COVID

您所在的位置：网站首页 › 今日累计确诊人数统计 › COVID

COVID

2023-08-07 03:21| 来源: 网络整理| 查看: 265

新型冠状病毒感染的肺炎疫情爆发后，对人们的生活产生很大的影响。现特对COVID-19疫情实时数据和历史数据进行爬取、分析、可视化展示。

设计框架

在这里插入图片描述

一、数据爬取 1.1 选择数据源：

选择网易的疫情实时动态播报平台作为数据源，地址：https://wp.m.163.com/163/page/news/virus_report/index.html?nw=1&anw=1 在这里插入图片描述

1.2 数据定位及抓取

导入相关库

import pandas as pd import requests import time pd.set_option('max_rows',500) # 显示500行数据 # 设置请求头，伪装为浏览器 headers = { 'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36 Edg/86.0.622.69' } # 发送请求 url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-total' # 定义要访问的地址 r = requests.get(url,headers = headers) # 使用requests发起请求 # 查看请求状态 r.status_code 200

响应码为200，说明页面正常响应成功！

print(type(r.text)) #查看类型。 r.text——文本获取 print(len(r.text)) # 查看文本长度

返回后的内容是一个30万长度的字符串，因字符串格式不方便进行分析，并且在网页预览中发现数据为类似字典的json格式，所以这里将其转为json格式。

import json data_json = json.loads(r.text) # 按照json格式读取 data_json

data中存放着我们所需要的网页数据在这里插入图片描述

data = data_json['data'] # data中存放着我们需要的数据 data.keys() # 查看数据键值 dict_keys(['chinaTotal', 'chinaDayList', 'lastUpdateTime', 'areaTree'])

数据中有四个键，每个键值含义不同

1.3 实时数据爬取 1.3.1 自定义函数：get_data（提取数据），save_data（保存数据） # 将提取数据的方法封装为函数 def get_data(data,info_list): info = pd.DataFrame(data)[info_list] # 基本信息 today_data = pd.DataFrame([i['today'] for i in data ]) # 获取today的数据 today_data.columns = ['today_'+i for i in today_data.columns] # 修改列名 total_data = pd.DataFrame([i['total'] for i in data ]) # 获取total的数据 total_data.columns = ['total_'+i for i in total_data.columns] # 修改列名 return pd.concat([info,total_data,today_data],axis=1) # info、today和total横向合并最终得到汇总的数据 # 定义保存数据方法 def save_data(data,name): file_name = name+'_'+time.strftime('%Y_%m_%d',time.localtime(time.time()))+'.csv' data.to_csv(file_name,index=None,encoding='utf_8_sig') print(file_name+' 保存成功！') 1.3.2 中国各省实时数据 data_province = data['areaTree'][2]['children'] # 取出中国各省的实时数据 today_province = get_data(data_province,['id','lastUpdateTime','name']) # 省略children，去除嵌套字典 save_data(today_province,'today_province')

在这里插入图片描述

1.3.3 世界各国实时数据 areaTree = data['areaTree'] # 取出areaTree today_world = get_data(areaTree,['id','lastUpdateTime','name']) # 获取世界各国实时数据 save_data(today_world,'today_world')

在这里插入图片描述

1.4 历史数据爬取 1.4.1 中国历史数据 chinaDayList = data['chinaDayList'] # 取出chinaDayList alltime_China = get_data(chinaDayList,['date','lastUpdateTime']) save_data(alltime_China,'alltime_China') 1.4.2 中国各省历史数据

在爬取各省历史数据的过程中，发现参数aeraCode=420000，而这刚好和全国各省实时数据today_province中的id对应，即更改爬取的URL中的aeraCode参数就可爬取不同省市的历史数据。

