkefølge.

samhandle (show_latest_cases, TOP = '10 ')

Samhandlingsfunksjonen (ipywidgets.interact) lager automatisk brukergrensesnitt (UI) kontroller for å utforske kode og data interaktivt.

ipywLayout = widgets. Layout (border = 'solid 2px green')

oppretter en kantlinje med 2 px bredde linjer med grønn farge, slik at den resulterende kan vises.

Trinn 15: Totalt antall saker på et verdenskart | COVID-19 oversikt

world_map = folium. Map (plassering = [11, 0], fliser = "cartodbpositron", zoom_start = 2, max_zoom = 6, min_zoom = 2)

Folium er et verktøy som får deg til å ligne en kartlagt Gud mens alt arbeidet er utført i bakenden. Det er en Python -innpakning for et verktøy som kalles leaflet.js. Vi gir den i utgangspunktet minimale instruksjoner, JS gjør mye arbeid i bakgrunnen, og vi får noen veldig, veldig kule kart. Det er flotte ting. For klarhetens skyld kalles kartet teknisk sett et 'Leaflet Map'. Verktøyet som lar deg kalle dem i Python kalles 'Folium'.

Folium gjør det enkelt å visualisere data som er manipulert i Python på et interaktivt Leaflet -kart. Det muliggjør både binding av data til et kart for choropleth -visualiseringer samt passering av Vincent/Vega -visualiseringer som markører på kartet.

for i i området (0, len (confirm_df))

I en for loop vil vi få alle de bekreftede tilfellene fra trinn 9 -formuleringen.

folium. sirkel

Vi lager et boblekart ved å bruke folium. Circle () for å legge til sirkler iterativt.

location = [confirm_df.iloc ['lat'], confirm_df.iloc ['long'], fra bekreftet_df av bekreftede tilfeller fra trinn 5, trekker vi ut breddegrads- og lengdegrader som tilsvarer hver posisjons-/landdata.

radius = (int ((np.log (confirm_df.iloc [i, -1] +1.00001)))+0.2)*50000, lage radiusobjekt for å plotte boblesirkler på verdenskartet over landene.

color = 'red', fill_color = 'indigo', gjør omrisset av boblesirkelen så rødt og det indre området som indigo.

og til slutt plotte sirklene på world_map ved hjelp av verktøytips -objektet.

Trinn 16: Resultatet

Vedlegg viser:

1. Liste over land etter antall saker
2. Totalt antall tilfeller på et verdenskart