本文目录一览：
「Python」使用Pyecharts生成疫情分布地图
最近受江苏疫情影响，好多小伙伴都居家办公咯！为了密切关注疫情动态，最近写了爬取疫情分布的脚本，参考上篇链接。
既然我们已经获得了相应的江苏各个地级市的疫情数据，那么我们如何来使用Python实现将数据可视化在地图上呢？
Apache Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了。
简单来说，pyecharts具有以下特性：
3. Pyecharts 安装
使用pip进行安装如下：
因为我们需要使用pycharts绘制地图，此时我们还需要安装相应的地图文件包：
其中：
echarts-countries-pypkg 包为全球国家地图
echarts-china-provinces-pypkg包为中国省级地图
echarts-china-cities-pypkg 包为中国市级地图
安装完上述绘制地图相关的python包后，我们接下来开始画疫情分布地图。
首先，我们先来查看一段Pyecharts相关实现：
上述代码解释如下：
运行后会在当前目录生成 map_jiangsu_0803.html,用浏览器打开后结果如下：
当鼠标移动到对应区域后，会显示出对应地级市今日新增人数。
上述脚本虽然可以实现我们的功能，但是颜色灰灰的，太过于单调，接下来我们来想办法进行美化,实现代码如下：
代码解释如下：
运行后会在当前目录生成 map_jiangsu_0803_new.html,用浏览器打开后结果如下：
同理我们可以得到现有确诊人数分布如下：
进而我们可以得到累计确诊人数分布如下：
python中如何画饼图
饼形图：
饼图是圆形统计图。
整个图表的区域代表100％或全部数据。
饼图中显示的饼图区域代表数据部分的百分比。
饼图的各个部分称为楔形。
楔形的弧长决定饼图中楔形的面积。
楔形的面积决定了零件相对于整体的相对量子或百分比。
饼图经常用于业务演示中，因为它们可以快速概述业务活动，例如销售，运营等。
饼形图还大量用于调查结果，新闻文章，资源使用图（如磁盘和内存）中。
使用Python Matplotlib绘制简单的饼图
可以使用pyplot模块中的函数pie（）绘制饼图。 以下python代码示例使用pie（）函数绘制了一个饼图。
默认情况下，pyplot的pie（）功能沿逆时针方向排列饼图中的饼形或楔形。
如何用python绘制各种图形
1.环境
系统：windows10
python版本：python3.6.1
使用的库：matplotlib，numpy
2.numpy库产生随机数几种方法
import numpy as np
numpy.random
rand(d0, d1, ..., dn)
In [2]: x=np.random.rand(2,5)
In [3]: x
Out[3]:
array([[ 0.84286554, 0.50007593, 0.66500549, 0.97387807, 0.03993009],
[ 0.46391661, 0.50717355, 0.21527461, 0.92692517, 0.2567891 ]])
randn(d0, d1, ..., dn)查询结果为标准正态分布
In [4]: x=np.random.randn(2,5)
In [5]: x
Out[5]:
array([[-0.77195196, 0.26651203, -0.35045793, -0.0210377 , 0.89749635],
[-0.20229338, 1.44852833, -0.10858996, -1.65034606, -0.39793635]])
randint(low,high,size)
生成low到high之间（半开区间 [low, high)），size个数据
In [6]: x=np.random.randint(1,8,4)
In [7]: x
Out[7]: array([4, 4, 2, 7])
random_integers(low,high,size)
生成low到high之间（闭区间 [low, high)），size个数据
In [10]: x=np.random.random_integers(2,10,5)
In [11]: x
Out[11]: array([7, 4, 5, 4, 2])
3.散点图
x x轴
y y轴
s 圆点面积
c 颜色
marker 圆点形状
alpha 圆点透明度 #其他图也类似这种配置
N=50# height=np.random.randint(150,180,20)# weight=np.random.randint(80,150,20)
x=np.random.randn(N)
y=np.random.randn(N)
plt.scatter(x,y,s=50,c='r',marker='o',alpha=0.5)
plt.show()
4.折线图
x=np.linspace(-10000,10000,100) #将-10到10等区间分成100份
y=x**2+x**3+x**7
plt.plot(x,y)
plt.show()
折线图使用plot函数
5.条形图
N=5
y=[20,10,30,25,15]
y1=np.random.randint(10,50,5)
x=np.random.randint(10,1000,N)
index=np.arange(N)
plt.bar(left=index,height=y,color='red',width=0.3)
plt.bar(left=index+0.3,height=y1,color='black',width=0.3)
plt.show()
orientation设置横向条形图
N=5
y=[20,10,30,25,15]
y1=np.random.randint(10,50,5)
x=np.random.randint(10,1000,N)
index=np.arange(N)# plt.bar(left=index,height=y,color='red',width=0.3)# plt.bar(left=index+0.3,height=y1,color='black',width=0.3)#plt.barh() 加了h就是横向的条形图，不用设置orientation
plt.bar(left=0,bottom=index,width=y,color='red',height=0.5,orientation='horizontal')
plt.show()
6.直方图
m1=100
sigma=20
x=m1+sigma*np.random.randn(2000)
plt.hist(x,bins=50,color="green",normed=True)
plt.show()
# #双变量的直方图# #颜色越深频率越高# #研究双变量的联合分布
#双变量的直方图#颜色越深频率越高#研究双变量的联合分布
x=np.random.rand(1000)+2
y=np.random.rand(1000)+3
plt.hist2d(x,y,bins=40)
plt.show()
7.饼状图
#设置x,y轴比例为1：1，从而达到一个正的圆
#labels标签参数,x是对应的数据列表,autopct显示每一个区域占的比例,explode突出显示某一块,shadow阴影
labes=['A','B','C','D']
fracs=[15,30,45,10]
explode=[0,0.1,0.05,0]#设置x,y轴比例为1：1，从而达到一个正的圆
plt.axes(aspect=1)#labels标签参数,x是对应的数据列表,autopct显示每一个区域占的比例,explode突出显示某一块,shadow阴影
plt.pie(x=fracs,labels=labes,autopct="%.0f%%",explode=explode,shadow=True)
plt.show()
8.箱型图
import matplotlib.pyplot as pltimport numpy as npdata=np.random.normal(loc=0,scale=1,size=1000)#sym 点的形状，whis虚线的长度plt.boxplot(data,sym="o",whis=1.5)plt.show()
#sym 点的形状，whis虚线的长度