# 将各省行政区号和各省名称按照字典形式对位 province_dict = {num:name for num,name in zip(today_province['id'],today_province['name'])} start = time.time() for province_id in province_dict: # 遍历各省编号 try: # 按照省编号访问每个省的数据地址，并获取json数据 url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-by-area-code?areaCode='+province_id r = requests.get(url, headers=headers) data_json = json.loads(r.text) # 提取各省数据，然后写入各省名称 province_data = get_data(data_json['data']['list'],['date']) province_data['name'] = province_dict[province_id] # 合并数据 if province_id == '420000': alltime_province = province_data else: alltime_province = pd.concat([alltime_province,province_data]) print('-'*20,province_dict[province_id],'成功', province_data.shape,alltime_province.shape, ',累计耗时:',round(time.time()-start),'-'*20) # 设置延迟等待 time.sleep(20) except: print('-'*20,province_dict[province_id],'wrong','-'*20) -------------------- 湖北成功 (396, 16) (396, 16) ,累计耗时: 1 -------------------- -------------------- 香港成功 (396, 16) (792, 16) ,累计耗时: 21 -------------------- -------------------- 广东成功 (394, 16) (1186, 16) ,累计耗时: 42 -------------------- -------------------- 上海成功 (380, 16) (1566, 16) ,累计耗时: 63 -------------------- -------------------- 黑龙江成功 (385, 16) (1951, 16) ,累计耗时: 83 -------------------- -------------------- 浙江成功 (392, 16) (2343, 16) ,累计耗时: 103 -------------------- -------------------- 河北成功 (387, 16) (2730, 16) ,累计耗时: 124 -------------------- -------------------- 河南成功 (394, 16) (3124, 16) ,累计耗时: 144 -------------------- ...... -------------------- 青海成功 (396, 16) (12889, 16) ,累计耗时: 678 -------------------- -------------------- 西藏成功 (395, 16) (13284, 16) ,累计耗时: 710 --------------------

爬取成功并保存

save_data(alltime_province,'alltime_province') 1.4.3 世界各国历史数据爬取 # 将世界各国行政区号和世界各国名称按照字典形式对位 country_dict = {key:value for key,value in zip(today_world['id'], today_world['name'])} start = time.time() for country_id in country_dict: # 遍历每个国家的编号 try: # 按照编号访问每个国家的数据地址，并获取json数据 url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-by-area-code?areaCode='+country_id r = requests.get(url, headers=headers) json_data = json.loads(r.text) # 生成每个国家的数据 country_data = get_data(json_data['data']['list'],['date']) country_data['name'] = country_dict[country_id] # 数据叠加 if country_id == '9577772': alltime_world = country_data else: alltime_world = pd.concat([alltime_world,country_data]) print('-'*20,country_dict[country_id],'成功',country_data.shape,alltime_world.shape, ',累计耗时:',round(time.time()-start),'-'*20) time.sleep(25) except: print('-'*20,country_dict[country_id],'wrong','-'*20) -------------------- 突尼斯成功 (335, 15) (335, 15) ,累计耗时: 11 -------------------- -------------------- 塞尔维亚成功 (340, 15) (675, 15) ,累计耗时: 48 -------------------- -------------------- 中国成功 (377, 15) (1052, 15) ,累计耗时: 73 -------------------- -------------------- 日本本土成功 (354, 15) (1406, 15) ,累计耗时: 99 -------------------- ...... -------------------- 列支敦士登成功 (48, 15) (52674, 15) ,累计耗时: 5692 -------------------- -------------------- 马达加斯加成功 (308, 15) (52982, 15) ,累计耗时: 5717 --------------------

爬取成功并保存

save_data(alltime_world,'alltime_world') 1.5 多进程爬取提快速度（queue+pool） 1.5.1 多进程爬取中国各省历史数据 import pandas as pd import requests import json import threading from multiprocessing import Pool, Manager import time headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36 Edg/86.0.622.69' } # 发送请求 url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-total' r = requests.get(url, headers=headers) data_json = json.loads(r.text) # 按照json格式读取 data = data_json['data'] def get_data(data, info_list): info = pd.DataFrame(data)[info_list] # 主要信息 today_data = pd.DataFrame([i['today'] for i in data]) # 生成today的数据 today_data.columns = ['today_' + i for i in today_data.columns] # 修改列名 total_data = pd.DataFrame([i['total'] for i in data]) # 生成total的数据 total_data.columns = ['total_' + i for i in total_data.columns] # 修改列名 return pd.concat([info, total_data, today_data], axis=1) # info、today和total横向合并最终得到汇总的数据 data_province = data['areaTree'][2]['children'] # 取出中国各省的实时数据 today_province = get_data(data_province, ['id', 'lastUpdateTime', 'name']) # 省略children，去除嵌套字典 province_dict = {num: name for num, name in zip(today_province['id'], today_province['name'])} def ergodic(queue, j, q): try: province_id = queue.get(j) # 按照省编号访问每个省的数据地址，并获取json数据 url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-by-area-code?areaCode=' + province_id r = requests.get(url, headers=headers) data_json = json.loads(r.text) # 提取各省数据，然后写入各省名称 province_data = get_data(data_json['data']['list'], ['date']) province_data['name'] = province_dict[province_id] q.append(province_data) print('-' * 20, province_dict[province_id], '成功', province_data.shape, '-' * 20) # 设置延迟等待 time.sleep(20) except: print('-' * 20, province_dict[queue.get()], 'wrong', '-' * 20) # # 定义保存数据方法 # def save_data(data, name): # file_name = name + '_' + time.strftime('%Y_%m_%d', time.localtime(time.time())) + '.csv' # data.to_csv(file_name, index=None, encoding='utf_8_sig') # print(file_name + ' 保存成功！') if __name__ == '__main__': start = time.time() alltime_province = [] manager = Manager() workQueue = manager.Queue(100) # 填充队列 for province_id in province_dict: workQueue.put(province_id) pool = Pool(processes=7) for j in range(1, len(province_dict) + 1): pool.apply_async(ergodic, args=(workQueue, j, alltime_province)) print("Started processes") pool.close() pool.join() end = time.time() print('Pool + Queue多进程爬虫的总时间为：', end - start) Started processes -------------------- 湖北成功 (396, 16) -------------------- -------------------- 香港成功 (396, 16) -------------------- ...... -------------------- 宁夏成功 (392, 16) -------------------- -------------------- 青海成功 (396, 16) -------------------- Pool + Queue多进程爬虫的总时间为： 106.41728734970093

整体爬取时间缩短了7倍左右！

1.5.2 多进程爬取世界各国历史数据 import pandas as pd import requests import json import threading from multiprocessing import Pool, Manager import time headers = { 'user-agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36 Edg/86.0.622.69' } # 发送请求 url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-total' r = requests.get(url, headers=headers) data_json = json.loads(r.text) # 按照json格式读取 data = data_json['data'] data.keys() def get_data(data, info_list): info = pd.DataFrame(data)[info_list] # 主要信息 today_data = pd.DataFrame([i['today'] for i in data]) # 生成today的数据 today_data.columns = ['today_' + i for i in today_data.columns] # 修改列名 total_data = pd.DataFrame([i['total'] for i in data]) # 生成total的数据 total_data.columns = ['total_' + i for i in total_data.columns] # 修改列名 return pd.concat([info, total_data, today_data], axis=1) # info、today和total横向合并最终得到汇总的数据 areaTree = data['areaTree'] # 取出areaTree today_world = get_data(areaTree,['id','lastUpdateTime','name']) # 获取实时数据 country_dict = {key:value for key,value in zip(today_world['id'], today_world['name'])} def ergodic(queue, j, q): try: country_id = queue.get(j) # 按照省编号访问每个省的数据地址，并获取json数据 url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-by-area-code?areaCode=' + country_id r = requests.get(url, headers= headers) data_json = json.loads(r.text) # 提取各省数据，然后写入各省名称 country_data = get_data(data_json['data']['list'], ['date']) country_data['name'] = country_dict[country_id] q.append(country_data) print('-' * 20, country_dict[country_id], '成功', country_data.shape, '-' * 20) # 设置延迟等待 time.sleep(20) except: print('-' * 20, country_dict[queue.get()], 'wrong', '-' * 20) if __name__ == '__main__': start = time.time() alltime_world = [] manager = Manager() workQueue = manager.Queue(1000) # 填充队列 for country_id in country_dict: workQueue.put(country_id) pool = Pool(processes=7) for j in range(1, len(country_dict)+1): pool.apply_async(ergodic, args=(workQueue, j, alltime_world)) print("Started processes") pool.close() pool.join() end = time.time() print('Pool + Queue多进程爬虫的总时间为：', end - start) Started processes -------------------- 日本本土成功 (354, 15) -------------------- -------------------- 突尼斯成功 (335, 15) -------------------- ...... -------------------- 罗马尼亚成功 (344, 15) -------------------- -------------------- 阿曼成功 (345, 15) -------------------- -------------------- 马达加斯加成功 (308, 15) -------------------- Pool + Queue多进程爬虫的总时间为： 643.1728949546814

整体爬取时间缩短了9倍左右

1.6 MongoDB存储数据 from pymongo import MongoClient client = MongoClient('localhost',27017) db = client.blog_database collection = db.today_province # 修改get_data函数 def get_data(data,info_list): info = pd.DataFrame(data)[info_list] # 基本信息 today_data = pd.DataFrame([i['today'] for i in data ]) # 生成today的数据 today_data.columns = ['today_'+i for i in today_data.columns] # 修改列名 total_data = pd.DataFrame([i['total'] for i in data ]) # 生成total的数据 total_data.columns = ['total_'+i for i in total_data.columns] # 修改列名 # 同省今日数据&累计数据合并 d = pd.concat([info,total_data,today_data],axis=1) collection.insert_many(json.loads(d.T.to_json()).values())

爬取并保存举例

# 爬取并保存各省数据 data_province = data['areaTree'][2]['children'] # 取出各省数据 today_province = get_data(data_province,['id','lastUpdateTime','name']) 总结

至此，网易疫情数据爬取已完成，从选取爬取源到数据定位，实时数据数据量较小，用python很快就能爬取下来，但是对于爬取量大一点的数据，即要考虑平台处于性能考虑会进行反爬机制，设置时间延迟来对抗反爬，又要尽量提快爬取速度，最终采用多进程爬取来优化爬取过程。另补充了一种数据库存储。

如有问题，请多指教！多探讨交流，谢谢！

参考资料： http://cookdata.cn/note/view_static_note/fa203bf68cc57b10af2773bf5b48fd34/

--------后补充数据探索性分析--------- -----------文章较长，建议收藏--------

我们采用pandas库来进行数据分析

import pandas as pd # 读取数据 today_world = pd.read_csv("today_world_2021_02_18.csv") today_world.head() 二、数据探索性分析

英文列名不便于观察，更改为中文，使用rename（）函数重命名

# 创建列名对应的中英文字典 name_dict = {'date':'日期','name':'名称','id':'编号','lastUpdateTime':'更新时间', 'today_confirm':'当日新增确诊','today_suspect':'当日新增疑似', 'today_heal':'当日新增治愈','today_dead':'当日新增死亡', 'today_severe':'当日新增重症','today_storeConfirm':'当日现存确诊', 'total_confirm':'累计确诊','total_suspect':'累计疑似', 'total_heal':'累计治愈','total_dead':'累计死亡','total_severe':'累计重症', 'total_input':'累计输入','today_input':'今日输入'} # 重命名 today_world.rename(columns=name_dict,inplace=True)

对数据进行简单查看

today_world.info() # 查看基本信息 today_world.describe() # 查看统计信息 today_world.set_index('名称', drop=False, inplace=True) # 将国家设置为索引

使用isnull（）查看数据缺失值，计算缺失值比例，并进行缺失值处理

# 计算缺失值比例 today_world_nan = today_world.isnull().sum()/len(today_world) # 转化为百分比 today_world_nan.apply(lambda x: format(x, '.1%')) # 对当日现存确诊缺失值进行处理 today_world['当日现存确诊'] = today_world['累计确诊']-today_world['累计治愈']-today_world['累计死亡']

在这里插入图片描述从缺失比例结果发现，当日新增相关数据缺失值较多，这主要由于采集数据的时候部分国家更新时间不一致，没有更新数据，因此我们将不再对其进行分析。

当日现存确诊人数，是由累计确诊人数-累计死亡人数-累计治愈人数所得

2.1 实时数据处理

反映疾病严重程度以及一个地区的医疗水平指标——病死率计算公式：病死率 = 累计死亡 / 累计确诊

# 计算病死率,且保留两位小数 today_world['病死率'] = (today_world['累计死亡']/today_world['累计确诊']).apply(lambda x: format(x, '.2f')) # 将病死率数据类型转换为float today_world['病死率'] = today_world['病死率'].astype('float') # 根据病死率降序排序 today_world.sort_values('病死率',ascending=False,inplace=True) # 显示病死率前十国家 today_world.head(10)

在这里插入图片描述

2.1.1 世界各国实时数据 # 查看当前累计确诊人数前十国家 world_top10 = today_world.sort_values(['累计确诊'],ascending=False)[:10] world_top10 = world_top10[['累计确诊','累计死亡','病死率']] # 导入matplotlib import matplotlib.pyplot as plt plt.rcParams['font.sans-serif']=['SimHei'] #正常显示中文 plt.rcParams['figure.dpi'] = 120#设置所有图片的清晰度 # 绘制条形图 world_top10.sort_values('累计确诊').plot.barh(subplots=True,layout=(1,3),sharex=False, figsize=(7,4),legend=False,sharey=True) plt.tight_layout() #调整子图间距 plt.show()

在这里插入图片描述

2.1.2 中国各省实时数据 # 读取数据 today_province = pd.read_csv("today_province_2021_02_18.csv") # 全国新增确诊top10地区 new_top6 = today_province['当日新增确诊'].sort_values(ascending=False)[:10] # 可视化展示全国新增确诊top10地区情况 fig, ax = plt.subplots(1, 2, figsize=(10, 5)) new_top6.sort_values(ascending=True).plot.barh(fontsize=10, ax=ax[0]) new_top6.plot.pie(autopct='%.1f%%', fontsize=10, ax=ax[1]) plt.ylabel('') plt.title('全国新增确诊top10地区', size=15) plt.show()

在这里插入图片描述

2.2 历史数据处理 2.2.1 中国历史数据 # 取读数据 alltime_china = pd.read_csv('alltime_China_2021_02_13.csv') # 将日期改为datetime格式 alltime_china['日期'] = pd.to_datetime(alltime_china['日期']) # 将日期作为索引 alltime_china.set_index('日期', inplace=True)

对时间序列数据绘制折线图

import matplotlib.pyplot as plt import matplotlib.dates as dates import matplotlib.ticker as ticker import datetime fig, ax = plt.subplots(figsize=(8, 4)) alltime_china.loc['2020-12-25':'2021-02', ].plot(marker='o', ms=2, lw=1, ax=ax) ax.xaxis.set_major_locator(dates.MonthLocator()) ax.xaxis.set_major_formatter(dates.DateFormatter('%b')) fig.autofmt_xdate() plt.legend(bbox_to_anchor = [1, 1]) plt.title('全国新冠肺炎数据折线图', size=15) plt.ylabel('人数') plt.grid(axis='y') plt.box(False) plt.show()

在这里插入图片描述

fig, ax = plt.subplots(figsize=(8, 4)) alltime_china['当日新增确诊'].loc['2020-12-25':'2021-02', ].plot(style='-', color='c', marker='o', ms=3, lw=1, ax=ax) ax.xaxis.set_major_locator(dates.MonthLocator()) ax.xaxis.set_major_formatter(dates.DateFormatter('%b')) fig.autofmt_xdate() plt.legend(bbox_to_anchor = [1, 1]) plt.title('全国新冠肺炎新增确诊病例折线图', size=15) plt.ylabel('人数') plt.grid(axis='y') plt.box(False) plt.show()

在这里插入图片描述

2.2.2 世界历史数据 alltime_world = pd.read_csv("alltime_world_2021_02_18.csv") alltime_world['日期'] = pd.to_datetime(alltime_world['日期']) alltime_world.set_index('日期', inplace=True) # 取2020-03-31之前的数据，可视化展示好看 alltime_world = alltime_world.loc[:'2020-03-31'] # groupby创建层次化索引 data = alltime_world.groupby(['日期','名称']).mean() # 提取部分国家数据 data_part = data.loc(axis=0)[:,['中国','日本','韩国','美国','意大利','英国','西班牙','德国']] # 将层次索引还原 data_part.reset_index('名称',inplace=True)

绘制多个国家的累计确诊人数折线图

fig, ax = plt.subplots(figsize=(8,4)) data_part['2020-02':].groupby('名称')['累计确诊'].plot(legend=True,marker='o',ms=3,lw=1) ax.xaxis.set_major_locator(dates.MonthLocator()) #设置间距 ax.xaxis.set_major_formatter(dates.DateFormatter('%b')) #设置日期格式 fig.autofmt_xdate() #自动调整日期倾斜 plt.title('各国新冠肺炎累计确诊病例折线图',size=15) plt.ylabel('人数') plt.grid(axis='y') plt.box(False) plt.legend(bbox_to_anchor = [1,1]) plt.show()

在这里插入图片描述

fig, ax = plt.subplots(figsize=(8,4)) data_part['2020-03':'2020-03-29'].groupby('名称')['当日新增确诊'].plot(legend=True,marker='o',ms=3,lw=1) ax.xaxis.set_major_locator(dates.MonthLocator()) #设置间距 ax.xaxis.set_major_formatter(dates.DateFormatter('%b')) #设置日期格式 fig.autofmt_xdate() #自动调整日期倾斜 plt.title('各国新冠肺炎新增确诊病例折线图',size=15) plt.ylabel('人数') plt.grid(axis='y') plt.box(False) plt.legend(bbox_to_anchor = [1,1]) plt.show()

在这里插入图片描述

总结

本篇博客对新冠肺炎疫情数据的探索性分析。其中数据预处理主要包括特征列重命名、缺失值处理、查看重复值、数据类型转换等操作。此外，使用了Pandas进行数据可视化，通过图表的绘制探索数据的内涵。对时间序列数据采用折线展示处理、使用Groupby进行数据分组，学习了层次化索引的操作方法。

第三部分：

【本文地址】

公司简介

联系我们